阿里的这个Agent OS论坛主要讲了当前AI模型的发展现状，以及阿里本身提供的AI平台的现状。 后面请了几位大厂的嘉宾讲了一下目前对AI Agent的实际场景的应用。

阿里开源大模型QWEN

1. 数据、计算与模型的协同发展

• 核心理念：数据、计算与模型的协同发展是推动技术变革的核心动力。
• 技术特点：
  • 持续演进的模型技术。
  • 爆炸性增长的数据。
  • 算法创新与突破，从数据中汲取知识。
• 云计算协同发展：
  • 大模型与云计算的协同发展，涵盖IaaS、PaaS、MaaS等层级。
  • 加速产业大模型创新。

---

2. AI驱动的产品、应用与解决方案

• 技术栈：
  • AI基础设施：
    • 异构计算。
    • 高效存储。
    • 高性能网络。
  • 各种基础模型：
    • 数据集。
    • 模型定制。
  • 模型服务平台 (Maas)：
    • 模型服务。
    • 模型评估。
    • 领域业务定制化模型。

---

3. 通义模型大家族

• 特点：
  • 全尺寸、全模态、多场景。
• 模型分类：
  • 基础模型：
    • Qwen3-Embedding、Qwen3-Reranker。
    • Qwen2.5-Math、Qwen3-Coder。
  • 垂直领域模型：
    • 图像生成（Wan-T21）。
    • 视频生成（Wan-T2V、Wan-KF2V）。
  • 横向应用模型：
    • 图像编辑（Wan-ACE）。
    • 视频编辑（Wan-VACE）。
    • 配乐生成（Wan-V2A）。

---

4. 通义千问Qwen3系列

• 最新特点：
  • 提供混合专家(MOE)与稠密模型多种尺寸选项。
  • 支持多语言（119种语言和方言）。
  • 预训练数据量提升2倍，达到约36万亿个token。
  • 结合强化学习的多阶段后训练策略。
  • 优化Agent能力，加强对MCP的支持。
• 模型尺寸：
  • Qwen3-0.68、Qwen3-1.78、Qwen3-88、Qwen3-308-A3B等。

---

5. 模型解析与优化

• 透视模型“黑箱”：
  • 基于可解释性的多语言通路重构。
  • 精准定位关键回路，进行“外科手术式”微调。
• 技术细节：
  • 映射并定位特定任务的关键路径。
  • 从层到注意力头到神经元的理解。

---

6. 多模态理解技术

• 视觉理解模型（Qwen-VL）：
  • 支持多语言文字识别（中英文、阿拉伯语、韩语等）。
  • 支持长视频解析（超过1小时）。
  • 高质量视频解析，结合AI技术提供多镜头回放与内容编辑。
• 音频理解模型（Qwen-Audio）：
  • 支持多种音频输入（语音、音乐、歌声等）。
  • 语音聊天无需通过ASR模块。
  • 支持超过8种语言和方言。

---

7. 应用场景

• 安全防护：
  • 通过安全大模型与专家模型对暴力恐怖、广告对抗、意识形态等内容进行分析。
  • 安全大模型在暗喻分析推理、暴力恐怖等场景中表现优越。
• 质量管理：
  • 零售门店巡店：智能识别垃圾堆放问题。
  • 物流配送质检：判断配送是否正确完成。

---

8. 通义万相视觉生成大模型

• 功能：
  • 提供文生图、文生视频、图生视频、首尾帧、视频重绘、视频编辑等一系列创意生成能力。
  • 全新升级基础模型，画面表现力与质感升级，支持复杂语义描述和指令生成。
  • 擅长复杂运动生成与概念组合，支持多种艺术创意风格。
• 应用场景：
  • 影视短片、广告传媒、工业设计、游戏制作、文旅、教育等领域。
• 技术亮点：
  • Diffusion Transformer架构，优化时空关系建模。
  • 视频生成能力登顶VBench评测榜单。
  • 高压缩比视频VAE技术，降低信息冗余，实现高质量重构。
• 开源进展：
  • 2025年2月25日开源，登顶Huggingface模型热榜与模型空间榜。

---

9. 通义万相特效模板

• 特点：
  • 提供30+趣味视频特效模板，支持为物体添加创意特效。
  • 可实现照片动态化，例如跳舞或做动作。
  • 模板支持个性化创意设计，激发无限可能。

---

10. 通义灵码与Qwen-Coder

• 功能：
  • 通义灵码智能编码助手提供代码补全、智能问答、文件编辑等功能。
  • Qwen-Coder支持256K上下文，具备卓越的代码生成、修复及推理能力。
• 成果：
  • 插件下载量超过2000万，为开发者编写超过30亿行代码。
  • 数据扩展至7.5TB，原生支持1M上下文。

---

11. 阿里云百炼平台

• 功能架构：
  • 提供全尺寸、全模态的基础大模型。
  • 支持MCP市场、RAG智能体、全新工作流编排等功能。
  • 提供可视化流程设计和多模态交互开发套件。
• 应用场景：
  • 智能家居、分析决策、生产管理、内容创作、搜索问答、智能营销等领域。

---

12. 教育领域创新应用

• 以模型为中心的教育解决方案：
  • 包括教学素材、题库解析、课程内容、教育行业数据等。
  • 支持微调模型托管和多模态知识检索增强。
• 教育评价智能化：
  • 作业智批：OCR手写体识别、大模型判题、对错反馈。
  • 评分过程透明化：逐行解析思维链，标注错误类型。
  • 学习建议：针对薄弱环节生成个性化提升方案。
• 作文智能批改：
  • 从“给分数”到“教写作”，提供详细的分项点评。
  • 生成作文分析报告，优化词句表达，提升整体文采。
  • 结合失分项生成改进建议。

---

13. 开源与生态发展

• 开源推动生态形成：
  • 开源降低企业使用模型的门槛，促进模型技术创新与产业应用落地。
  • 开源社区汇聚优秀开发者，推动AI技术进步。
• 魔搭社区：
  • 中国最大的模型社区，拥有1600万用户和70,000+开源模型。
  • 汇聚全球先进模型与工具，携手伙伴共建繁荣生态。

---

14. Agent范式重构与未来生态

• 发展阶段：
  • Level 1：聊天机器人。
  • Level 2：推理者。
  • Level 3：智能体。
  • Level 4：创新者。
  • Level 5：组织者。
• 特点：
  • AI从对话到行动的跃迁，Agent优先时代全面到来。

---

15. 技术发展愿景

• 以模型为中心的技术栈（Maas） 已经形成。
• 通义千问 通过多模态理解，引领视觉、语音与语言融合的技术前沿。

极氪AI智能商业框架

一、商业面临的挑战与本质

VUCA环境特征

• V (Volatile) - 易变的
• U (Uncertain) - 不确定的
• C (Complex) - 复杂的
• A (Ambiguous) - 模糊的
• B (Brittle) - 脆弱的
• N (Non-linear) - 非线性的

商业循环三要素

1. 思维 (商业创新)
2. 执行 (商业计划)
3. 结果 (商业成果)

内外部挑战

• 内在困扰: 产品力、品牌力、政策力、行业
• 外在困局: 市场趋势、技术趋势、政策趋势

二、极氪AI全链革命：智能商业框架

创新本质

Q: 创新的本质是什么？
A: 新旧要素的重新组合

双轨并行策略

AI for All (1个角色)

• 业务力: 场景覆盖度、能力存在度、流程效能度
• 专业力: 系统体验度、数据完备度、模型适配度
• 经营力: 算力调度度、安全可信度、价值贡献度

AI in All (8个步骤)

1. 明确AI目标
2. 识别AI场景
3. 重塑AI流程
4. 规划AI资源
5. 改造AI系统
6. 治理AI数据
7. 适配AI模型
8. 迭代AI运营

三、AI for All - 1个角色详解

小智AI助理定位

• 核心理念: 小智不是功能，而是你的助理！
• 角色设计: 个性化定制（性别/名称/外形等）

能力维度评估

• 场景覆盖度 - 业务力
• 能力存在度 - 业务力
• 流程效能度 - 业务力
• 数据完备度 - 专业力
• 系统体验度 - 专业力
• 安全可信度 - 经营力
• 价值贡献度 - 经营力

人机协同工作流

展示了AI助理与人类员工的协作模式

四、AI in All - 8个步骤详解

1. 明确AI目标

战略目标分类

• 市占率: 营销成功、渠道成功、品牌成功
• 服务体验: 服务体验优化、综合服务好评度提升
• 经营效率: 提升销售/交付/售后店效及人效、提升生态

具体措施

• 业务规划: 数字化保障、营销数字化、管理智能化
• 数智举措: AIGC素材中台、工牌AI辅助等
• 数智策略: 售后引入AI智能在线客服、一线和管理AI小智赋能等

2. 识别AI场景

场景分类框架

• 智力密集 + 三高场景（高频率、高能耗、高风险）
• 知识密集 + 专业密集 + 经验密集

业务流程层级

• 业务流程 (L3~L4)
• 活动 (L5)
• 任务 (L6)

典型场景案例

知识密集型 - 知识智能中枢

• 当前痛点: 知识资产利用率不足、隐性知识流失率高、数据孤岛
• AI赋能: 智能问答、智能检索、智能写作、方案推荐、智能审核
• 价值: 知
• 识高效利用、知识充分共享、知识全面沉淀

经验密集型 - 销售训战智能体

• 业务现状: 上岗培训→客户跟进→销售复盘→管理考核→培训提升
• 痛点: 知识更新快、过程管理弱、服务客户多、培训效果差
• AI解决方案:
  • 使用通义千问大模型撰写销售培训素材
  • 构建AI销售知识库助手
  • 结合数字人能力实现数字人讲师和仿真陪练

专业密集型

整车研发智能体：AI赋能汽车设计

传统模式痛点

• ❌ 研发周期长
• ❌ 成本高昂
• ❌ 跨领域协同低效
• ❌ 数据孤岛

AI赋能后的智能化流程

设计阶段

• 造型AI创意设计 → 造型AI草图设计 → 造型AI 3D造型 → 造型AI 2D渲染

工程阶段

• 油泥模型制作 → CAD AI工程化设计 → 仿真试验认证 → PD造车

支撑体系

• 知识向量/图谱化
• 智能写作
• 上岗培训 + 管理考核

核心价值

提升开发效率、研发质量、缩短开发周期、降低开发成本

技术特点

• 全流程AI覆盖
• 专业密集型应用
• 多智能体协同工作
• 知识持续积累和复用

3. 重塑AI流程

流程智能化载体进阶

• ChatBot (聊天机器人) - 20%
• Copilot (助理) - 50%
• Agent (代理) - 80%

变革类型

• 量变: 人机协同完成流程执行
• 质变: 流程智能化载体进阶

4. 规划AI资源

三个视角的人员配置

业务视角 (业务用应用)

• 全业务域员工
• 各业务域领导

数字视角 (数字化建应用)

• 数字化专家
• 流程专家
• 业务专家

智能视角 (智能化建能力)

• AI基建工程师
• AI算法工程师
• AI运营工程师
• AI提示词工程师
• AI模型训练师
• AI数据工程师
• AI知识工程师

5. 改造AI系统

三大改造方向

体验改造

• Agent能力配置

技术改造

• MCP服务
• 百炼MCP广场

安全改造

• 内容安全
• 模型安全
• 应用安全
• 安全运营
• 数据安全

Agent核心能力

• 感知: 需求输入
• 决策: 推理思考
• 行动: 工具调用

6. 治理AI数据

数据处理流程（石油开采类比）

采油阶段 - 数据感知

• 系统数据（隐数据）
• 企业文档（暗数据）
• 管理信息（潜数据）
• 外部信息（外部数据）

炼油阶段 - 数据处理

• 结构化萃取
• 文本萃取
• OCR识别
• 大模型萃取（分类处理：MOE）

管油阶段 - 企业知识仓库

• 标准化
• 结构化

用油阶段 - 数据应用

• 向量化
• 图谱化
• 知识建模

双向数据流

• 治理数据 (AI for Data)
• 消费数据 (Data for AI)

7. 适配AI模型

大模型路由原则

• 多: 众多大模型对比适配
• 快: AI搭建效率及推理速度快
• 好: AI输出质量高
• 省: AI应用落地成本低
• 稳: 模型使用安全稳定

多维度适配

多品牌

• 集团通用
• 极氪品牌
• 领克品牌

多领域

• 研、产、供
• 营、销、服
• 人、财、法

多区域

• CN
• EU/EM/US

多技术类型

• 自然语言处理 (NLP)
• 计算机视觉 (CV)
• 语音与音频 (SA)
• 多模态模型
• 其他新兴领域

具体模型应用

• 智能座舱: 通义千问-Plus
• 辅助驾驶: 通义千问-VL
• 智能商业: 通义千问-Turbo

8. 迭代AI运营

数字能力交付"铁三角"理念

三分建设 VS 七分运营

• 从"交付功能"转向"交付价值"
• 实时反馈、可度量、可视化

五大可度量维度

交付可度量

• 业务价值
• 资产价值
• 管理价值

成本可度量

• 人力成本
• 资源成本
• 外采成本

价值可度量

• 数字能力交付"铁三角"
• 需求-进度-质量

体验可度量

• 主观感受
• 客观行为
• 系统表现

安全可度量

• 合规覆盖
• 漏洞修复
• 安全防护

五、底层逻辑 - 大模型支撑下的范式迁移

企业运营模式转变

从面向过程到面向结果

• 传统模式: 人工定义每一步细节流程
• AI时代: 面向结果的商业动能模式

人机比例的根本性转变

• 当前: 人类执行80% + AI工具辅助20%
• 未来: AI工具执行80% + 人类指导20%

WIKD框架支撑

• W (智慧): 全员工赋能
• I (信息): 全系统调用
• K (知识): 全模型适配
• D (数据): 全场景覆盖

全面覆盖战略

• 全模型适配
• 全员工赋能
• 全安全管控
• 全系统调用
• 全场景覆盖

---

总结

极氪AI智改策略通过"AI for All"（1个角色）和"AI in All"（8个步骤）的双轨并行模式，实现了从传统商业模式向AI驱动商业模式的全面转型。该框架不仅提供了系统性的实施路径，更重要的是实现了从"面向过程"到"面向结果"的底层逻辑转变，为企业在AI时代的数字化转型提供了完整的方法论指导。

智联招聘AI全流程托管与数字员工总结

一、从业务单点到全流程托管

战略转型

核心理念: 从单一功能工具向全流程智能化平台转变

• 主动发起: AI主动识别和触发招聘流程
• AI帮聊: 智能化沟通和互动
• 意向确认: 自动化意向匹配和确认

全托管服务模式

定制化AI全托管服务

• 全流程智能化在线招聘平台
• 支持企业个性化定制需求
• 端到端的招聘解决方案

二、智联招聘AI版产品图谱

完整招聘流程覆盖

STEP 1 - 职位发布

• AI发职位: 智能化职位描述生成和发布

STEP 2 - 筛选候选人

• AI推荐算法: 精准候选人匹配
• AI简历亮点: 自动提取关键信息

STEP 3 - 打招呼聊意向

• AI招呼语: 个性化开场白生成
• AI沟通助手: 智能对话管理

STEP 4 - 约面试

• AI易面: 智能面试安排和管理
• AI批量邀约: 批量化面试邀请处理

产品特色

• 如何利用AI实现招聘效率翻倍
• 服务招聘全流程
• 多个特定行业、岗位持续开放中

三、iHR【艾琳】- 第一代数字员工

数字员工定位

我们的第一代数字员工

• 不仅是工具，更是虚拟团队成员
• 具备完整的工作能力和决策能力
• 可以独立完成复杂的招聘任务

核心价值

• 7×24小时在线服务
• 标准化服务质量
• 持续学习和优化
• 成本效益显著

四、IHR的Agent落地三部曲

第一阶段：工具提效

特征:

• AI作为辅助工具使用
• 提升现有工作效率
• 人工主导，AI辅助

应用场景:

• 简历筛选辅助
• 信息查询加速
• 数据分析支持

第二阶段：部分工作内容替代

特征:

• AI开始承担具体工作任务
• 从辅助角色向执行角色转变
• 人机分工更加明确

应用场景:

• 自动化简历初筛
• 智能化沟通回复
• 批量化任务处理

第三阶段：人机协同新型组织

特征:

• AI成为组织的正式成员
• 人机深度协作
• 重构工作流程和组织架构

应用场景:

• 数字员工独立负责业务模块
• 人机协同决策
• 智能化组织运营

五、实施策略与经验

渐进式演进

三部曲的核心逻辑:

1. 从工具到助手 - 逐步提升AI的参与度
2. 从助手到同事 - AI开始承担独立责任
3. 从同事到伙伴 - 形成人机协同的新型组织

关键成功因素

1. 技术成熟度: 确保AI能力匹配业务需求
2. 组织准备度: 员工接受度和流程适配性
3. 业务复杂度: 从简单到复杂逐步推进
4. 风险控制: 确保服务质量和用户体验

六、行业影响与未来展望

招聘行业变革

• 效率革命: 招聘效率成倍提升
• 体验升级: 候选人和企业双重体验优化
• 成本优化: 大幅降低招聘成本
• 质量提升: 更精准的人岗匹配

数字员工趋势

• 从概念到现实: 数字员工正在成为企业标配
• 能力边界扩展: 从简单任务到复杂决策
• 组织形态重塑: 人机协同成为新常态

总结

智联招聘通过构建完整的AI产品图谱和推出第一代数字员工"艾琳"，实现了从传统招聘平台向智能化全托管服务的转型。其"Agent落地三部曲"为行业提供了清晰的AI应用演进路径，从工具提效到内容替代，再到人机协同新型组织，展现了AI在招聘领域应用的完整演进过程。这不仅是技术的进步，更是组织形态和工作方式的根本性变革。

圆桌会议

AI Agent 企业落地洞察

核心理念

AI Agent 应该适应企业，而不是企业适应 AI

---

Salesforce 观点

AI Agent 定义

• AI Agent 是一个角色 - 完成任务/目标的角色
• 用来替代人完成工作

工具要求提升

• AI 对工具提出了更高要求
• 工具将被 AI 和人类同时使用

---

DIFY 观点

落地三大困难

1. 门槛问题

• 业务知识 ↔ 软件能力 连接困难
• 如何让连接更方便

2. 生态建设

• 需要搭建生态平台

3. 数据治理

• 企业数据未被 AI 充分利用

开源态度

开源价值

• 开源是开始也是结果
• 工具基本功能应开放给每个人使用
• 能获得广泛客群
• 能带来真实需求

开源优势

• 开源 = 代码可审查 ≈ 安全性

---

阿里云 观点

三大关键点

1. 需要启发式方法
2. 外围数据和内部数据的安全
3. 数据可查询性

---

硅基流动 观点

当前挑战

• 模型跟不上上游发展
  • 每秒 token 速度
  • 价格变化

未来趋势预测

• 绝大部分算力用于推理
• 主流模型将是开源模型

发展规律

生态决定规模 → 规模决定涌现 → 涌现决定颠覆

---

总结

AI Agent 企业落地需要解决适配性、生态性、安全性三大核心问题，开源生态将成为推动 AI Agent 规模化应用的关键驱动力。