随着大模型能力向终端渗透，Agentic 终端正成为 AI 应用落地的重要形态。如何构建端云协同的 Agentic 能力，实现跨设备、跨场景的一致智能体验，是行业面临的关键挑战。

支付宝 xUI 是面向 AI 应用场景构建的端云协同 Agentic 智能化框架与运行时。目前已支撑支付宝 AI 版、金融理财、出行医疗等业务场景，并实现跨厂商、跨终端协作。通过统一协议、运行时交互框架及关键技术创新，xUI 构建了端云一体的 AI 服务基础设施，为大规模 AI 应用落地提供支撑。

演讲提纲

1. AI Agent 时代的终端命题
   • AI Agent 技术发展演进历程
   • 移动端 Agent 的应用场景
   • 支付宝的 Agentic 终端实践
2. Agentic 终端工程与技术挑战
   • 核心痛点：大模型与终端工程体系的融合
   • 传输：流式多模态实时传输技术 -> 跟 Agent 通信
   • 表达：生成式可交互 UI 与音视频通话技术 -> 和 Agent 交互
   • 执行：终端 MCP、UI Agent 执行技术 -> 使 Agent 办事儿
   • 多端：AHA 智能体互联技术 -> 多 Agent 协同
3. 回顾与展望
   • 支付宝 xUI -> AI 时期终端的Agentic框架
   • 终端 Agent 技术与产品发展展望

这样的技术在实践过程中有哪些痛点？

• 大模型与Agent的能力，在近两年，变化极快，终端的技术演进，如何能够匹配支撑到这个变化的速度，使得AI应用能够快速演进落地，是需要打破过去大家对客户端技术的一些“刻板印象”“故有边界”，以更灵活更开放的视角来看待AI时代的技术演进方案。

听众收益

• 以支付宝“阿宝”、蚂蚁“阿福”为例，亿级用户现象级APP，在 AI 原生化演进方向的真实线上实践经验。
• Agentic 终端场景落地，关键的技术思考和演进方向。

AI 时代，应用正在从“用户主动打开的 App”演进为“系统 Agent 可理解、可调用、可编排、可安全执行的服务能力”。本次演讲将从面向AI时代的鸿蒙原生智能 OS 的构建视角出发，围绕系统智能体、端侧推理、可信安全和生态应用协同，结合 OpenHarmony Agent TSG 正在推进的三个生态实践展开。

• 第一，OpenDesk 办公智能体，面向华为鸿蒙 PC 推进落地和适配，联合生态厂商 App，将文档、会议、邮件、知识库、日程、审批等办公能力接入 Agent 工作流，探索鸿蒙 PC 上的 AI Native 办公体验。
• 第二，SmartServe 系统级 AI Runtime，结合运动健康 App 场景，探索跨平台端侧推理、多模型统一接入和低成本 AI 能力复用，帮助应用解决模型碎片化、推理适配复杂和 AI 成本问题。
• 第三，端侧机密风控引擎，面向京东、支付宝等高价值应用场景，探索系统与三方应用共建安全可信、反诈识别和高风险行为治理能力。

核心观点是：入鸿蒙不是终点，应用的下一步是成为系统 Agent 可理解、可调用、可编排、可跨设备、安全执行的 AI Native Service。

演讲提纲

1. AI 原生终端正在到来
   • 操作系统正在从 App 运行环境，升级为理解意图、调用能力、编排任务、完成服务闭环的智能底座。
2. 应用厂商的真实痛点
   • 厂商关心的不只是入鸿蒙适配，更关心迁移成本、AI 成本、端侧推理、隐私安全、工具调用风险和业务增量。
3. 开源鸿蒙原生智能 OS 的核心思路
   • 不是让每个 App 单独做 AI，而是把 Agent、推理、调度、安全、多设备协同沉淀为系统级公共能力，帮助应用低成本走向 AI Native。
4. OpenDesk：面向鸿蒙 PC 的办公智能体落地
   • OpenDesk 以华为鸿蒙 PC 为重要落地形态，围绕文档处理、多窗口协同、文件管理、会议纪要、知识检索和办公工作流，与生态厂商 App 共建办公智能体验。
5. SmartServe：与运动健康 App 共建端侧 AI 能力
   • SmartServe 通过统一 AI Runtime，支撑运动分析、健康问答、个性化建议、数据摘要等场景，帮助应用降低模型适配、端侧推理和 AI 能力建设成本。
6. 端侧机密风控引擎：与京东、支付宝等共建安全和反诈能力
   • 围绕支付、交易、登录、客服、售后等高风险链路，在端侧完成隐私保护、风险识别、反诈提醒和高风险动作治理。
7. 新探索：从概率生成走向确定性执行
   • 通过 SKVM、FM-Agent 等方向，探索用形式化规约、可验证执行和任务约束机制，降低大模型概率性带来的不确定性，提升 Agent 执行的可靠性。
8. 结论：从入鸿蒙到 AI Native
   • 未来 App 不是孤立入口，而是系统 Agent 可理解、可调用、可编排、可跨设备、安全可信执行的能力集合。

实践痛点

• 迁移成本：生态厂商首先关心的是入鸿蒙工程成本，尤其是在鸿蒙 PC 形态下，如何适配窗口、多任务、文件、键鼠交互和桌面办公体验。
• AI 成本：办公、运动健康、金融、电商等应用如果各自建设模型和推理能力，成本高、复用差、维护难。
• 端侧推理：模型、引擎、芯片和平台高度碎片化，应用需要统一接口获得端侧 AI 能力。
• 隐私安全：办公数据、运动健康数据、支付交易数据都高度敏感，需要优先在端侧完成处理、保护和风险判断。
• 工具调用风险：Agent 调用 App 能力后，会带来误操作、越权调用、诈骗诱导、支付风险和责任边界问题。
• 新流量入口：未来服务入口可能来自 OpenDesk、鸿蒙 PC 桌面智能入口、系统 Agent、全局搜索和多设备协同，而不只是 App 图标。

听众收益

1. 了解鸿蒙生态体系下应用 AI Native 的演进方向
   • 理解 App 如何从页面和功能，升级为系统 Agent 可理解、可调用、可编排的能力图谱。
2. 看到开源鸿蒙原生智能 OS 的实操路径
   • 通过 OpenDesk、SmartServe 和端侧机密风控引擎，理解系统智能体、端侧推理和可信安全如何真正进入生态应用场景。
3. 获得可参与的生态合作入口
   • 生态厂商可以从鸿蒙 PC 办公能力接入、端侧推理复用、安全风控共建三个方向参与 OpenHarmony AI Native 生态建设。

生成式 AI 仅用 3 年达到 53% 人口渗透率，成为人类历史上普及最快的技术；但 88% 的企业采用率与仅 6% 的规模化成功率之间存在巨大剪刀差——大多数 AI 产品仍停留在“AI 贴片”阶段，用移动互联网时代的思维打造 AI 时代的产品。

本次分享将从人机交互范式跃迁的底层视角出发，结合演讲者 20 年产品实战经验（历经 PC、移动、AI 三个时代，负责多款产品从 0 到 1、从 1 到 100）及近三年 All in AI 的一线实践，系统解析 AI 原生产品的定义标准、形态选型框架与用户体验重构方法论。

分享内容既包括“AI 原生四问”“信任阶梯”“形态选型矩阵”等可落地的原创方法论，也涵盖 ChatGPT、Cursor、Lovable 等业界标杆案例，以及斯坦福 AI Index、Gartner、麦肯锡等权威机构数据，并结合端智能与端云协同的技术底座，与从业者共同探讨 AI 原生产品的演进方向。

演讲提纲

1. 范式转移：从"AI贴片"到AI原生
   • 行业现状
     • 斯坦福AI Index 2026：生成式AI 3年达53%人口渗透率，组织采用率88%，客服与研发场景提效14%-26%
     • 麦肯锡《State of AI 2025》：88%采用率 vs 约6%规模化成功——采用不等于成功
     • Gartner：超40%的Agentic AI项目将于2027年底前取消；数千家Agent厂商中仅约130家符合真实定义（Agent Washing）
   • 问题诊断
     • “AI 贴片”现象：旧产品骨架 + 聊天框，宣布完成 AI 化。
     • 历史类比：2010 年移动 App 只是把网页缩小，直到 Uber、Instagram 出现，才诞生真正的 Mobile Native。
     • 核心论点：AI 产品失败很少是模型能力不足，绝大多数问题来自产品形态与体验设计。
2. 什么是AI原生产品：定义与检验标准
   • 交互范式的三次跃迁
     • CLI（人适应机器）→ GUI（机器适应操作）→ LUI意图界面（机器理解意图）
     • 设计对象的根本更换：从"页面和流程"到"意图和结果"
   • AI原生四问（判断框架）
     • 抽掉AI，产品还成立吗？（AI是发动机还是装饰件）
     • 交互起点是"意图"还是"功能入口"？
     • 交付的是"结果"还是"工具"？
     • 产品是否越用越聪明？（上下文与数据飞轮复利）
   • 商业模式的同步重构
     • Software as a Service → Service as a Software：按席位收费走向按任务、按结果收费
     • 业界实践：ChatGPT三年月活破10亿（史上最快）；Cursor ARR 17个月从1亿增至约40亿美元、被SpaceX约600亿美元收购；Lovable 8个月ARR破1亿美元；企业级GenAI支出2025年达370亿美元、同比增长3.2倍（Menlo Ventures）
3. 产品形态选型：图谱、矩阵与决策树
   • AI原生产品的四种形态
     • 对话式助手（Chat）/ 副驾驶（Copilot）/ 智能体（Agent）/ 生成式应用与隐形AI（Generative & Ambient）
     • 演进方向：Gartner预测2028年33%企业软件内置Agentic AI、15%日常工作决策自主完成
   • 形态选型矩阵（选型框架）
     • 两个维度：任务容错率 × 任务自主性
     • 高容错+高自主→Agent；低容错+低自主→Copilot；警惕“低容错 + 高自主”的死亡象限
     • 反共识判断：不要追形态的"新"，要追形态的"匹配"
   • 选型决策树（落地工具）
     • 意图能否一句话说清 → 出错代价能否承受 → 结果确定性还是开放性
   • 实践案例
     • 同模型、同场景，从全自动Agent退回到对话式引导+分步确认，用户满意度提升一个量级：模型没变，形态变了，产品就活了
4. 用户体验重构：从设计效率到设计信任
   • 传统UX vs AI原生UX的六维对比
     • 交互起点、系统行为（确定性vs概率性）、设计对象、用户角色、核心价值、度量指标
   • 核心命题转变
     • 确定性系统设计易用性，概率性系统设计信任；信任既不能不足也不能过度——信任校准是AI原生UX的第一命题
     • 信任阶梯（Autonomy Ladder）四阶段：AI建议人执行 → AI执行人确认 → AI执行人抽查 → AI自主人设边界
     • 好产品陪用户“渐进式放权”，而非要求一步到位全信任
   • 六条设计原则：意图优先 / 结果交付（思考过程是这个时代的加载动画）/ 可控可回滚 / 透明可解释 / 记忆与个性化（真正的留存引擎）/ 为失败设计（不出错是运气，出错不翻车才是设计）
   • 技术底座：端智能与端云协同
     • 体验原则对架构的必然要求：更低延迟、更便宜算力、更可信隐私
     • 端侧做感知、记忆与即时响应；云侧做深度推理与复杂编排；模型路由按任务复杂度动态调度
     • 上下文工程、Evals评估体系、成本结构设计：模型会过时，架构与评估体系才是资产
5. 度量、避坑与未来展望
   • AI原生产品的新度量体系：任务完成率 / 人工接管率与结果采纳率 / 结果交付时长 / 放权深度（用户在信任阶梯上的位置迁移）
   • 五个最常见的坑：把聊天框当AI原生 / 过度承诺全自动 / 忽视成本结构 / 没有Evals就上线 / Agent Washing
   • 三个未来判断
     • 产品的尽头是“无形”：最好的交互，是交互消失在意图与结果之间。
     • 竞争壁垒从功能迁移到上下文与信任
     • 产品经理的核心能力从“设计流程”升级为“设计人机协作关系”。
   • 结语：从“AI 贴片”到 AI 原生，产品形态与用户体验的重构，需要产品方法论、技术架构与信任设计三者共振。AI原生不是给产品加上AI，而是用AI重新回答一个问题——这个产品为什么值得存在。下一个十年的产品赢家，或许始于今日对“意图与结果”的重新理解。

听众收益

在未来越来越多的OPC时代/超级个体时代，更多有职场经验的人面临 AI 时代的人生重构，将会有越来越多的人从事 AI 原生的创业或者探索，在这个过程中如何理解 AI 原生在产品落地过程中的应用，希望他能获得：

• 如何打造一个AI原生的商业化产品
• 一个从用户视角定义AI原生应用的N种可能性