当 AI 从效率工具升级为决策引擎，企业却仍困于 “数据孤岛” 与 “经验决策” 的双重枷锁。本次演讲将直击企业决策痛点，先剖析传统 BI 架构的局限，再深入拆解以 “业务数字孪生” 为核心的智能决策新架构 —— 从多源数据融合治理，到业务对象关系建模，再到 AI 模型资产化管理。我们会通过 “洞察 - 预测 - 行动” 三步走的实践方案，结合真实案例，具体讲解如何用 AI 辅助决策，实现商业价值。

演讲提纲：

1.  企业AI应用的趋势&业务管理的决策困境
   • AI从效率工具到决策引擎的演进：从“数据智能”走向“决策智能”
   • 业务管理中的“决策黑箱”：跨部门、跨系统数据整合的难度；决策过程依赖经验，缺乏量化、科学的支撑
2. 业界传奇：Palantir Foundry与运营本体
   • Palantir Foundry 核心理念：从数据平台到企业操作系统。
   • Foundry 在航空、制造、医疗等行业的应用概览
3. 基于业务建模驱动AI决策的技术架构与实践
   • 基于数据BI的企业决策架构解析
   • 以业务建模为基础的智能决策架构实践
     • 原生一体化基础架构为面向预测和决策的AI场景提供快速的业务建模能力，基于业务模型“数字孪生”让AI智能决策、行动
   • 业务建模：业务“数字孪生”建模实践
     • 数据层： 多源异构数据的融合与治理。
     • 业务建模层： 业务对象（Object）的定义与关系映射（Ontology）。
     • AI治理层： AI 模型资产的管理与部署（Model Asset Management）。
   • 辅助决策实践方案
     • 洞察（Insight）： 实时数据分析与异常发现
     • 预测（Prediction）： 业务模型驱动的未来趋势预测
     • 行动（Action）： 决策建议的生成与业务系统的自动触发
4. 业务场景案例分享
5. 总结与展望

听众收益

• 深入了解企业在业务管理中面临的决策挑战，以及运营本体如何成为连接数据、模型与业务的关键桥梁
• 借鉴Palantir Foundry的成功经验，了解企业如何通过业务建模、数据治理和AI能力集成，构建企业专属的辅助决策系统

深入剖析 Agentic RAG 和多智能体架构在企业级复杂业务场景（采购全流程）中的技术工程化落地细节、架构设计、挑战与解决方案，提供可复用的实践经验。

演讲提纲：

1. 分析当前数字化转型中，业务与技术融合的发展趋势
   • 数字化转型创新点、大数据和AI在业务转型中的落脚点
   • 围绕业务价值能力提升点
2. 智能化应用和业务架构演变的依赖关系
   • 解决痛点问题（业务视角，三高一低，高复杂度、高割裂性、高重复性、低决策效率）
3. 技术范式升级——从RAG到Agentic RAGRAG 1.0 
   • 解决知识时效性和幻觉问题，但仍是“被动问答工具”
   • 企业运营环节中下一步聚焦的方向和演进路径
4. Agentic RAG：引入规划、工具调用、记忆、反馈机制，实现从“工具”到“主动解决问题”的智能体、智能体群
   • 业务智能体群架构设计，业务智能体群整体分层架构（4层模型）及案例；
   • 核心组件解耦与协作机制Agentic RAG层的深度优化与实践企业级知识体系的“分层与路由”工程
   • 高精度检索的“混合策略”与“后处理”工具调用的工程化管理
   • 多智能体协同的复杂业务流程落地案例拆解
5. 业务价值、挑战与未来展望
   • 企业运营管控问题优化着落点，十五五期间重点方向、运营成本优化任务的协同流

听众收益：

• 掌握Agentic RAG在企业级知识体系中的工程化实践，包括知识分层、混合检索调优、后处理优化链的构建
• 深入理解多智能体协同架构的设计精髓，掌握主控Agent与专业Agent的角色分工、基于结构化数据的通信协议、以及复杂任务的状态机流转设计
• 借鉴采购全流程的实战案例，了解如何构建鲁棒的、具备闭环优化能力的业务智能体群，并解决工具调用、安全合规等工程化难题

大模型感知、理解、推理和生成能力的不断提升，为构建新一代供应链决策系统提供核心驱动力。我们在供应链管理的多个环节通过应用大模型技术实现人与 AI 的协同。在销量预测环节，自研的 TimeHF 时序大模型能够捕捉时序数据更多的信息，覆盖京东不同场景的预测，可扩展性强、零样本预测能力强。在供应链计划环节，通过多智能体实现库存诊断、销售分析、计划自动纠偏，增强计划的敏捷性和弹性。在此基础上，我们进一步探索构建了覆盖库存管理全流程的智能体系统，希望为供应链 +AI 提供新的解决方案，实现“感知 - 决策 - 执行 - 校正”一体化的智能供应链新范式。

演讲提纲：

1. 供应链面临的挑战与机遇
   • 挑战：海量信息、模式复杂
   • 机遇：大模型为构建感知、决策、优化的智能体提供了核心驱动力
2. 在销量预测环节落地实践
   • 时序大模型：大尺寸模型能够捕捉时序数据更多的信息，覆盖京东不同场景的预测，可扩展性强、零样本预测能力强。
3. 在供应链计划环节落地实践
   • 计划智能体：通过模块化智能体实现复杂供应链任务的自动分解与执行，具备意图理解精准、任务分解灵活、代码生成可解释、闭环优化自适应等特点。
4. 在库存管理全流程的落地探索
   • 库存管理智能体：基于多智能体系统实现个性化规则与参数管理
5. 总结和展望

听众收益：

• 了解大模型、Agent等前沿技术在应用落地过程中遇到的问题与解决思路
• 了解大模型在供应链管理中各环节的应用场景、问题与解决思路