作者｜ 王志宏

編輯｜李忠良

策劃｜AICon 全球人工智能開發(fā)與應(yīng)用大會

在 AI 私有化浪潮席卷實體工業(yè)的今天，算力基礎(chǔ)設(shè)施的易用性已成為企業(yè)轉(zhuǎn)型的“入場券”。然而，一個冷酷的現(xiàn)實是：技術(shù)實現(xiàn)雖已日趨成熟，前端需求的“爆發(fā)”卻意外撞上了后端產(chǎn)研評估的“帶寬墻”。海量的非標需求、碎片化的評估反饋、以及高頻的跨部門消耗，正成為阻礙 AI 項目規(guī)?；涞氐臒o形枷鎖。

為了打破這種“算力雖強，評估太累”的困局，商湯大裝置構(gòu)建了全鏈路的解決方案智能體（Solution Agent）。這不只是一個簡單的文檔生成工具，更是一套從非結(jié)構(gòu)化數(shù)據(jù)解析、供需匹配建模到多維合規(guī)審計的工業(yè)化流水線。

InfoQ 榮幸邀請到王志宏在AICon 全球人工智能開發(fā)與應(yīng)用大會上分享了《從需求到投標：數(shù)據(jù)驅(qū)動的智能技術(shù)方案生成 Agent 實戰(zhàn)》，他將深度復(fù)盤這一方案的研發(fā)邏輯與技術(shù)硬核，探討如何利用 LazyLLM 框架實現(xiàn)低成本、高性能的 Agent 開發(fā)；如何通過子任務(wù)拆解策略攻克長文本生成的質(zhì)量瓶頸；以及我們是如何用不到一張電影票的 Token 成本，換取一場售前評估與標書生成的效能革命。

以下是演講實錄（經(jīng) InfoQ 進行不改變原意的編輯整理）。

AI 私有化浪潮下的研發(fā)評估困境

隨著 AI 的快速發(fā)展，各行各業(yè)都在推進 AI 轉(zhuǎn)型，很多項目如果不涉及 AI，往往很難獲得預(yù)算和落地機會。因此，大量企業(yè)開始提出 AI 私有化需求。在這個過程中，我們的售前團隊需要在不同企業(yè)之間頻繁溝通，收集各類需求；而這些需求匯總到產(chǎn)研側(cè)后，就需要快速評估這些項目是否在我們的能力范圍內(nèi)、是否可做，以及具體應(yīng)該如何做。對產(chǎn)研來說，這帶來了很大的壓力。

當前的核心瓶頸，已經(jīng)不再是技術(shù)能力是否足夠，而是我們是否有足夠的帶寬去評估這些項目。在這樣的情況下，研發(fā)節(jié)奏會受到明顯干擾。最開始大家還會比較耐心地參與評估，與非技術(shù)同學(xué)溝通，但隨著時間推移，這種耐心會逐漸下降，溝通質(zhì)量和研發(fā)體驗也會受到影響。

從實際情況來看，評估環(huán)節(jié)主要面臨幾個問題：

首先，需求和產(chǎn)品相關(guān)的數(shù)據(jù)量都非常大，每個新需求都需要在很短時間內(nèi)完成判斷和方案設(shè)計；其次，公司的知識是分散的，包括已有產(chǎn)品、過往案例以及技術(shù)能力，售前和銷售同學(xué)很難全面掌握，只能頻繁依賴研發(fā)；最后，在客戶溝通和投標過程中，涉及大量細節(jié)，進一步增加了協(xié)作成本。這些問題共同導(dǎo)致，售前和研發(fā)都承受較大壓力，評估效率和溝通質(zhì)量也受到影響。

我們的解決思路是，通過一個 Agent 來幫助分析客戶需求，自動生成相對完整的解決方案，并進一步生成標書。

解決方案更多是面向內(nèi)部的，當我們希望推進一個項目時，需要先在公司內(nèi)部完成立項論證，證明這件事情能不能做、以及具體怎么做。在這個過程中，通常需要明確會選擇哪些產(chǎn)品進行組合、各個產(chǎn)品的能力覆蓋范圍如何、是否涉及定制開發(fā)，以及整體的成本情況，這些內(nèi)容主要是用于支撐內(nèi)部決策。

而標書則是面向客戶的交付材料。在標書中，很多內(nèi)部細節(jié)是不會體現(xiàn)的，例如某些能力如果無法通過標準產(chǎn)品滿足、需要進行定制開發(fā)，這類信息一般不會直接寫入標書。

因此，我們的解決方案 Agent 主要聚焦兩個方向：一方面是生成解決方案，用于支持內(nèi)部的立項與評估；另一方面是在此基礎(chǔ)上生成標書，

構(gòu)建供需適配的自動化中樞

在構(gòu)建“解決方案智能體”的過程中，首要任務(wù)是明確其底層的數(shù)據(jù)支撐體系，即整合現(xiàn)有的產(chǎn)品清單、核心技術(shù)能力、歷史成功案例及交付成果，并深度對接由招標文件或前期售前調(diào)研所獲取的客戶原始需求。

從產(chǎn)品經(jīng)理的視角出發(fā)，該 Solution Agent 的核心定位是幫助售前項目經(jīng)理、交付負責(zé)人及咨詢顧問等業(yè)務(wù)人員，通過自動化手段協(xié)助其精準評估需求，并產(chǎn)出高可靠性的解決方案與投標材料。需要明確的是，Agent 設(shè)計邊界聚焦于支撐項目立項、評審及投標等商務(wù)決策環(huán)節(jié)，而非生成可直接執(zhí)行或編寫代碼的落地方案。

在核心功能模塊的設(shè)計層面，系統(tǒng)將聚焦于對客戶需求的精準洞察以及對自有產(chǎn)品矩陣的深度解析，對比分析實現(xiàn)供需雙向的適配性校驗，然后自動輸出詳盡的可行性評估報告，并最終生成解決方案與投標文件。

在整體方案設(shè)計上，首先通過提取產(chǎn)品說明書核心信息構(gòu)建產(chǎn)品知識庫，并將用戶需求轉(zhuǎn)化為結(jié)構(gòu)化的需求清單，其次進行供需匹配分析，隨后基于匹配結(jié)果生成解決方案與投標材料。最后，引入 AI 審核機制，根據(jù)評審意見對輸出內(nèi)容進行重新修改。

產(chǎn)品和需求文檔分析

在關(guān)鍵技術(shù)實現(xiàn)上，系統(tǒng)首先需對 Word、PDF 及 Excel 等多格式的產(chǎn)品與需求文檔進行深度解析。針對資料特性的不同，采取差異化的權(quán)重處理策略：將 One-page 視為核心宏觀定義，功能清單作為概括性信息，而詳盡的圖文手冊則作為細粒度支撐。通過信息提取與維度對齊，系統(tǒng)對產(chǎn)品功能進行分級建模，將復(fù)雜的多級功能點轉(zhuǎn)化為結(jié)構(gòu)化的數(shù)據(jù)描述，最終構(gòu)建形成標準化的產(chǎn)品功能庫并入庫。

在技術(shù)實現(xiàn)層面，針對結(jié)構(gòu)化較好的 Excel 資料，通過文本切片結(jié)合大模型提取，即可獲得理想效果，而 Word 或 PDF 等文檔因功能層級模糊、內(nèi)容分散，需預(yù)先進行標題樹與節(jié)點分析以重構(gòu)層級邏輯，從而確保功能抽取的準確性。在提取核心功能的同時，系統(tǒng)會同步抽取部署需求、國產(chǎn)化支持等元數(shù)據(jù)，實現(xiàn)功能的聚合。

隨后，我們對產(chǎn)品清單實施“先分類、后聚類”的策略，將產(chǎn)品劃分為 IaaS（算力與云管）、PaaS（模型管理與部署）及應(yīng)用層（終端應(yīng)用）三個維度，并針對品類繁雜的應(yīng)用層進行層內(nèi)聚類，最終構(gòu)建起一套“分層 + 聚類”的標準化產(chǎn)品清單，為后續(xù)的需求精準對標提供核心支撐。

本方案的核心關(guān)鍵點包括：首先，必須強化產(chǎn)品手冊的目錄解析，以確保功能抽取的邏輯性并提升后續(xù)匹配的精準度；其次，應(yīng)對產(chǎn)品實施“先分層、后聚類”的體系化分類；同時，需精準提取業(yè)務(wù)約束與元信息；最后，通過構(gòu)建知識持久化管理機制，實現(xiàn)知識庫的高效復(fù)用。

在實驗場景下，處理一份約 50 頁的產(chǎn)品文檔需消耗約 30 萬 Token，處理耗時約 15 分鐘，資源與時間成本較高。

需求文檔的處理流程與產(chǎn)品文檔基本一致，但無需聚類，側(cè)重于直接解析。此外，基于內(nèi)部實踐經(jīng)驗，系統(tǒng)需針對項目周期、預(yù)算等關(guān)鍵要素對需求清單進行深度追問與澄清，以規(guī)避因信息缺失導(dǎo)致的后續(xù)迭代風(fēng)險。通過在前期引入這種澄清機制，解決方案智能體能夠更精準地洞察需求，從而輸出更高質(zhì)量的解決方案。

輸出展示層面如上圖所示，左側(cè)呈現(xiàn)需求解析結(jié)果，包含元數(shù)據(jù)及逐項提取的功能層級，以規(guī)避匹配過程中的層級錯位；右側(cè)展示基于 IaaS 層、MaaS 層及應(yīng)用層的產(chǎn)品聚類方案，旨在為每類功能精準推薦最優(yōu)產(chǎn)品。

為實現(xiàn)工程化落地與產(chǎn)品化復(fù)用，系統(tǒng)引入了完善的知識管理機制：產(chǎn)品數(shù)據(jù)被納入知識庫進行持久化管理，而用戶需求則通過臨時緩存處理，在保障數(shù)據(jù)隱私的同時，通過復(fù)用既有計算結(jié)果提升對重復(fù)需求的響應(yīng)效率，最終形成“產(chǎn)品入庫、需求緩存”的高效數(shù)據(jù)管理模式。

在技術(shù)實現(xiàn)的代碼層面，我們選用了 lazyllm 框架以支持知識庫的產(chǎn)品文檔復(fù)用，該框架具備邏輯簡潔且直觀的優(yōu)勢；通過其內(nèi)置的 JSON extractor 結(jié)合提示詞引導(dǎo)，系統(tǒng)能夠精準提取所需的 JSON 字段，并配合自定義節(jié)點組完成數(shù)據(jù)入庫操作。

產(chǎn)品與需求的數(shù)據(jù)匹配和分析

基于已構(gòu)建的產(chǎn)品知識庫，系統(tǒng)進入數(shù)據(jù)分析與匹配階段。首先根據(jù)產(chǎn)品分類與聚類邏輯，將需求清單拆解至對應(yīng)的技術(shù)層級，并在各層級內(nèi)部通過功能清單匹配進行量化評分，從而篩選出各層權(quán)重最高的最優(yōu)候選產(chǎn)品。

這樣做的好處尤為明顯，那就是即便面對跨層級的復(fù)雜需求，系統(tǒng)也能通過極簡的產(chǎn)品組合實現(xiàn)全功能覆蓋，有效避免了因選擇過多零散產(chǎn)品而導(dǎo)致的方案冗余與架構(gòu)碎裂化。

在匹配邏輯的關(guān)鍵點上，系統(tǒng)首先依據(jù)產(chǎn)品分類對需求進行維度切分，并逐層開展精準匹配以選定最優(yōu)產(chǎn)品；同時，通過提取需求與產(chǎn)品元數(shù)據(jù)，系統(tǒng)能夠?qū)崿F(xiàn)前置過濾機制，例如當產(chǎn)品無法滿足國產(chǎn)化等硬性約束需求時，該產(chǎn)品將在匹配階段被直接排除，從而確保候選方案的合規(guī)性。

此外，系統(tǒng)還結(jié)合能力清單進行定制化開發(fā)評估，量化產(chǎn)出研發(fā)周期與人力成本估算。根據(jù)實驗統(tǒng)計，單次完整匹配流程約消耗 50 萬 Token，耗時約 30 分鐘，其輸出成果直觀展示了產(chǎn)品的綜合評分摘要及詳細的功能匹配度分析清單。

在工程化層面，鑒于產(chǎn)品文檔具備動態(tài)增刪與實時更新的特性，系統(tǒng)未對多源文檔進行整體聚合，而是采用了基于優(yōu)先級的順序匹配策略。在匹配過程中，系統(tǒng)會依據(jù)文檔權(quán)重進行逐級檢索：優(yōu)先在高優(yōu)先級文檔中確認功能滿足度，若未命中，則按序順延至低優(yōu)先級文檔，直至完成功能對標。

數(shù)據(jù)驅(qū)動的智能生成

在智能生成維度，行業(yè)實踐證明單次生成長文本易導(dǎo)致數(shù)值偏差，進而質(zhì)量失控。為此，我們進行了子問題的拆解，通過合并長文本的多級標題來構(gòu)建獨立的子生成任務(wù)，并由獨立智能體驅(qū)動執(zhí)行。

根據(jù)任務(wù)需求，智能體可靈活調(diào)用直接填充、RAG 檢索增強、聯(lián)網(wǎng)搜索，或利用具備自我規(guī)劃與代碼生成能力的復(fù)合型 Agent 進行深度處理，確保了產(chǎn)出結(jié)果的專業(yè)性與可靠性。

在智能生成的關(guān)鍵點中，系統(tǒng)首先利用 Planner 生成子問題，并通過工具集協(xié)同解決；針對長篇幅的技術(shù)方案，采取標題合并策略將大標題與子標題整合為單一子任務(wù)，遞歸調(diào)用生成器產(chǎn)出文段，并在精煉處理后完成文本回填。

在效率表現(xiàn)上，生成 10 萬字標書與 4 萬字解決方案分別約耗時 2.5 小時與 2 小時，耗時主要集中在子問題的生成與解決環(huán)節(jié)。盡管系統(tǒng)已引入并行處理策略，但整體生成周期仍較長。

在該場景下，我們復(fù)用前述通用生成能力，通過嚴格的邏輯組織確保方案與標書契合標準化模板要求，并堅持有據(jù)可依以保障數(shù)據(jù)真實性。同時，引入風(fēng)格轉(zhuǎn)換機制使生成內(nèi)容符合行業(yè)標準書面語范式。在工程實現(xiàn)上，為避免針對特定場景產(chǎn)生不可復(fù)用的冗余代碼，我們采取“通用能力構(gòu)建結(jié)合場景化適配”策略。

如上圖在成果展示中，左邊是模板，右邊是生成內(nèi)容，系統(tǒng)通過對標模板進行自動化內(nèi)容填充。另外針對大模型原生輸出往往存在的信息冗余或非必要的社交辭令，系統(tǒng)會通過該機制結(jié)合上下文對內(nèi)容進行去冗與重構(gòu)，確保最終生成的語言組織嚴謹，且符合標書及解決方案的專業(yè)標準。

數(shù)據(jù)約束的文案校驗

在審核機制的設(shè)計上，系統(tǒng)將其劃分為基礎(chǔ)審核與場景審核兩大部分：前者涵蓋語法語義、錯別字、標點符號及上下文一致性，并包含通用能力支撐下的場景化合規(guī)審計；

為提升審核效能，系統(tǒng)利用節(jié)點樹將文本拆分為全文、段落、句子等多粒度節(jié)點，并依據(jù)審計類型靈活匹配。針對特定業(yè)務(wù)場景，系統(tǒng)重點加強了對“廢標項”的合規(guī)響應(yīng)審查及功能點真實性的閉環(huán)校驗，嚴禁虛假應(yīng)標。

在審核環(huán)節(jié)，系統(tǒng)遵循“非必要不使用大模型”的原則，針對字詞、語法及標點符號等基礎(chǔ)檢查，優(yōu)先利用傳統(tǒng)工具以規(guī)避大模型在準確度及響應(yīng)速度上的局限性，而將大模型的核心能力應(yīng)用于上下文一致性、合規(guī)性及廢標項識別等復(fù)雜維度。針對 Pycorrector 庫在語法審核中誤報率較高的挑戰(zhàn)，系統(tǒng)引入了大模型復(fù)審機制，通過對初步檢索結(jié)果進行二次校驗與去偽，有效剔除了虛假錯誤項，最終確保產(chǎn)出高質(zhì)量且精準的問題清單。

審核流程的關(guān)鍵點是系統(tǒng)首先通過構(gòu)建多粒度的節(jié)點樹以支持差異化審計需求，并配合多維度并行審核策略提升處理效能；同時，在強化場景審核以確保內(nèi)容準確性的基礎(chǔ)上，引入大模型復(fù)審機制以保障審核結(jié)果的可靠度。經(jīng)實驗測算，針對 10 萬字規(guī)模的投標文件，全流程審核任務(wù)約需消耗 200 萬 Token，總耗時約 1.1 小時。

如上圖為輸出展示，審核展示的數(shù)據(jù)結(jié)構(gòu)涵蓋了問題類型、描述、重要程度、原文定位及修改建議等。

以具體案例說明，當標書中出現(xiàn)“AI 龍頭企業(yè)”等違反《廣告法》的表述時，合規(guī)審查模塊將精準攔截該違規(guī)項，并提示將其修改為“支柱企業(yè)”或“政府重點扶持企業(yè)”等符合法律規(guī)范的描述，從而確保投標材料的合規(guī)嚴謹。

基于審核反饋的迭代優(yōu)化

在校對改寫環(huán)節(jié)，系統(tǒng)首先對審核意見進行分類處理：針對附帶明確修改建議的意見，直接調(diào)用大模型潤色回填；對于復(fù)雜改寫需求，則復(fù)用生成邏輯，通過子問題拆解與迭代生成完成內(nèi)容重構(gòu)。

改寫完成后進入全文復(fù)核階段，利用大模型對文檔的層級結(jié)構(gòu)、數(shù)據(jù)連貫性、引用一致性及過渡銜接進行統(tǒng)一優(yōu)化。在最終復(fù)核階段，系統(tǒng)完全依托大模型能力對全文進行整體潤色，無需進行子任務(wù)分解。

其關(guān)鍵點在于：首先分類匯總審核意見，并針對不同類別匹配差異化的潤色與回填工作流；其次，深度復(fù)用生成工具鏈以閉環(huán)解決子問題；最后，通過全局復(fù)核確保文檔的邏輯一致性與敘述連貫性。性能方面，針對上述含有約 190 條審計意見的 10 萬字標書，該環(huán)節(jié)的 Token 消耗約為 150 萬，整體處理周期約為 0.8 小時。

如上圖在系統(tǒng)輸出界面中，左側(cè)展示審核意見，右側(cè)呈現(xiàn)對應(yīng)的改寫內(nèi)容，且所有修改項均通過標簽化形式進行標注，旨在工程化應(yīng)用中支持用戶在前端界面自主選擇保留或放棄修改，從而有效規(guī)避了輸出純文本時人工比對原文與修改內(nèi)容的繁瑣，并能及時糾正模型可能出現(xiàn)的錯誤。

綜上所述，全流程執(zhí)行耗時約7 小時，Token 成本約為30 元，實現(xiàn)了顯著的降本增效。

相比以往每項需求均需高度依賴專家進行分析評估及售前人員手工編制長篇材料的傳統(tǒng)模式，本方案在生產(chǎn)效率上實現(xiàn)了質(zhì)的飛躍，7 小時的處理周期支持無人值守自動化運行，僅需人工介入最終審核。

此外，針對專家資源有限及非專業(yè)人員產(chǎn)品認知差異導(dǎo)致的質(zhì)量波動，該方案通過統(tǒng)一的自動化流程與多輪嚴謹?shù)膶徍诵C制，確保了產(chǎn)出成果的高質(zhì)量一致性與準確性。

復(fù)雜場景下的技術(shù)挑戰(zhàn)與破局

第一，針對當前非結(jié)構(gòu)化文檔（如 PDF、Word 等）結(jié)構(gòu)化提取準確率較低這一行業(yè)共性挑戰(zhàn)，推薦采用商湯研發(fā)的UNIPASS工具；該工具深度融合了內(nèi)部實踐經(jīng)驗，專門面向 RAG 場景及標書、產(chǎn)品文檔的信息提取需求，通過智能布局檢測技術(shù)實現(xiàn)高質(zhì)量的內(nèi)容解析與提取。

第二，在實操過程中，針對多功能覆蓋需求導(dǎo)致的產(chǎn)品匹配冗余問題，系統(tǒng)采用“分層 + 聚類”方式，在每一類產(chǎn)品中僅篩選最優(yōu)項，有效避免了因產(chǎn)品選擇過多而導(dǎo)致的功能覆蓋碎片化。

第三，針對長文本生成效果受限的問題，系統(tǒng)通過模板切分與子任務(wù)智能拆解技術(shù)，將復(fù)雜模塊轉(zhuǎn)化為可控的生成單元。此外，方案引入了寫作智能體，通過“目錄驅(qū)動”與“上下文增強”相結(jié)合的機制，在動態(tài)調(diào)整目錄的同時實時同步上下文信息。

第四，在審核環(huán)節(jié)，針對上文歷史案例與下文技術(shù)方案不匹配導(dǎo)致審核準確率下降的問題，系統(tǒng)通過解析全局目錄樹結(jié)構(gòu)來識別段落相關(guān)性，從而過濾無關(guān)信息的干擾。同時，引入元信息定位機制，精準標注各片段在全文中的層級與位置。

在模型審核過程中，系統(tǒng)會綜合參考資料、目標文本、目錄結(jié)構(gòu)及定位數(shù)據(jù)，輸出更具針對性的審核意見。此外，通過強化段落一致性復(fù)審，進一步確保了審核過程免受非相關(guān)章節(jié)的誤導(dǎo)。

問題 5：在智能體（Agent）開發(fā)領(lǐng)域，商湯自研的LazyLLM應(yīng)用開發(fā)框架致力于實現(xiàn)低成本與高性能的平衡，有效解決了私有化過程中常見的復(fù)雜選型與環(huán)境適配痛點。它深度對齊了線上云端模型與線下本地模型的使用方式，并兼容多種主流推理框架，使開發(fā)者僅需調(diào)整極少量配置即可完成模型遷移。

其次，系統(tǒng)支持高性能文檔存儲與向量存儲的集成，允許開發(fā)者根據(jù)不同項目的需求靈活切換技術(shù)選型；例如，在面對多樣化的客戶要求時，可實現(xiàn)從 Milvus 到 ChromaDB、OceanBase，或從 Elasticsearch 到 Open Search 的便捷遷移。通過解耦特定產(chǎn)品綁定，該方案確保在實際開發(fā)與工程落地過程中，無需修改核心業(yè)務(wù)代碼，僅通過調(diào)整配置項即可實現(xiàn)技術(shù)棧的平滑切換。

此外，系統(tǒng)具備復(fù)雜應(yīng)用的一鍵部署能力。針對包含數(shù)據(jù)庫、文檔管理及大模型、嵌入模型、重排序模型等組件的 RAG 系統(tǒng)，開發(fā)者只需定義數(shù)據(jù)流 Pipeline，內(nèi)置的服務(wù)發(fā)現(xiàn)模塊即可自動識別并啟動所有關(guān)聯(lián)服務(wù)，并通過輕量級網(wǎng)關(guān)實現(xiàn)鏈路串聯(lián)；同時，系統(tǒng)支持接入 K8S 配置以利用其原生網(wǎng)關(guān)，從而實現(xiàn)工業(yè)級落地。

最后在數(shù)據(jù)處理層面，系統(tǒng)支持高度靈活的切分與解析策略定制，例如集成內(nèi)置的 JSON Rxtractor 以替代傳統(tǒng) RAG 中單一的關(guān)鍵詞或 QA 抽取模式，僅需十余行代碼即可在保持簡潔性的同時，實現(xiàn)核心組件的高度定制；同時，系統(tǒng)深度優(yōu)化了錯誤定位機制，能夠精確反饋函數(shù)參數(shù)及代碼行級的異常信息。該框架以工業(yè)落地為核心，不僅適用于 POC 快速驗證，更已全面應(yīng)用于公有云服務(wù)的算法開發(fā)，并在高并發(fā)架構(gòu)與橫向擴展性能上經(jīng)過了大規(guī)模生產(chǎn)環(huán)境的深度驗證。

從工具到生態(tài)的閉環(huán)藍圖

展望未來，我們將持續(xù)優(yōu)化系統(tǒng)性能與生成效果，并深度結(jié)合客戶反饋迭代場景化模型，構(gòu)建從業(yè)務(wù)復(fù)盤到算法進化的持續(xù)反饋閉環(huán)。在發(fā)展戰(zhàn)略上，我們將并行推進開源化與產(chǎn)品化：目前LazyLLM框架已正式開源，我們將對解決方案 Agent 進行工程化與標準化重構(gòu)，并逐步開源其核心技術(shù)。同時，為提供端到端的應(yīng)用體驗，該 Agent 將深度集成至商湯大裝置“萬象”產(chǎn)品體系中。

嘉賓介紹：

王志宏，商湯科技大裝置研發(fā)總監(jiān)，曾擔任商湯自研的 AI 訓(xùn)練框架 SenseParrots 的研發(fā)負責(zé)人，目前負責(zé)商湯的私有化 AI 項目交付，并主導(dǎo)開源項目 LazyLLM 的技術(shù)研發(fā)與生態(tài)建設(shè)。深耕 AI 領(lǐng)域多年，具備豐富的 RAG 和 Agent 的實踐經(jīng)驗，推動數(shù)十家企業(yè)實現(xiàn) AI 應(yīng)用落地。

會議推薦

世界模型的下一個突破在哪？Agent 從 Demo 到工程化還差什么？安全與可信這道坎怎么過？研發(fā)體系不重構(gòu)，還能撐多久？

AICon 上海站 2026，4 大核心專題等你來：世界模型與多模態(tài)智能突破、Agent 架構(gòu)與工程化實踐、Agent 安全與可信治理、企業(yè)級研發(fā)體系重構(gòu)。14 個專題全面開放征稿。

誠摯邀請你登臺分享實戰(zhàn)經(jīng)驗。AICon 2026，期待與你同行。