随着人工智能技术的飞速发展，大模型技术应用在智能助理的各个环节。本次分享主要探讨通用智能助理所面临的技术挑战，结合小爱场景中的具体实践，分享小爱的应对策略；同时讨论未来的发展方向。

演讲提纲

1. 通用Agent面临的问题和挑战
   • 通用Agent的定义
   • 通用Agent常用技术架构：单Agent&多Agent
   • 通用Agent面临的问题：context理解、记忆、语义表示、多agent配合等
2. 通用Agent技术在小爱场景中的实践
   • context理解：基于RAG和预分类的混合理解调度架构
   • 记忆机制：记忆的提取、使用和遗忘
   • 个性化：个性化理解&基于大模型的搜索推荐
   • 多模态理解：基于文本和图像的混合理解方案
   • code式语义表示：构建机器人的“执行之手”
   • 多Agent的技术架构：多Agent配合机制
3. 总结和展望

您认为，这样的技术在实践过程中有哪些痛点？

• 现有的技术方案很难满足用户的需求。

听众收益

• 熟悉通用人工助理的构建
• 多Agent系统的构建

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。

智能体技术已经不再是实验室里的“样品”，而逐渐成为走进各行各业、解决实际业务流程痛点的“新质生产力”工具；然而，当前通用智能体技术在面对场景多变、任务复杂、稳定性要求高等真实场景需求时，大模型幻觉、推理稳定性、GUI操作精准度、工具选择和应用准确率、自主进化和学习能力等问题成为制约智能体技术走向更深、更广应用的瓶颈。

本次演讲聚焦于“实在Agent”通用智能体在自身产品迭代和客户实际场景应用过程中的探索和尝试，重点探讨如何解决复杂任务推理、GUI操作和工具调用、业务场景仿真和主动学习三大问题，从而实现业内首个结合大模型推理、多模态识别和无限制软件操作的通用智能体框架；此外我们还将介绍和剖析“实在Agent”在产品迭代和落地应用过程真实问题和演化路径，展示其在各行业、各场景中的巨大潜力；最后将展望和探讨我们对于Agent技术发展的思考和我们未来的工作方向。

演讲提纲

1. 通用智能体技术的发展、现状和挑战 
   • 通用智能体的技术发展脉络：从工作流到自主规划 
   • 通用智能体的研究和应用现状：代表性技术和产品 
   • 通用智能体技术落地过程的挑战： 
     • 复杂任务规划稳定性要求高 
       • 复杂任务规划的挑战（多种工具和GUI操作组合） 
       • 任务拆解稳定性和可复用性 
     • 底层操作能力完备度要求高
       • 如何实现各类软件无缝操作以及MCP够不够？
       • GUI操作的精准度要求和异常情况处理
     • 自主迭代和学习的能力要求高
       • 不同行业的个性化应用场景和办公工具
       • 如何根据用户反馈进行学习和优化
2. “实在Agent”通用智能体的架构与核心能力构建
   • 任务规划：复杂流程拆解和推理的方案迭代
     • 第一版方案：通用大模型+Trick技术（CoT、ReAct、Function Call、RAG、MCP等）
     • 第二版方案：训练和微调自有的任务拆解大模型（数据构造、SFT、强化学习等）
       • TARS-RPA大模型和通用SOTA LLM的效果对比
       • TARS-RPA大模型在意图识别、任务拆解等四个任务上的效果展示
     • 第三版方案：自有大模型+软件地图+流程状态控制（长短期记忆注意、执行过程反思等）
   • 流程执行：探索完备且精准的GUI操作和工具调用
     • 通用多模态大模型（MLLM）在通用智能体领域存在的问题
     • GUI-MLLM的能力突破和现存问题：GLM-4.5V、UITARS等
     • 我们的方案：针对通用智能体领域微调的TARS-VL多模态大模型
       • 前期工作：智能屏幕语义理解技术介绍
       • TARS-VL在部分benchmark上的效果对比
       • 提出的GUI-Robust基准评测集介绍
     • 多模态大模型与RPA结合实现GUI操作的优势（数据采集、流程复用、容错机制等）
     • 如何兼容GUI软件操作和外部工具的调用
   •  学习能力：寻找高效的场景迁移和在线学习技术
     • 场景知识库+RAG技术的利与弊
     • 软件离线地图：软件操作路径仿真与自动构建
     • 在线学习技术的工程和算法探索（个性化推荐、基于反馈的审核提示词优化等）
   • 整体框架：基于上述核心能力探索构建"实在Agent"智能体框架
     • 功能框架图
     • 落地路径方案
3. “实在Agent”通用智能体实践效果与案例分享
   • 产品落地效果
     • 核心技术在产品中的效果展示
     • 产品化过程中的技术选型
       • 大小模型结合提升执行效果和资源利用率
       • 数据采集和联网搜索的结合应用
     • 具体案例：京东商品数据采集
     • 具体案例：投资报告生成和发送
   • 典型应用案例
     • 某能源行业客户：“实在Agent”通用智能体实现单据审核
     • 某运营商客户：投诉工单分派与自动化处理
4. 未来展望
   • 发展方向展望
     • 大模型能力的提升将成为通用智能体研究和落地的核心驱动力
     • 通用智能体技术的创新是一个系统工程，但又不仅仅是简单的技术缝合
     • 通用智能体技术将驱动企业智能办公与人机协同模式IDE变革
   • 后续工作方向
     • 围绕TARS-RPA和TARS-VL两个大模型的能力提升
     • 提高长链复杂流程的稳定性、复用性和学习能力

实践技术痛点

• 领域训练和微调模型必然在通用能力有所折损，需要结合具体场景选择合适模型
• 软件地图现阶段依赖人工进行必要的质量检查，无法全自动构建
• 实现真正的通用智能体需要更强大的推理模型和更丰富的工具

演讲亮点

• 自主研发模型加持通用智能体从任务规划到GUI软件操作，完整覆盖数据构造、模型训练、任务微调和产品应用各阶段
• 业内首个结合LLM+RPA+GUI操作的智能体，在任务通用性、操作完备性、流程可复用性等方面力求最佳平衡

听众收益

• 系统了解企业级通用智能体从方案设计到技术落地的全流程，大量现状思考、踩坑经验助力听众对通用型自主规划智能体产品的开发难度、技术栈乃至能力上限有一个正确的认识
• 全面介绍在企业级通用智能体落地过程中的核心技术难点和我们的解决方案，进而将多项人工智能和大模型技术串联，并映射到通用智能体的不同能力维度

本次分享聚焦大模型与Agent技术在B端对话系统中的深度实践，覆盖外呼语音对话、客诉进线场景及商家服务三大场景。基于架构演进视角，拆解从传统多轮对话框架过渡到LLM-Agent化的算法架构演进历程。重点介绍以下技术技术模块：1）端到端大模型对话技术实现多SOP融合与流程遵循， 2）强化学习在SFT基座上的优化策略，同时保持高准确性以及高度拟人化3）Agent化工作流以动态编排替代硬编码，支持复杂场景的灵活性。

演讲提纲

1. 对话技术架构演进与飞猪的对话场景
   • Bert模型与传统workflow式“NLU-DM-NLG”对话架构
   • LLM升级传统架构中单一模块
   • 端到端LLM对话架构+Agent协作框架
   • 飞猪对话落地场景
2. 端到端对话技术
   • 高准确率场景的SOP
   • 多SOP融合挑战
   • 模型结构与训练策略
   • 引入COT显式生成决策依据
3. 强化学习在对话场景的应用
   • SOP对话场景下的RL选型
   • 奖励函数设计
   • 强化学习训练框架与策略
4. LLM-Agent化
   • 传统workflow的问题
   • Agent化的核心思想
   • 动态编排机制

您认为，这样的技术在实践过程中有哪些痛点？

• 多SOP融合的复杂性与高准确率要求：不同业务场景SOP逻辑差异微小，模型需同时兼容多套策略且避免互斥或混淆，业务方对准确率要求高。
• 长上下文与动态意图理解：电话对话场景噪音多、口语化强、意图切换频繁，模型需精准捕捉核心需求并保持连贯性。
• 工作流Agent化的稳定性问题：动态决策链路中，Agent的流程跳转、状态管理与异常回退易出错，需平衡灵活性与可控性。
• 实时性要求与推理效率：端到端模型需低延迟响应（如电话对话的<1秒），但Agent的多步推理可能拖累性能。

您的演讲有哪些前沿亮点？

• 端到端SOP对话的难度与解决方案
• COT与对话场景的结合
• 训练数据的生成方法
• 不同场景的强化学习策略
• Agent技术的工程化方法

听众收益

1. LLM-Agent技术在B端供应链和客服场景一手的经验
2. 端到端SOP对话的难度与解决方案
3. 语音对话场景下一手经验，如何做到高准确率与性能的平衡

当前AI教育大多为AI工具，难以破解规模化与个性化之间的矛盾。本次演讲将阐述，我们如何通过构建一个企业级的Agent网络，将教育从一门人力密集的“工艺”升级为一场智能驱动的“大型工程”。该系统在生产域通过Agent的标准化分工实现教学策略的规模化复现，在教学域通过Agent的深度协同实现个性化的精准干预，从而形成了“教学-诊断-优化”的自主进化闭环。这不仅重构了教育服务的生产与交付模式，为组织建立起以Agent效能为核心的全新运营壁垒，更重要的是，为每一位学习者提供了可规模化交付的、1V1专家级教学体验。

演讲提纲
本演讲中企业级Agent系统的本质是“教育服务的工业化重构”。通过构建分工明确、高效协同的智能体网络，我们将顶尖的教学策略与临场决策能力，转化为可规模化复现、又能精准执行的智能工程，从而重塑了教育服务的生产与交付关系，实现了大规模下的个性化教学，构建了全新的核心竞争力。

1. 从“工具链”到“智能体”
   • 行业现状： 大多数AI教育产品是“工具链”，功能孤立，数据不通，依赖人力串联。
   • 我们的重构： 我们构建的不是工具，而是一个教育智能体网络。在这个网络中，每个Agent具备特定职责、决策能力，并通过通信与协作，共同完成从生产到服务的目标。
2. 生产域：Agent的标准化分工与流程再造（一个教学目标的输入，通过指挥调度Agent、知识图谱Agent、多种内容生成Agent等的协作，自主完成课程资源的生产）
   • Agent协作流：指挥调度Agent负责任务规划与协调，知识图谱Agent提供结构化知识体系，各类生成Agent则据此并行生成高质量多媒体内容，形成高效的内容生产闭环。
   • 企业级价值： 此流程将顶尖教师的教学策略（SOP） 固化在Agent的协作规则中，实现了优质内容的规模化、标准化生产，解决了质量与规模的矛盾。
3. 教学域：Agent的深度协同与个性化干预（通过Deep-Agent、Multi-Agent、Agentic AI、Longterm Memory等的深度协作，实现“规模化个性化”）
   • Agent协作流：
     • Deep-Agent： 其核心能力是因果推理，旨在洞察学生行为背后的认知状态（如知识漏洞、思维误区）。
     • Longterm Memory Agent： 为每个学生建立持续更新的学习数字孪生，记录所有历史状态与决策。
     • Multi-Agent ： 基于诊断与档案，讲解、提问、鼓励、演练等专项Agent被实时调度，形成1V1高度聚焦的教学流。
     • Agentic AI： 基于数字孪生和诊断预测，主动发起教学干预，变“被动应答”为 “前馈调度” ，在关键认知节点进行引导与激励。
   • 企业级价值： 这套体系实现了 “教学策略的微观灵活执行” 。它将顶尖教师的临场决策能力，分解、赋予给一个Agent集群，从而在千万级用户中复现高质量的个性化教学。
4. 价值域：企业运营与市场竞争因Agent网络而重构。
   • 对内部：组织成为Agent的“训练与调度中心”，教研专家向Agent策略师转型，通过设计教学规则与优化系统协同，驱动运营重心从人的管理转向智能体效能提升。
   • 对外部：产品价值主张的变革
     • 产品形态完成从标准化课程向由Agent集群驱动的个性化认知服务的转变。
     • 核心竞争力已重塑为高质量教育行为数据与高效多Agent系统架构构成的双重技术壁垒。
5. 总结：企业级Agent系统的落地，让AI教育从“功能信息化”迈入了“流程智能化”的新阶段。其内核是一个分工明确、通信高效、可持续学习的智能体网络。 这个网络本身就是一个“活”的系统。随着数据的持续注入与算法的迭代，Agent们的决策将更精准，协作将更默契，最终形成一个能够自主进化的大脑。

您认为，这样的技术在实践过程中有哪些痛点？

• 系统决策的一致性与可靠性：多Agent协同工作时，如何确保其对学生的判断与策略调整保持一致、可控，并在复杂、模糊的认知场景中做出可靠决策。
• 复杂协作的调度与损耗：随着Agent种类和数量的增加，指挥调度系统的复杂性呈指数级增长。如何实现高效、低延迟的任务分发与协同，是一大挑战。

您的演讲有哪些前沿亮点？

• 组织成为Agent的“调度与训练中心”：推动企业运营重心从人的管理转向智能体效能提升，实现了组织角色的战略性转型，构建了以Agent系统为核心的全新运营壁垒。
• “数字孪生”驱动的个性化教学：为每个学生构建持续更新的学习数字孪生，并基于此通过具备因果推理能力的Deep-Agent进行深度诊断，实现了从“被动应答”到“前馈调度”的精准教学干预。

听众收益

• 了解如何通过多Agent系统破解行业难题：获得解决教育领域"规模化效率"与"个性化深度"这一传统难题的全新范式与可行路径。

金融行业正处在核心系统信创化与智能化并行推进的关键阶段：业务微服务化、架构异构化、监管趋严、业务连续性目标提升，传统 SRE 模式已经无法支撑监管部门 99.99% 的业务连续性要求。我们在 DeepFlow 中实践了一种面向 SRE 场景的智能体架构，以“规划-感知-推理-行动-评估-反思”的闭环实现金融系统的自动化运维。
在感知层，我们以零侵扰 eBPF 采集为基础，解决金融核心系统“不可插桩”、“信创异构”环境下的全栈实时数据获取问题；在推理层，采用自适应思维链状态机驱动 LLM，实现上下文稳定的诊断与预测；在行动层，通过 Playbook 执行与灰度修复工具实现自愈；在评估与反思层，引入用户反馈、知识库增强与强化学习机制，使智能体能从历史事件中持续学习、优化策略。
在多家金融核心系统中部署后，智能体将疑难杂症 MTTR 降低 70%，并在监管可审计的前提下实现“分钟级定位、自动修复、持续学习”。本次演讲将全面分享其设计思路、落地过程及关键 Trade-off 取舍。

演讲提纲

1. 金融行业智能运维的特殊挑战
   • 金融核心系统的特点：高可靠性诉求、低变更容忍度、信创多栈异构环境
   • 数据获取痛点：无插桩、零侵扰、安全审计
   • 智能体落地难点：合规可解释、策略可回溯、风险可控
2. 从“可观测性平台”到“SRE 智能体”的演化路径
   • 感知工具 ≠ 智能体：从数据收集到主动推理的认知迁移
   • DeepFlow 智能体的设计目标：感知全栈、推理精准、行动闭环、持续进化
   • SRE 智能体总体架构：规划-感知-推理-行动-评估-反思
3. 感知层：金融行业的“可观测性特化”
   • 零侵扰采集：通过 eBPF ＋ MCP 实现生产环境零侵扰（Zero-Code）数据流
   • 信创异构环境支持：一云多芯（鲲鹏、海光）、分布式数据库的适配
   • 数据实时性特征：SRE 智能体基于秒级流式观测数据驱动
   • 安全与合规：数据不出域（本地闭环处理），消费可审计，行为留痕
4. 推理层：从状态机到多专家决策智能
   • 多专家思维链同步执行、汇总融合
   • 思维链状态机：用状态机控制思维链，避免思维链固化与幻觉
   • 场景化 Prompt/Context 模板：根因溯源、容量预估、健康巡检
   • 强化学习与反馈回路：根据结果评估与业务影响反馈优化推理
5. 行动层：安全可审计的自动恢复体系
   • 使用 LLM 将诊断结果映射为预注册 Playbook
   • 灰度修复与回滚机制：符合金融监管“三步验证”流程
   • 人与智能体协作模式：建议先行、人工确认、自动执行
6. 评估与反思层：智能体的自我进化机制
   • 知识库增强（RAG）：整合历史故障处置文档、运维规范文档
   • 混沌工程评估体系：结合实际环境和可预知结果，生成强化学习数据
   • 实时评估反思闭环：奖励信号（人工评估）、负反馈机制（恢复成功率）
7. 实践落地与成效
   • 在某金融机构核心系统部署后：疑难杂症 MTTR 降低 70 %，人工巡检任务减少 90 %
   • 智能体从“辅助诊断”演进到“自主恢复、反思学习”
   • 组织层面的收益：经验知识结构化、跨部门协同自动化
8. 展望：SRE 智能体的未来
   • 从单体 Agent 到 Multi-Agent 协作：巡检 Agent、诊断 Agent、治理 Agent 联动
   • 对智能体的安全监管：推理审计、行为审计

您认为，这样的技术在实践过程中有哪些痛点？

• 实时性 vs 成本：使用小模型感知流式可观测性数据，消减大模型算力压力
• 可解释性 vs 智能化：金融合规要求下黑箱推理不可审计，采用状态机生成思维链
• 自动化 vs 风险管控：金融生产环境禁止全自动恢复，保留“人-机协作”审批节点

您的演讲有哪些前沿亮点？

• 行业特化的智能体设计：在强监管、信创异构环境中实现“零侵扰感知 + 灰度修复 + 强化学习闭环”
• 状态机化 LLM 推理框架：通过显式状态控制智能体思维链，保证推理稳定与合规
• 可审计的 AI 决策体系：将每个智能体动作都落地为审计日志，实现可解释 AIOps

听众收益

• 了解金融级智能体的完整闭环设计思路：从感知到反思，理解智能体架构如何在高风险行业落地。
• 学习多层次 Trade-off 与风险控制经验：了解如何在合规、安全与智能化之间取得平衡。

2025 年初：日均 10 亿 token 是 AI SaaS 独角兽的门槛

2025 年末：这可能只是一家普通企业的日常消耗

这个跨越背后，是 Agentic AI 带来的工作方式革命。从聊天时代的「大众玩具」，到 Workflow 时代的「少数人的工具」，再到 Agentic AI 时代的「全员的工作方式」—— 超级麦吉完成了从单点工具到场景渗透，并最终成为工作方式本身的转变。

但规模化落地带来了新的挑战：如何让计算机小白也能轻松使用？如何在 AI 幻觉面前保证可靠性？如何让「单日 10 亿 token」不会成为财务黑洞？

本次演讲将通过超级麦吉团队的真实故事，带你看清 Agentic AI 企业落地的全貌。你将了解 AI 使用者必经的「达克效应」六个阶段，理解为什么「人在回路」是超级麦吉产品设计的核心，以及最关键的——如何用工程化手段把「单日 10 亿 token」的年成本从数百万降到数十万。

这不是一场纯技术分享，而是关于产品、技术、成本、认知的综合实践。想要让 AI 成为企业的工作方式而不是少数人的玩具？这场演讲或许能给你带来一些启发。

演讲提纲

1. AI 落地的三个时代：从岸上观望到全员下水
   • 聊天时代：大众玩具
   • Workflow 时代：少数人的工具
   • Agentic AI 时代：全员的工作方式
2. AI 使用者的心路历程与产品设计
   • 什么是 AI 领域的「达克效应」
   • 为什么我们假定 AI 一定不靠谱？
   • 产品设计的回应：人在回路（Human in the Loop）
3. AI 的低门槛与高可控
   • Working Agent vs Coding Agent？职场小白 vs 程序员
   • 沙盒 OS 与云文件系统：在熟悉的工作体验中无限迭代
   • 零构建渲染：面向小白，如何所见即所得？
   • 在线编辑：长尾微调，一步到位
   • 长期记忆：越用越懂，一版定稿
   • Workflow 去哪啦？工作流的历史使命尚未结束
4. AI 企业落地三部曲：从工具到工作方式
   • 工具化 → 场景化 → 工作方式化
   • 大模型是新时代的水和电吗？论如何衡量一家企业的先进程度
   • Token 是数字员工的工作时间，上下文工程是胜负的关键
   • 不暴的暴论：单日十亿 token 只是一家企业进入 Agent 时代的入场券
5. 单日 10 亿 Token 的十倍降本之道
   • Prompt Caching
   • 上下文工程：什么是 Agent？如何正确定义 AI Agent 工程师？
   • AI 时代的产品在拼什么？多·快·好·省
   • 当 AI 成为工作方式，如何计算 ROI？

您的演讲有哪些前沿亮点？

• 一线 AI 创业者对于行业的观察、思考与实践的分享
• AI 在大型企业落地的主导者与亲历者的感受与实践分享
• 综合性内容：涵盖产品、技术、成本、商业多个维度
• 数据驱动：用真实数据和案例说话，而非空谈概念
• 实战经验：从超级麦吉团队的真实实践中提炼的经验和教训

听众收益
本次分享将呈现 Agentic AI 在企业落地的完整实践路径。你将了解：

1. AI 落地的三个时代：从聊天、Workflow 到 Agentic AI，如何降低使用门槛，推动从少数人试用到全员下水的转变
2. AI 使用者的心路历程：达克效应的六个阶段，以及「人在回路」的产品设计如何回应这些阶段
3. 认知转变：理解为什么 AI 的价值在于「无限并行」而非「单点速度」，大模型是未来的水和电，token 是大模型的时间，上下文是胜负的关键等
4. 降低门槛的技术选择：沙盒 OS、云文件系统、零构建渲染等技术如何让小白用户也能轻松使用 AI
5. AI 企业落地三部曲：从工具化、场景化到工作方式化，以及如何通过「招聘数字员工」的视角理解 Token 和上下文的价值
6. 十倍降本之道：通过合理的架构设计，工程化优化，合适的模型选择，缓存技术，实现约数十倍降本，解开单日十亿 token 的成本难题