本次演讲将介绍阿里云智能服务域专家解题能力是如何通过 Personal Agent 放大的。首先介绍阿里云的客户服务的背景与在规模、质量、效率方面的挑战;所以,为了更好的提升阿里云服务专家解决问题的能力、服务效率和服务质量,我们设计了阿里云服务域的垂类 Personal Agent,通过注入领域垂类 Skill、Knowledge、Memory、Sub-Agent,来实现的更适合服务专家的AI助手。然后,介绍基于Personal Agent的全新服务模式,在处理用户工单的时候,Personal Agent 可以伴随式提供复杂推理、工具调用、诊断检索等操作,并给出各类判断结论,同时,服务专家可以快速指引、纠偏让 Agent 给出更符合预期的响应,并通过安全护栏来做自动化决策判断,提供更加可信的处理模式。之后,会重点介绍在这个过程中 Personal Agent 是如何通过 Memory 自进化机制持续学习专家行为习惯,进一步提升解决问题的效率。面对服务专家大量隐性经验难以沉淀、人工编写静态文档既慢又易过时、AI产品迭代快、活动规则频繁变更等痛点,分享 Personal Agent 的 Skill、Knowledge 层面如何自动化感知变化、定时更新,把经验沉淀周期从周级压缩到小时级。最后,演讲将结合专家能力放大、Memory、Skill等构建与自进化机制的实践,呈现生产环境中的落地效果。v
演讲提纲
- 阿里云智能服务的业务挑战与演进过程
- 规模挑战:服务需求持续增长,人力无法线性增长
- 质量挑战:技术复杂度高,专家经验高度隐性
- 效率挑战:泛 MaaS 产品迭代快,客户新问题持续涌现,知识经验难以跟上迭代
- 演进过程:从 Chatbot 到 Copilot,再到自主协同的 Personal Agent
- 通过 Personal Agent 放大专家解题能力
- 工作方式跃迁:从“1 位专家 × 1 个工单”到“1 位专家 × N 个 Personal Agent × N 个工单”
- 自动化质量护栏:按每轮动作判别风险,动态分派,实现精准提效
- 专家与 Personal Agent 的在线协同干预及 Memory 自学习
- 协同干预:服务专家在 Agent 处理工单时,引导其复杂推理、工具调用、诊断检索等动作,通过指引和纠偏,让 Agent 产出更符合预期的响应结果
- Memory 自学习:实时自动学习专家的引导和操作过程,让 Agent 在下一次处理同类问题时更精准
- 离线持续沉淀专家经验,构建 Personal Agent 资产
- 显性知识:从专家文档、帮助文档、历史工单中持续沉淀 Knowledge
- 隐性经验:将专家隐性经验、SOP 与工具自动化转换为 Skill,并通过数据飞轮反馈持续迭代
- 可控自进化:通过 Self-Evolve Engine 收集、提取、聚合多源数据,结合查重、冲突检测、保鲜等技术,持续更新知识与业务流程,淘汰失效和错误信息
- 进化闭环:生成候选版本,经过沙箱验证、人工审核与部署,让 Agent 版本持续可控收敛
- 阿里云服务领域 Personal Agent 实践经验总结
- 服务域经验:围绕提升专家解题力,从服务模式、知识沉淀、Agent 进化等层面开展 AI Native 探索,通过人机协同持续提升服务质量和效率
- 企业级落地方法:通过先锋小二试点、规模化建机制、数据飞轮加速进化三个步骤,推动 AI Native 落地
听众收益
- 专家与 Agent 的协同干预机制:专家实时指引纠偏、Memory 自动学习,把隐性经验沉淀为可复用策略——可迁移到客服、运维、咨询等场景
- Knowledge 与 Skill 资产的受控自进化:从文档与工单中自动提取知识,经查重、冲突检测与沙箱验证持续保鲜,沉淀周期从周级压缩到小时级
- 生产级护栏与规模化路径:按动作判别风险、动态分派权限,加"试点→规模化建机制→数据飞轮"三步法
演讲亮点
以桌游生成、数值模拟、交互叙事场景,展示多 Agent 把开放式设计需求转化为可检查设计产物、可执行原型的过程
分享知识引导机制采样、模拟器校验、叙事状态可达性分析等技术,结合设计迭代、评估与用户研究,说明技术解决的问题、效果及边界