我们常说 “让 AI 理解业务”，但要让 AI 真正参与企业投标与项目应答方案编制，面对产品说明书与客户需求说明书的复杂数据结构，如何让 AI 切实发挥作用，是另一维度的挑战。本次即将分享 “项目应答方案 Agent” 的设计与实践 —— 该 Agent 能根据用户输入的功能需求，自动从公司产品数据库中匹配具备相似能力的产品；还能从格式杂乱的数据中提取关键信息，评估项目需求满足度与定制化开发成本，进而生成完整的项目应答方案，并对输出内容进行自我审校，确保逻辑连贯与数据准确。演讲将深入解析该 Agent 的整体架构、关键技术难点，以及在真实项目评估场景中的优化与落地路径。

演讲提纲：

1. 背景：项目需求评估之痛：为什么需要“解决方案 Agent”
2. 整体架构设计：任务规划、数据检索、数据分析，生成、审校的通力合作
3. 核心难点与突破：
   • 如何让Agent懂得在杂乱无章的数据中，实现产品功能与客户需求的精准匹配
   • 如何让生成的报告具备“工程可交付性”，实现报告内部数据的准确计算
   • 如何利用数据反馈与自我 review，持续提升生成内容的准确性与一致性
4. 案例演示：从需求表到投标文档的智能数据分析与方案生成全过程
5. 未来展望

听众收益：

• 全面认知方案生成的算法架构，理解“任务规划—检索—生成—审校”的全链路协作机制，掌握如何让大模型帮助自己做方案生成，节约时间
• 2借鉴真实落地的工程经验，获得在复杂业务中部署Agent的实战参考

AI 如何跟数据分析结合，同时保持高效与专业性，一直是BI和数据分析领域产品技术关注的焦点。基于用户分析和过往的数据产品经验，我们建设了一款新的大数据表格结合AI的数据分析产品Tomoro，旨在通过用户熟悉的表格操作与无边界的数据引入，结合 AI 驱动的大数据分析工作台，实现零门槛的大数据自助分析。

Lumos 作为 Tomoro 中的数据智能体，采用多智能体架构，旨在解决复杂场景下的专业问题，并通过一系列技术优化提升用户体验，分享会讨论到我们在其中的技术选型、上下文工程、数据分析工具结合、业务实践层面的探索和思考。

演讲提纲：

1. Tomoro 背景介绍：融合用户熟悉的表格操作与 AI 智能，通过亿级数据秒级响应、AI 全流程引导、深度分析一步完成等关键特性，实现零门槛、高效率的大数据自助分析
2. 技术方案：“环境+智能体+情景”三位一体的实用性架构，让AI从真实分析场景出发，承担更多工作，人则专注于业务价值的探索
   • 架构选型：为应对复杂度迥异的分析任务，我们采用“主-从”多智能体架构，由主智能体拆解任务，各专家智能体分工执行
   • 协作机制：建立共享工作记忆，让各智能体同步中间结果，避免重复计算，保证协作的一致性与高效性
   • 性能优化：构建分级计算框架，通过浏览器计算、内存数据库、高性能引擎分层加速，确保大数据量下的极致响应
   • 路径选择：采取“工具优先，代码兜底”的混合策略，优先调用可靠工具保证体验，再以AI代码生成能力应对个性化需求
   • 能力扩展：将复杂的业务算法（如归因分析）封装为独立服务，智能体通过标准工具调用即可无缝集成，快速扩展专业能力
   • 交互优化：通过主动推荐问题与澄清式对话，引导用户明确分析意图，提升人机交互的有效性
   • 质量测评：结合内部使用、任务级准确率评估和自动化验证，构建多维度测评体系，持续保障和提升输出质量
   • 工程保障：打造模型、公共、应用三层服务架构，为智能体提供鉴权、限流等全方位工程“盔甲”，确保服务稳定可靠。
3. 总结与展望

听众收益：

• 带走一份“从传统 BI 到 AI 表格＋数据智能体”的落地清单——如何做场景优先级划分、Agent 职责与编排、一致性治理、AI Coding 与工具调用取舍、上下文工程与评测指标（SLO）设计，少走弯路。
• 掌握“表格即工作台＋无边界数据接入”的搭建方法，以及查询/计算加速、MCP 共建专家 Agent 的实践范式，把复杂分析从“会用”推向“用得快、用得准”。

行为数据不仅数量大，且包含的数据类型、语义繁杂，在一些需要语义理解较快产出结论或模仿人类推理的行为分析场景，传统的数据分析、机器学习方法存在冷启动慢、语义理解和解释困难的弊端，需要利用人工智能领域新进展解决类似的用户行为分析诉求；

为此，结合大语言模型（LLM）的行为数据分析与归因，创新性地在原始日志的基础上建立分析的数据形态中间层，充分利用大模型非结构化数据尤其是自然语言的理解与推理能力优势；为了满足用户在行为 AI 辅助数据分析过程中结果可解释、可信的需求，以及解决长时间跨度行为数据的庞大数据量与模型上下文窗口限制之间的矛盾，我们推出了用户研究 Agent，实现方案上引入了行为数据形态中间表示层，这一中间层不仅能有效处理超出上下文窗口的数据，还在引入业务知识、主动学习和智能分析规划方面起到了关键作用，同时，为了提升结论的可信度，系统实现上始终保持模型分析与原始数据之间的连接，从而提高了分析结果的透明度和可验证性，并提升了人际协作的效率与信任度；

最终，用户研究 Agent 较大程度提高了业务分析效率，帮助业务方识别了若干提升收益的动作点，模型与原始数据的紧密结合使得关键分析步骤可追溯与验证，从而增强了分析结果的可信度，在人机协同分析的基础上推动了业务决策的优化与业务收益的提升。

演讲提纲：

1. 大模型在行为分析场景中的优势
   • 非结构化数据尤其是自然语言的理解和推理能力
   • 巨大的预训练数据与参数量带来的泛化能力与通识储备
   • 仍然在快速进步的领域，可以利用诸多应用上的新能力（function call、MCP等）与新实践（Deep research、新兴Agent架构）快速提供更强的分析
2. 实践中的问题与用户研究Agent解决方案
   • 问题：要分析数据量远大于模型上下文
     • 如何选择分析数据的子集
     • 如何分析长时间跨度的行为
   • 问题：行为分析/洞察场景需要结果有逻辑、可信、可证明
     • 如何在大模型的自由发散与约束确定之间取舍
     • 如何利用业务方已有的业务知识与分析经验
     • 如何建立业务方对大模型分析过程与结论的信任
     • 如何在人类与AI协作分析的过程中让AI获得有效反馈并成长
   • 问题：如何在大模型驱动的系统中进行质量评估
     • 如何从研发与测试角度对结果进行自动化评估
     • 如何从研发角度提高模型输出结果的稳定性与可测试性
3. 用户研究 Agent 业务价值复现与review
   • 大模型驱动的行为分析真实 show case
   • 大模型分析结果结果可信、可证明的 demonstration
4. 总结与展望

听众收益：

• 对大模型+行为分析落地场景的具体技术常见问题得到解法参考
• 收获当前实践中的大模型驱动系统的质量评估方案
• 理解1-2种重要且有效的关键技术设计

随着云原生架构与大规模分布式系统的广泛应用，系统复杂性急剧上升，传统基于规则或单点模型的运维诊断手段已难以应对高动态、高维度的生产环境挑战。本演讲将深入剖析阿里云如何构建一套数据驱动的智能诊断系统，通过融合全栈可观测性数据（包括指标、日志、链路与 eBPF 事件）、大语言模型（LLM）推理能力与多智能体协同架构，在真实生产环境中实现端到端的故障感知、根因分析与修复建议生成。

我们将详细介绍系统的核心设计原则：1）角色化智能体分工机制——包括感知 Agent、推理 Agent、验证 Agent 与执行 Agent，各司其职并动态协作；2）数据 - 模型 - 动作闭环——如何将实时运维数据转化为智能体可理解的语义上下文，并驱动自动化决策；3）与现有 SRE 体系的无缝集成——在保障安全合规的前提下，逐步替代人工巡检与告警响应流程。

该系统已在阿里云多个 Serverless 核心产品线（中规模化落地，实测数据显示：平均故障恢复时间（MTTR）降低 40% 以上，无效告警减少 65%，人工干预频次下降 60%。此外，我们还将分享在模型幻觉控制、智能体通信协议设计、冷启动场景优化等方面的工程实践与关键教训。

演讲提纲：

1. 引言：运维智能化的新挑战
   • 云原生时代系统复杂性激增，传统AIOps方法面临瓶颈
   • 从“单模型辅助”到“多智能体协同”的范式演进必要性
2. 整体架构设计：构建数据驱动的多智能体诊断系统
   • 系统核心组成：可观测数据层、智能体协调引擎、动作执行层
   • 智能体角色划分：感知Agent（数据采集与异常检测）、推理Agent（根因分析）、验证Agent（假设检验）、执行Agent（修复建议/自动化操作）
   • 数据闭环：指标、日志、链路与eBPF事件如何统一建模为智能体上下文
3. 关键技术实现
   • 多智能体通信与协作机制：基于任务分解与共识协商的动态工作流
   • LLM与领域知识融合：Prompt工程、工具调用（Tool Use）与幻觉抑制策略
   • 安全与可靠性保障：权限控制、操作审计、人工熔断机制设计
4. 生产环境落地实践
   • 应用场景：Serverless平台冷启动异常、数据库慢查询风暴、容器集群资源争抢
   • 落地成效：MTTR降低40%+，无效告警减少65%，人工干预下降60%
   • 工程经验：从POC到规模化部署的关键路径、冷启动优化、成本与延迟权衡
5. 总结与展望

听众收益：

• 获得企业级智能体系统可靠性建设的方法论框架
• 掌握多智能体可观测性设计模式与开源工具链集成方案
• 探讨智能体诊断标准（如 OpenAgentTracing）的演进方向