从「AI For What」到「Value From AI」，100+可落地实践案例打通 AI 实战最后一公里！
4 月 16 日-4 月 18 日，QCon 全球软件开发大会将在北京举办。本届大会锚定 Agentic AI 时代的软件工程重塑，聚焦 Agentic AI、多智能体协作、算力优化、技术债治理、多模态和 AI 原生基础设施等前沿话题，邀请来自腾讯、阿里、百度、华为、蚂蚁、小米、网易等企业技术专家，带来百余项真实落地案例，系统性分享前沿洞察与实战干货，以技术共创探索 AI 落地新路径。
汽车之家算法平台部负责人马宝昌已确认出席 “Agentic Engineering” 专题，并发表题为《汽车之家 AI 助手多 Agent 设计与多阶段优化策略》的主题分享。随着汽车之家 AI 助手的快速发展，多 Agent 架构成为提升系统智能化水平的关键技术。然而，多 Agent 系统面临协同效率低、训练复杂度高、优化策略单一等挑战，限制了 AI 助手的规模化应用。本次演讲将重点介绍汽车之家 AI 助手的多 Agent 设计架构及多阶段优化策略，通过真实业务数据和可复现的技术方案，展示如何通过多 Agent 协同和分阶段优化提升 AI 助手的决策能力和用户体验，推动汽车之家 AI 助手从单一功能向智能生态演进。
马宝昌，目前作为汽车之家大模型负责人，主要负责汽车行业大模型落地方面的工作。北京大学智能系硕士，10 余年 NLP 算法研究和落地经验。他在本次会议的详细演讲内容如下：
演讲提纲
汽车之家 AI 助手 Agent 架构设计
智能体平台与生态建设：面向汽车行业的智能体生态平台，包括 SOP 编排、行业 MCP 工具、生态子 Agent 等
RAG 与 KAG 结合的知识检索架构：多源数据处理与质量判别流程，满足深度逻辑推理和业务准召要求
汽车之家 AI 助手多 Agent 设计：记忆、看选、买车、用车等子 Agent 设计方案
2. 层次评测体系建设
多层次评测架构设计：应用层、组件层、模型层、知识层四层评测架构
评测指标体系：分层评测指标与业务价值指标
从标注到自动化的评测流程：从主观评测到客观评测再到持续优化的完整流程演进
3. 基于多阶段强化学习的优化流程
非参数优化策略：提示词优化、记忆机制设计和工具描述优化等策略
单 Agent 强化学习策略：从产品定义回复的标准答案到业务真实反馈的多阶段优化流程
多 Agent 协同训练方法：Reward 设计与多 Agent 强化学习训练框架性能优化
4. 智能体性能与成本优化
模型推理性能优化：模型蒸馏、量化、投机采样、MTP 等方法
Agent 端到端相应速度：工具合并、工具/Agent 并行以及思考长度优化
这样的技术在实践过程中有哪些痛点？
数据需求：高质量多 Agent 协同反馈数据获取成本高
计算成本：多 Agent 并行训练的成本高
系统复杂度：多模块（比价 Agent、推荐 Agent、服务 Agent）协同训练的工程复杂度高
演讲亮点
RAG+KAG 结合技术：多 Agent 知识检索架构，应对复杂场景检索
多阶段多 Agent 强化学习策略：基于多阶段 Reward 设计的强化学习训练流程
听众收益
掌握多阶段强化学习训练方法：学习从产品定义到在线优化的完整训练流程
了解多层次评测体系建设：应用-组件-模型-知识的全方位评测方法论
除此之外，本次大会还策划了Agentic Engineering、多模态理解与生成的突破、记忆觉醒：智能体记忆系统的范式重塑与产业落地、具身智能与物理世界交互、Agent Infra 架构设计、AI 重塑数据生产与消费、AI 原生基础设施、AI 驱动的技术债治理、小模型与领域适配模型、大模型算力优化、Agent 可观测性与评估工程、AI for SRE等 20 多个专题论坛，届时将有来自不同行业、不同领域、不同企业的 100+资深专家在 QCon 北京站现场带来前沿技术洞察和一线实践经验。
更多详情可扫码或联系票务经理 18514549229 进行咨询。
