专题演讲嘉宾：杨俊

深度研究(deep research)可以帮助用户对某个主题做深度丰富度更佳的搜索和交付结果，在复杂问题上节省时间，同时给出有洞见的结论。同时，用户期望研究过程是个性化、有针对性的，基于OPPO有一键闪记业务，能获取到设备上跨APP的个性化信息，我们将两者结合(Agent下的memory)，构建真实场景的个性化Agent。

解决方案选型
阶段一：多智能体方案，主智能体负责任务编排和调度，配合垂域工具、智能体、上下文管理模块、记忆智能体等，完成用户任务。
阶段二：对阶段一的pipeline做端到端训练，使得主模型agentic model能够自适应进行上下文管理(压缩、使用、检索等)、工具调用和反思修正等。

相关技术细节
1）任务拆解与编排：自适应用户任务复杂度的子任务拆解(越复杂任务越多)、给定预算下的任务拆解能力(Tokens-Budget)、结合个性化信息的任务拆解。
2）信息搜索类智能体：对信源预置站点选择策略、长上下文管理、parallel function calling、mixed of reflection。
3）报告撰写：支持PPT、HTML等5种格式，个性化行程攻略制定，CitationAgent事实性校验，多源信息冲突检测与校验。

实施效果：信息搜索准确率提升6%，成本下降40%，满意度效果提升5%。

演讲提纲

1. 深度研究简介：是什么，行业做法，有什么难点/优化点(个性化、幻觉、完成度、交互设计重要性)。
2. 我们的选型是什么，迭代路径如何设计与思考：落地的难点(成本，收益，目标人群)，如何在算法和工程上协同优化。预算控制能力如何对我们产生帮助。
3. 实践分享
   • 自适应快慢思考/任务拆解，如何做contexts engineering
   • 引入个性化，如何设计架构，个性化如何防止滥用，个性化的交付件如何评估收益(不是profile持有人，很难评估)
   • 长程任务幻觉高，如何处理？预置垂域站点，引入多搜索接口，如何在ReAct机制中学会自适应选择搜索源并融合结果。CitationAgent如何设计并带来正确性提升。
   • 输出结果，输出文件(PPT、HTML中)如何开发个性化的排版能力。
   • 从prompt走向训练agentic model：我们做了什么，有什么收益，是否值得做
   • 作为手机厂商，持续接入千级别工具，我们的架构如何保证工具调用正确性，冷启动能力。

您认为，这样的技术在实践过程中有哪些痛点？

• 成本与效果的权衡。深度研究是个长程任务，会进行多次思考+工具调用+反思修正，为了保障成本可控以及模型输出结果的稳定性，增加了较多规则化逻辑。
• 做agentic model训练的必要性，降成本？提效果？通用性丢失？

您的演讲有哪些前沿亮点？
在硬件厂商，真实场景落地Agent能力的实践经验。长程任务下的千级别工具调用、个性化、自适应复杂度的任务拆解能力，在行业内均可产生启发。

听众收益

• 手机厂商，亿级别用户场景，AI应用如何引入个性化。
• 长程任务，算法和工程如何协作。
• Agent工具数量从百扩充到千、万，如何设计架构的可扩展性，确保零成本/低成本调优即可满足效果。