传统 B 端物流营销正从“依赖个体经验”迈向“可复制、可规模化”的能力化升级。围绕 AI Agent，我们构建贯穿“数据感知—智能触达—销售承接—闭环运营”的智能营销体系，将经验沉淀为组织级精准智能，形成面向增长的“数据—模型—流程”三闭环。在京东物流B端实践中，以 AI 外呼、企微机器人等智能体协同为代表，结合上下文工程、数据飞轮与模型精调，系统提升稳定性与准确性，完成从“AI 赋能”到“Agent 主导”的演进，显著拉升效率与转化，并为多智能体协同与全链路无人化运营奠定基础。

演讲提纲：

1. 背景与挑战：B 端物流客户的营销难点
2. 大模型在B端物流营销的落地
   • AI外呼智能营销机器人
     • 外呼机器人的定位与落地难点
     • 外呼机器人的迭代路线
   • 企业微信智能营销机器人
     • 企业微信机器人的定位与落地难点
     • 企业微信机器人的迭代路线
   • 销售助手
   •  B 端营销场景客户闭环案例分析
3. 关键技术和能力建设
   • 上下文工程（长短期记忆、执行过程反思等各类意图结果）
   • 数据飞轮（通用数据飞轮和bad case数据飞轮的建设与落地应用。）
   • 模型幻觉（垂域场景下模型幻觉的标准解决方案）
   • 样本构建&模型训练优化
   • 自动化评测&自动化运营方案
4. 总结与展望

听众收益：

• 系统掌握垂域智能体全流程（设计—选型—落地），明确复杂度、技术栈与能力上限
• 吸收一线避坑经验与闭环方法（数据飞轮、自动化评测），加速产品成熟

传统软件自动化技术 RPA 遇到哪些效率问题，AI 技术的发展带来哪些可能性，在飞猪如何选择业务场景与 AI 技术结合，如何设计飞猪 GUI Agent。在飞猪机票业务流程实践中，我们通过 GUI Agent 代替 RPA，显著提升研发效率。

演讲提纲：

1. 为什么我们需要 GUI Agent？
   • 传统 RPA 技术的困境
   • 新思路：借力 AI，让 AI 像人类一样操作 GUI
2. GUI Agent 是什么？
3. 整体架构设计
   • 核心工作流介绍
   • 系统模块详解
     • Planning Engine：任务规划大脑
     • UI-Tars 模型：视觉定位专家
     • OCR 辅助判断
     • Agent Memory：长期记忆系统
     • Client SDK：客户端集成层
4. 关键技术实践
   • 如何让大模型“真正看懂”界面？
     • 精细化 Prompt 设计
     • 上下文增强策略
     • 结构化动作空间定义
   • 动态坐标预测的成功率优化
   • 错误处理与自愈机制
   • 性能优化：速度与精度的平衡
5. 落地案例：机票值机流程自动化
   • 业务背景
   • GUI Agent 实现流程
   • 效果对比
   • 业务价值
6. 挑战与未来展望

听众收益：

• 了解 RPA 与 GUI Agent 技术架构选型思路，实践中碰到的坑，及未来的一些趋势判断。

大模型技术正深刻变革传统保险理赔流程，借助生成式人工智能与多模态融合能力，实现了医疗审核从“按天计算”到“秒级响应”的跨越。这项变革的核心在于大模型能够理解复杂的医疗文档与保险条款，通过自动化信息提取与智能核赔，显著提升处理效率与准确性。

本次演讲将系统阐述大模型赋能保险理赔医疗审核的技术原理与实践路径。其关键技术在于构建“自动化信息提取”与“自动化核赔”双引擎：高分辨率多模态模型能精准提取医疗票据中的关键信息，支持超过200种保险和医疗文档；而基于思维链技术，大模型可模拟理赔专家推理逻辑，逐步分析材料、匹配条款并给出审核结论，实现“零”人工参与的自动化作业。

演讲提纲：

1. 保险理赔数字化转型背景
2. 大模型赋能理赔的核心技术原理
   • 自动化信息提取
   • 自动化核赔
3. 应用场景与规模化实践案例
4. 关键成效与价值分析
5. 总结与展望

听众收益：

• 洞悉多模态提取、思维链核赔等核心技术的实际落地逻辑
• 明确当前技术痛点与优化方向，找到产品迭代、技术创新的突破口
• 了解轻量化部署、动态反欺诈等前沿趋势

现有的支付宝端的通用信息架构已难满足所有细分用户的多样化诉求和使用习惯, 为此, 支付宝面向不同人群推出了专属的版本, 包括国际版, 学生模式和青少年模式。通过定制化的信息架构和服务/内容供给, 不仅显著提升用户体验, 也增强了运营的效率和效果。

在这一过程中, 我们引入了AI技术, 突破了多项核心挑战:

1. 人群预测: 精准识别潜在细分人群。
2. 人群理解: 基于大模型, 对于特定人群行为进行深度洞察, 覆盖人群服务、内容、商品、权益等偏好。
3. 动线优化: 使用大模型分析用户动线, 优化版本信息架构, 提升用户体验和动线效率。

本次演讲将分享支付宝在细分人群版本建设中的AI应用实践, 展示如何通过智能化手段实现人群分类预测、深度理解和动线优化, 助力用户规模和体验的双重增长。

演讲提纲：

1. 从通用标准版到多人群版本
   • 细分人群版本与通用标准版的差异和定位
   • 细分人群版本带来的用户体验和运营价值
2. 实现人群分类的技术路径
   • 基于深度学习网络的潜在人群识别
   • 结合认证体系的精准人群识别
3. 人群的深度理解
   • 利用大模型构建人群理解体系: 洞察人群偏好(服务、内容、商品、权益)
   • 人群理解任务的性能优化和工程实践
4. 动线驱动的推荐优化
   • 动线数据的定义和理解
   • 基于用户动线的推荐策略生成和应用
5. 未来展望
   • 价值人群的进一步挖掘
   • 轻量化的人群版本的演进

听众收益：

• 学习深度学习在潜在人群预测、大模型在人群画像构建中的具体应用场景与实践经验
• 掌握人群理解任务的性能优化方法，以及基于用户动线的推荐策略生成机制
• 获取如何将 AI 能力与现有推荐体系、架构体系融合的实战经验