爱优配彩讯股份出席AICon 全球人工智能开发与应用大会：分享企业级Agent 核心技术与系统架构创新

爱优配

　　8月22～23日，由极客邦科技旗下InfoQ中国主办的AICon全球人工智能开发与应用大会·深圳站（2025）圆满落幕。彩讯股份（300634）与来自腾讯、阿里、字节跳动、华为、微软、快手、Google Cloud、AWS等海内外70+企业的专家，围绕Agent应用新范式、多模态与空间计算创新、推理性能优化、AI 产品研发与商业化落地、智能硬件与具身智能等多个热点方向展开分享与探讨，为行业呈现了一场兼具深度与广度的思想盛宴。大会两天吸引了超800 位AI开发者、技术专家与相关行业从业者齐聚一堂，现场氛围高涨，思想与实践充分交融。

　　彩讯股份AI产研部总经理邹盼湘作为专题出品人主持「Agent 核心技术与系统架构创新」分论坛。论坛围绕如何在企业级场景中实现高效、稳定、可持续的Agent系统架构，与行业伙伴、技术专家一起分别从敏捷与稳定兼顾的Agent框架设计、B端智能体构建与Context Engineering、企业级Agent平台实践，以及 Agentic Al在商业化场景的应用探索等维度，系统呈现了智能体在架构范式、平台化实践和业务落地上的最新突破与应用思路。

　　当天，邹盼湘作为嘉宾参加特色圆桌论坛，探讨《MCP：打通模型协作“最后一公里”——关键场景应用与生态化未来》话题，邹盼湘表示:“MCP在B端落地关键在于业务系统MCP化以及调度过程中的权限和安全管理”。

　　彩讯股份AIBox产品负责人樊懋在Agent分论坛上就《B端智能体构建范式和Context Engineering最佳实践》带来专题分享。在探讨B端市场对智能体的新需求时，要注意四个关键点：平衡可控性与智能化、增加人可介入途径、处理复杂任务执行、以及提供多元知识利用方式。为解决实际落地挑战，提出使用“Context Engineering”作为核心策略，通过优化智能体表现，有效串联资源，遵循UAT结构与Single Voice原则，并通过具体案例展示了如何构造“虚假”上下文以引导智能体达到预期行为。以及分享了Context Engineering的优化方法与评估指标，证明了其在特定场景下显著提升智能体效能的潜力。会后，观众反馈该议题分享100%高于预期，并认为对实际工作非常有帮助，受到一致好评。

　　彩讯股份AIBox产品负责人樊懋

　　以下是精彩分享的部分要点回顾：

　　01爱优配

　　智能体开发平台方面，市场上的产品有哪些特点，AIBox平台有何独特之处？

　　市场上智能体开发平台产品同质化较为严重。AIBox平台是彩讯股份自 2023 年迭代的纯自研智能体开发平台，注重通过Context Engineering有效串联和整合各类智能体所需资源，以提升其在特定场景下的Agent能力表现。

　　B端市场对智能体有哪些新要求？

　　B端市场对智能体的新要求主要包括四个方面：一是追求兼顾可控性与智能化，既要保证业务流程的可解释性、可控性和稳定性，又要满足智能化处理多种场景的期望；二是期望有更多人可介入的方式，将关键环节交给人类处理，并增加loop时点；三是任务执行复杂多样，需要处理不同类型的任务并在同一Session中并存；四是支持多元化的知识利用方式，知识素材可应用于模型推理、背景补充等多种场景。

　　AIBox平台如何应对这些新要求并克服挑战？

　　为满足这些新要求，我们尝试通过工作流与自主规划智能体有机结合，以增强智能体的迭代思考能力和灵活应对复杂多变需求的能力。但在此过程中面临模型能力依赖、冗余规则可能导致性能损耗和上下文压缩等问题，以及推理可控性和稳定性不足、工具调用成功率受关联业务流程影响等问题。对于多样化任务执行，我们通过特殊处理来维护视角一致性及上下文的一致性和因果关系一致性。同时，针对知识利用多元场景，在RAG利用上采取预先检索和工具封装两种方式爱优配，并探讨其优缺点及其解决之道。

　　在智能体系统中，Context Engineering和Prompt Engineering各自的作用是什么？

　　为何在某些情况下选择Context Engineering而非Prompt Engineering？

　　Contest Engineering侧重于AI Ready的知识准备或数据准备过程，在复杂的长周期多轮对话任务中动态注入规则和资源。Prompt Engineering则关注于通过精心设计的Prompt引导模型生成单次响应，常用于将大模型作为业务流程赋能节点或创作类生成任务时，能带来较高的ROI收益。但在复杂智能体系统中，更倾向于使用Context Engineering来解决问题。Context Engineering允许构造并不真实发生但期望引导模型按照特定路径执行的虚拟历史上下文组，从而更可靠地输出所需结果。这意味着模型的记忆（包括短期记忆）由我们提供并组装，目标是让智能体在未察觉的情况下更接近预期路线执行，实现可控的智能化结果。

　　遵循UAT结构和single voice原则在contest engineering中的重要性是什么？

　　遵循UAT结构（即system位于顶部，user与assistant成对出现，工具响应紧跟Assistant functioncall响应）是保证多轮推理和工具调用一致性的重要原则，不遵循会导致调用成功率下降、模型无法正确理解上下文以及失去连续性和一致性的对话链条。遵循single voice原则（所有以智能体视角呈现的输出都应在会话上下文中以assistant role形式记录），旨在确保所有信息都以一致的智能体视角存储，违反此原则会导致信息空白、无法追问和混淆角色身份等问题。

　　在智能体开发过程中，如何在工作流中实现人机交互和自主规划智能体的灵活调用？

　　为了在工作流中支持自主规划智能体的灵活调用，我们需要遵循UAT原则和视角一致性原则进行改造和适配。在工作流设定的交互环节中，旨在实时输出信息通知任务状态，通过人与工作流的交互实现决策转移、信息澄清和故事线推进。这要求我们在Assistant tool-call response与模型的Tool response之间构建中间的人与工作流交互信息。

　　在智能体执行任务时，为何会出现模型直接放弃后续工具调用的情况？你们如何通过falsify方式改进模型的效果？

　　在传统的Rag pipeline中，当模型检索到与原始需求看似不直接相关的知识（如报销政策），即使在有约束性信息需要利用召回内容的情况下，模型仍会认为需求和知识库内容没有直接关系，从而导致它拒绝采纳这些内容并放弃后续的工具调用。我们采取falsify的方式构造不存在的上下文历史，让模型在更复杂的语境下进行推理训练。具体做法是将 RAG 的规则和结果拆分，一部分用于询问用户是否有额外信息补充，另一部分用于询问用户注意事项。然后以user或system的角色注入知识召回结果和RAG支持利用的规则到message list 中，以优化模型的执行路径和答案质量。

　　对于未来的研究方向和应用场景，你们有什么打算？

　　我们将持续关注并探 context engineering 方法论，不仅限于单智能体系统爱优配，还包括多智能体系统中的记忆隔离和共享等问题。同时，我们也鼓励大家在各类开源框架和平台中尝试falsify context方式或思路，因为它在特定场景下能带来明显的ROI和惊喜效果。

龙辉优配提示：文章来自网络，不代表本站观点。