當(dāng)前，企業(yè)智能體應(yīng)用雖已在行政答疑、售后客服等場(chǎng)景顯效，但仍普遍面臨知識(shí)結(jié)構(gòu)復(fù)雜、業(yè)務(wù)流程個(gè)性化和用戶需求發(fā)散三大挑戰(zhàn)?！爸悄荏w應(yīng)用的開(kāi)發(fā)，須在多個(gè)維度上具備更強(qiáng)的能力?！眳怯缊?jiān)指出。

在應(yīng)用開(kāi)發(fā)引擎層面，ADP3.0聚焦RAG與Agent兩大核心能力升級(jí)。通過(guò)自研Agentic RAG架構(gòu)，平臺(tái)可實(shí)現(xiàn)對(duì)復(fù)雜、多源信息的高精度解析與智能關(guān)聯(lián)，支持跨文檔檢索、多步推理與圖譜增強(qiáng)，顯著提升問(wèn)答完整性與準(zhǔn)確性。同時(shí)，平臺(tái)強(qiáng)化了Agent的任務(wù)規(guī)劃、工具調(diào)用與記憶管理能力，創(chuàng)新提出“動(dòng)態(tài)無(wú)損記憶壓縮”機(jī)制，將任務(wù)效率提升百倍以上，并引入多智能體協(xié)同機(jī)制，通過(guò)任務(wù)拆解與流程編排提升復(fù)雜業(yè)務(wù)處理效率。

模型與生態(tài)內(nèi)容層面，ADP3.0構(gòu)建了覆蓋模型廣場(chǎng)、插件廣場(chǎng)以及提示詞與應(yīng)用模板的資源體系。不僅支持混元等自研模型及第三方模型接入，還提供超140個(gè)跨行業(yè)插件、近百個(gè)高質(zhì)量提示詞模板以及覆蓋多行業(yè)多場(chǎng)景的最佳實(shí)踐，顯著降低開(kāi)發(fā)門(mén)檻。

Agent Infra則確保智能體在生產(chǎn)環(huán)境中穩(wěn)定、可控、安全運(yùn)行。依托沙箱隔離、全鏈路監(jiān)控與云原生安全能力，ADP3.0為企業(yè)提供從開(kāi)發(fā)、部署到運(yùn)營(yíng)的全生命周期支持。

騰訊云智能體開(kāi)發(fā)平臺(tái)的能力已在QQ瀏覽器等多款產(chǎn)品中驗(yàn)證成效。接入ADP3.0能力后，QQ瀏覽器AI下載助理任務(wù)成功率明顯提升，用戶發(fā)送一句話，Agent即可完成從檢索、篩選到下載的全流程；即將推出的“訂閱助理”也基于ADP構(gòu)建，支持自然語(yǔ)言精準(zhǔn)訂閱。

基于在騰訊C端產(chǎn)品中的實(shí)戰(zhàn)，騰訊云智能體開(kāi)發(fā)平臺(tái)的能力也得到進(jìn)一步打磨，更好地為B端客戶服務(wù)，實(shí)現(xiàn)「CB聯(lián)動(dòng)」。

騰訊云正通過(guò)智能體開(kāi)發(fā)平臺(tái)打造智能體時(shí)代的“能力基座”，推動(dòng)企業(yè)級(jí)AI從單點(diǎn)能力走向系統(tǒng)化、生產(chǎn)級(jí)應(yīng)用，為千行百業(yè)提供可信、可運(yùn)營(yíng)的智能體基礎(chǔ)設(shè)施。

以下為演講全文：

大家好，我是騰訊的吳永堅(jiān)。今天我分享的主題是：企業(yè)級(jí)智能體開(kāi)發(fā)技術(shù)挑戰(zhàn)與創(chuàng)新。

隨著數(shù)字化浪潮的推進(jìn)，企業(yè)級(jí)智能體已經(jīng)在越來(lái)越多場(chǎng)景中廣泛應(yīng)用，實(shí)實(shí)在在為業(yè)務(wù)帶來(lái)了價(jià)值。比如，在行政知識(shí)問(wèn)答、商品售后客服等領(lǐng)域，幫助企業(yè)提升了效率、優(yōu)化了體驗(yàn)。但在幫助企業(yè)真正把智能體“用起來(lái)”的過(guò)程中，我們也發(fā)現(xiàn)了一些共性的難點(diǎn)：

第一，企業(yè)知識(shí)不僅海量，且極其復(fù)雜。大量文檔都是圖文混排、表格嵌套，對(duì)知識(shí)處理精度提出了非常高的要求。

第二，企業(yè)業(yè)務(wù)流程非常個(gè)性化。在多輪業(yè)務(wù)辦理的場(chǎng)景中，對(duì)于準(zhǔn)確從對(duì)話中提取關(guān)鍵信息、靈活響應(yīng)用戶中途修改需求，也有很高的要求。

第三，用戶的需求常常發(fā)散，一個(gè)問(wèn)題中往往包含多個(gè)復(fù)雜任務(wù)，智能體既要準(zhǔn)確理解，又要合理選擇工具，很多時(shí)候，單智能體難以應(yīng)對(duì)。

針對(duì)這些挑戰(zhàn)，智能體應(yīng)用的開(kāi)發(fā)，需在多個(gè)維度上具備更強(qiáng)的能力。不僅涉及智能體應(yīng)用開(kāi)發(fā)核心能力，還有廣泛的生態(tài)接入，同時(shí)離不開(kāi)底層基礎(chǔ)設(shè)施的支持。

為此，騰訊云智能體開(kāi)發(fā)平臺(tái)也在持續(xù)升級(jí)，致力于打造更完善的企業(yè)級(jí)智能體應(yīng)用開(kāi)發(fā)引擎和基礎(chǔ)設(shè)施，幫助企業(yè)真正把智能體嵌入到業(yè)務(wù)流程，處理真實(shí)任務(wù)，并帶來(lái)可衡量的業(yè)務(wù)價(jià)值。

在應(yīng)用開(kāi)發(fā)層，平臺(tái)提供三大核心引擎：知識(shí)引擎、工作流引擎和Agent引擎，形成完整的能力矩陣。

在此基礎(chǔ)上，還通過(guò)模型廣場(chǎng)、插件廣場(chǎng)等模塊，提供豐富的開(kāi)發(fā)資源庫(kù)，讓企業(yè)開(kāi)發(fā)者可以根據(jù)不同業(yè)務(wù)場(chǎng)景，按需選擇接入不同的工具與模型。

同時(shí)，通過(guò)大量實(shí)戰(zhàn)經(jīng)驗(yàn)的沉淀，輸出行業(yè)應(yīng)用模板和系列課程體系，幫助企業(yè)降低學(xué)習(xí)與落地門(mén)檻。

在底層基礎(chǔ)設(shè)施層，平臺(tái)提供身份權(quán)限、安全合規(guī)接入與運(yùn)行管理等功能，確保智能體可在生產(chǎn)環(huán)境中“穩(wěn)定、可控、安全”地執(zhí)行。

接下來(lái)，我從以下三個(gè)方面詳細(xì)給大家分享一下，關(guān)于企業(yè)級(jí)智能體開(kāi)發(fā)的技術(shù)挑戰(zhàn)和技術(shù)創(chuàng)新。

在智能體應(yīng)用開(kāi)發(fā)引擎方面，我將為大家分享RAG和Agent方面的核心進(jìn)展。

企業(yè)級(jí)RAG落地，面臨的核心挑戰(zhàn)是：如何精準(zhǔn)解析并有效利用企業(yè)中海量且復(fù)雜的知識(shí)。

首先，圖文混排的復(fù)雜文檔解析，是知識(shí)處理層面的一大挑戰(zhàn)。例如，在面對(duì)一份零售行業(yè)說(shuō)明書(shū)時(shí)，傳統(tǒng)OCR技術(shù)在解析復(fù)雜版面時(shí)，容易丟失關(guān)鍵的產(chǎn)品示意圖或表格，影響知識(shí)問(wèn)答的完整性。

其次，跨文檔的信息關(guān)聯(lián)也是一個(gè)難題。當(dāng)用戶提出諸如“列出計(jì)租面積大于100平的所有商戶，并附上這些商戶檔案摘要、關(guān)聯(lián)競(jìng)爭(zhēng)關(guān)系”這類(lèi)復(fù)雜問(wèn)題時(shí)，往往需要從多份不同的知識(shí)源中查找和關(guān)聯(lián)信息。傳統(tǒng)RAG技術(shù)在跨文檔檢索和信息融合方面能力較弱，導(dǎo)致智能體往往只能回復(fù)不完整的答案，如只輸出了商戶列表，沒(méi)有輸出對(duì)應(yīng)的答案摘要。

為此，我們從傳統(tǒng) RAG 升級(jí)到了 Agentic RAG——通過(guò)提供知識(shí)庫(kù)檢索Agent，智能體不再只是被動(dòng)檢索，而是能夠自己主動(dòng)拆解復(fù)雜問(wèn)題、通過(guò)多步調(diào)用檢索工具，從不同文檔中搜集信息，再主動(dòng)篩選這些信息，最終組織成精準(zhǔn)、完整的回答。

面對(duì)上述復(fù)雜問(wèn)題，智能體可以通過(guò)自主規(guī)劃，將任務(wù)拆解為三個(gè)關(guān)鍵步驟，層層遞進(jìn)地完成應(yīng)答：

首先，調(diào)用Text-to-SQL工具，精準(zhǔn)檢索數(shù)據(jù)表，篩選出“符合條件的商戶列表”；接下來(lái)，通過(guò)文本檢索工具獲取這些商戶的詳細(xì)檔案摘要，包括主營(yíng)業(yè)務(wù)、入駐時(shí)間等關(guān)鍵信息；最后，借助知識(shí)圖譜檢索能力，深入分析商戶之間的關(guān)聯(lián)關(guān)系，例如競(jìng)爭(zhēng)關(guān)系。

在Agentic RAG的能力框架下，我們通過(guò)在業(yè)務(wù)場(chǎng)景中不斷攻堅(jiān)知識(shí)問(wèn)答的深水區(qū)難題，逐漸沉淀出一套多元的RAG能力矩陣，涵蓋文檔解析、一站式檢索引擎、GraphRAG（即圖譜檢索增強(qiáng)）。

文檔解析環(huán)節(jié)，我們依托騰訊優(yōu)圖自研的OCR大模型，實(shí)現(xiàn)了對(duì)復(fù)雜文檔的高精度解析。支持包括圖文混排在內(nèi)的復(fù)雜版式分析，能夠準(zhǔn)確識(shí)別插圖、表格、公式、頁(yè)眉頁(yè)腳等超過(guò)26類(lèi)文檔元素。

針對(duì)成本敏感、響應(yīng)速度有較高要求的場(chǎng)景，我們結(jié)合QQ瀏覽器多年的在移動(dòng)端、PC端沉淀的工程解析優(yōu)化，創(chuàng)新地提供模型與工程相結(jié)合的解析策略，動(dòng)態(tài)識(shí)別頁(yè)面復(fù)雜度——對(duì)于簡(jiǎn)單頁(yè)面自動(dòng)路由至高效工程化解析鏈路，保障精度的同時(shí)，整體解析耗時(shí)與資源成本優(yōu)化達(dá)40%。

對(duì)于存在合并單元格、填寫(xiě)備注信息等不規(guī)則的數(shù)據(jù)表格，通過(guò)高精度表格解析能力，將原本非結(jié)構(gòu)化表格自動(dòng)轉(zhuǎn)化為結(jié)構(gòu)化表格，提升不規(guī)則表格的解析準(zhǔn)確率。

而在檢索環(huán)節(jié)，引入基于Agent的Text2SQL能力，不僅能夠自動(dòng)從大量數(shù)據(jù)表中精準(zhǔn)篩選相關(guān)的表和字段，還能將復(fù)雜的業(yè)務(wù)問(wèn)題智能拆解為多個(gè)子問(wèn)題。支持通過(guò)外部工具執(zhí)行SQL，自主識(shí)別并優(yōu)化其中存在錯(cuò)誤的查詢語(yǔ)句，提升應(yīng)答準(zhǔn)確性。

在此，平臺(tái)通過(guò)提供連接企業(yè)數(shù)據(jù)庫(kù)的方式，可支持萬(wàn)行以上大表的穩(wěn)定檢索與智能問(wèn)答，真正實(shí)現(xiàn)對(duì)海量結(jié)構(gòu)化數(shù)據(jù)的價(jià)值挖掘。

在多模態(tài)場(chǎng)景中，用戶可能通過(guò)圖片提問(wèn)，例如，在汽車(chē)客服助手的場(chǎng)景里，用戶可能截取一個(gè)設(shè)備圖片來(lái)詢問(wèn)具體使用方式，要求智能體準(zhǔn)確關(guān)聯(lián)用戶問(wèn)題與文檔內(nèi)容，并給出精準(zhǔn)回答。

為此，我們?cè)跀?shù)十億數(shù)據(jù)上訓(xùn)練得到性能優(yōu)異的中文CLIP模型,  提供不同尺寸支持，在不同數(shù)據(jù)集上均有優(yōu)異的表現(xiàn)。通過(guò)多模態(tài)檢索技術(shù)，可根據(jù)用戶問(wèn)題中的圖片或文本，快速定位知識(shí)庫(kù)中相關(guān)的圖文信息。最終，讓智能體能夠提供既準(zhǔn)確又直觀的圖文并茂的答案。

GraphRAG，也是大模型應(yīng)對(duì)復(fù)雜領(lǐng)域知識(shí)問(wèn)答的關(guān)鍵技術(shù)路徑之一，能顯著提升企業(yè)級(jí)智能體在深層語(yǔ)義理解與多步推理上的表現(xiàn)。

典型應(yīng)用場(chǎng)景包括：

1.多步推理與深度關(guān)聯(lián)分析，例如前面提到的“分析上述商戶之間的關(guān)聯(lián)風(fēng)險(xiǎn)與競(jìng)爭(zhēng)關(guān)系”。

2.海量知識(shí)的結(jié)構(gòu)化整合，如“瀏覽器網(wǎng)頁(yè)標(biāo)簽頁(yè)”。

3.不同知識(shí)庫(kù)之間的信息關(guān)聯(lián)與整合分析。

在企業(yè)落地中，仍面臨幾個(gè)關(guān)鍵挑戰(zhàn)：

其一，依賴大語(yǔ)言模型構(gòu)建圖譜結(jié)構(gòu)，Token消耗量大、處理時(shí)間長(zhǎng)，成本高昂；

其二，效果瓶頸，復(fù)雜查詢的推理效果存在天花板；

其三，適配成本高，每適配一個(gè)新領(lǐng)域，遷移與迭代成本較高。

為此，背靠騰訊優(yōu)圖實(shí)驗(yàn)室自研的GraphRAG能力，我們實(shí)現(xiàn)了構(gòu)圖成本的大幅優(yōu)化，讓企業(yè)級(jí)智能體面對(duì)復(fù)雜推理及結(jié)構(gòu)化任務(wù)時(shí)，顯著提升準(zhǔn)確率。該能力目前已成功應(yīng)用于QQ瀏覽器等產(chǎn)品，并將上線騰訊云智能體開(kāi)發(fā)平臺(tái)，為更多企業(yè)用戶提供開(kāi)箱即用的圖檢索增強(qiáng)支持。

在這里，也為大家展示一個(gè)GraphRAG在QQ瀏覽器中的實(shí)際應(yīng)用案例：智能網(wǎng)頁(yè)標(biāo)簽分類(lèi)。

在未引入GraphRAG前，瀏覽器對(duì)網(wǎng)頁(yè)標(biāo)簽的分類(lèi)往往只能做到粗顆粒度，例如，將相關(guān)網(wǎng)頁(yè)簡(jiǎn)單歸類(lèi)為“體育賽事”。

而接入GraphRAG能力之后，能夠?qū)Α绑w育賽事”這類(lèi)寬泛主題進(jìn)行深層語(yǔ)義下鉆與拆解，生成如“足球賽事”“籃球名人堂”等更具象、更便于用戶管理的子類(lèi)別，極大提升了網(wǎng)頁(yè)歸類(lèi)效率與體驗(yàn)。

除 RAG，Agent也是智能體開(kāi)發(fā)平臺(tái)的核心能力。接下來(lái)我們看瀏覽器如何結(jié)合Agent能力來(lái)解決用戶日常的痛點(diǎn)。以下載場(chǎng)景為例：內(nèi)容找不到，信息獲取效率低；格式不對(duì)，找到也無(wú)法使用；操作繁瑣，效率低下。比如，用戶可能會(huì)提出這樣的請(qǐng)求：“請(qǐng)幫我下載幾篇初中地理教師資格證考試的資料”。常規(guī)我們需要網(wǎng)上搜索和不斷甄別網(wǎng)頁(yè)有效信息來(lái)查找，查找一兩個(gè)小時(shí)但不一定能找到。

剛才提到的下載案例背后反映了三大挑戰(zhàn)：一是模型既要理解復(fù)雜指令，又要處理超長(zhǎng)上下文；二是工具使用從簡(jiǎn)單API演進(jìn)到復(fù)雜的瀏覽器操作和多工具組合；三是記憶，企業(yè)級(jí)應(yīng)用需長(zhǎng)時(shí)上下文，但token消耗巨大。除此之外，引入多Agent協(xié)作，也能進(jìn)一步緩解落地難題。

我們先看大模型在Agent場(chǎng)景下的表現(xiàn)。傳統(tǒng)大模型只是在一輪問(wèn)答中給出答案，而Agent應(yīng)用要求模型能主動(dòng)拆解任務(wù)調(diào)用工具。為此我們做了兩方面優(yōu)化：一是強(qiáng)化工具調(diào)用。借助受限解碼，讓模型在復(fù)雜場(chǎng)景中能穩(wěn)定、百分之百輸出正確的Function-Call，調(diào)用工具完成任務(wù)。二是模型訓(xùn)練優(yōu)化。通過(guò)引入RL，在模型學(xué)會(huì)更精準(zhǔn)地調(diào)用工具，提升任務(wù)完成率。比如下載場(chǎng)景，經(jīng)過(guò)訓(xùn)練后，模型能自動(dòng)補(bǔ)全關(guān)鍵詞，直接篩選搜索PDF格式文件。這就是我們希望看到的變化：模型不僅能“回答問(wèn)題”，更能真正“完成任務(wù)”。

工具越多功能越強(qiáng)，但在Agent世界里也可能變成“工具迷宮”。面對(duì)幾十個(gè)工具，Agent既要選得對(duì)，還要排得準(zhǔn)，否則就會(huì)低效甚至誤判。以Browser Use為例，由打開(kāi)網(wǎng)頁(yè)、點(diǎn)擊元素、搜索、滾動(dòng)、下載等原子化工具組成，看似簡(jiǎn)單，卻必須嚴(yán)格按順序組合調(diào)用才能完成任務(wù)。如何在這些原子化工具中精準(zhǔn)決策、合理編排順序，正是工具挑戰(zhàn)的核心所在。

因此我們對(duì)重點(diǎn)工具進(jìn)行了優(yōu)化。以檢索任務(wù)為例，打造了WideTool WebQA，能自動(dòng)拆解搜索詞，并對(duì)結(jié)果摘要匯總，按需提供信息。借助這些優(yōu)化工具，Agent執(zhí)行效率顯著提升，任務(wù)可以完成得更快、更準(zhǔn)。

接下來(lái)我們看記憶管理。Agent在復(fù)雜任務(wù)中，記憶往往是最大難點(diǎn)。以下載場(chǎng)景為例，一次任務(wù)可能要訪問(wèn)幾十個(gè)網(wǎng)頁(yè)，單個(gè)網(wǎng)頁(yè)就有數(shù)萬(wàn)甚至上百萬(wàn)token，而Agent往往需跑幾十輪對(duì)話，累積上下文超過(guò)10萬(wàn)token，遠(yuǎn)超主流模型處理能力。沒(méi)有有效的記憶管理機(jī)制，Agent就會(huì)被龐大上下文拖垮。

為解決這一問(wèn)題，我們提出了動(dòng)態(tài)無(wú)損記憶壓縮。核心思路是在存儲(chǔ)時(shí)壓縮，但不丟關(guān)鍵細(xì)節(jié)，需要時(shí)可原樣恢復(fù)。具體包括兩點(diǎn)：一是上下文壓縮，把歷史結(jié)果和工具調(diào)用總結(jié)為緊湊的記憶文件；二是文件級(jí)無(wú)損存儲(chǔ)，通過(guò)壓縮和分層掛載隨時(shí)恢復(fù)完整信息，保證結(jié)果可復(fù)現(xiàn)。實(shí)驗(yàn)中我們將7萬(wàn)token壓縮至約500token，效率提升141倍。有了這一機(jī)制，Agent才能真正具備長(zhǎng)時(shí)記憶，支撐企業(yè)級(jí)復(fù)雜任務(wù)。

接下來(lái)我們看Single Agent到Multi-Agent的演進(jìn)。剛才提到，模型、工具和記憶的復(fù)雜性，讓單Agent能力遇到瓶頸：一是多工具選擇帶來(lái)決策壓力；二是單體調(diào)試?yán)щy，任務(wù)過(guò)載難以拆解優(yōu)化；三是擴(kuò)展性不足，能力邊界很快觸頂。為此我們引入Multi-Agent。在下載場(chǎng)景中，通過(guò)解耦協(xié)作，由總控Agent規(guī)劃分配任務(wù)，專(zhuān)職Download Agent負(fù)責(zé)文件下載。這樣既降低了調(diào)試難度，也讓分工更清晰、效率更高。

Multi-Agent能突破單體局限，那具體如何協(xié)同呢？在ADP平臺(tái)上，除了自由轉(zhuǎn)交外，我們新增了兩種模式：一是工作流編排將Agent嵌入確定流程，適合環(huán)節(jié)固定的業(yè)務(wù)；二是Plan-and-Execute模板，由Planner Agent統(tǒng)籌規(guī)劃，將任務(wù)拆解分配給執(zhí)行Agent（如搜索、代碼、總結(jié)、報(bào)告等），并結(jié)合共享記憶，提升協(xié)作有效性。企業(yè)可按場(chǎng)景靈活選擇，真正發(fā)揮Multi-Agent的優(yōu)勢(shì)。

以QQ瀏覽器AI下載助理為例，它能幫助用戶一鍵獲取資源。結(jié)合剛才介紹一系列能力能力，下載成功率提升26.8%（由40%升至66.82%）。過(guò)去像下載考試資料，需要用戶自行搜索、登錄并逐一下載，流程繁瑣；而現(xiàn)在只需輸入一句話，Agent就能自動(dòng)檢索、核對(duì)并交付所需PDF文件。這些Agent實(shí)戰(zhàn)的能力，都沉淀到ADP平臺(tái)來(lái)。

在下載助理成功落地后，QQ瀏覽器將于10月中下旬推出訂閱助理Agent。它基于ADP的Agent框架，支持用戶用自然語(yǔ)言選擇網(wǎng)頁(yè)區(qū)域或主題，快速完成訂閱。無(wú)論是企業(yè)跟進(jìn)行業(yè)報(bào)告、消費(fèi)者獲取新品資訊，還是追星一族，都能通過(guò)訂閱助理實(shí)現(xiàn)高效、精準(zhǔn)、個(gè)性化的訂閱體驗(yàn)。

剛才我們介紹了智能體應(yīng)用開(kāi)發(fā)引擎的RAG和Agent核心能力。但企業(yè)要真正開(kāi)發(fā)好智能體，還需要生態(tài)支撐，把復(fù)雜開(kāi)發(fā)變成生產(chǎn)化搭建。

我們的目標(biāo)，是從模型、到工具、到提示詞模板，再到應(yīng)用模板，構(gòu)建一個(gè)完整的生態(tài)，幫助企業(yè)快速落地應(yīng)用。

為滿足不同企業(yè)場(chǎng)景訴求，平臺(tái)提供模型廣場(chǎng)，不僅支持混元及優(yōu)圖精調(diào)等預(yù)置模型，也支持用戶通過(guò)API-Key接入第三方模型。在應(yīng)用開(kāi)發(fā)階段，用戶可按需選擇模型，及進(jìn)行對(duì)比調(diào)試。

同時(shí)，對(duì)于已在TI-ONE平臺(tái)擁有模型服務(wù)的用戶，只需要完成相應(yīng)授權(quán)，就能把同賬號(hào)下的TI-ONE模型，直接同步到智能體開(kāi)發(fā)平臺(tái)中使用。

在插件生態(tài)方面，平臺(tái)已上架超140個(gè)高質(zhì)量插件。我們按照行業(yè)×能力構(gòu)建插件地圖：縱向覆蓋金融、出行、醫(yī)療、教育等行業(yè)，橫向涵蓋圖片識(shí)別、行業(yè)信息源、實(shí)用工具等能力，拓展企業(yè)級(jí)智能體應(yīng)用邊界。

此外，平臺(tái)提供近百個(gè)高質(zhì)量提示詞模板，覆蓋RAG、Workflow、Agent三大核心模式。以Multi-Agent為例，提供了任務(wù)分解與轉(zhuǎn)交的最佳寫(xiě)法。幫助開(kāi)發(fā)者直接復(fù)用成熟經(jīng)驗(yàn)，高效構(gòu)建應(yīng)用。

在應(yīng)用模版方面，平臺(tái)提供覆蓋教育、傳媒、醫(yī)療、金融等多行業(yè)多場(chǎng)景的最佳實(shí)踐。如教育的科研文獻(xiàn)解讀，傳媒的播客生成，醫(yī)療的在線問(wèn)診，金融的股票異動(dòng)分析等。通過(guò)提供應(yīng)用開(kāi)發(fā)要點(diǎn)，讓企業(yè)可快速實(shí)現(xiàn)從0到1的落地。

接下來(lái)我們進(jìn)Agent Infra部分。要讓Agent真正落地企業(yè)，光有模型不夠，還需要完整的生產(chǎn)流水線。我們從三方面保障：一是安全執(zhí)行環(huán)境，通過(guò)沙箱確保受控運(yùn)行；二是可觀測(cè)與可運(yùn)營(yíng)，保證智能體運(yùn)行可見(jiàn)可管；三是安全審查與合規(guī)，多維度保障合規(guī)與可追溯。這些構(gòu)成了企業(yè)安心使用Agent的基礎(chǔ)設(shè)施。

在執(zhí)行環(huán)境層面，我們提供三類(lèi)沙箱。代碼沙箱支持session級(jí)隔離與實(shí)時(shí)銷(xiāo)毀，保證代碼運(yùn)行的安全；瀏覽器沙箱與QQ瀏覽器深度合作，打磨Agent原生的browser use工具能力；文件管理沙箱則支持與COS打通，支持多Agent共享文件。三類(lèi)沙箱共同構(gòu)成了安全可控的執(zhí)行環(huán)境。

在可觀測(cè)性上，我們提供從應(yīng)用到對(duì)話的全鏈路監(jiān)控。應(yīng)用上線后，開(kāi)發(fā)者不僅能查看整體運(yùn)行數(shù)據(jù)，還可下鉆到trace粒度，支持工作流節(jié)點(diǎn)級(jí)查看，幫助精準(zhǔn)定位問(wèn)題、持續(xù)優(yōu)化效果，確保智能體在大規(guī)模場(chǎng)景下的穩(wěn)定可靠。

同時(shí)，Agent Infra將騰訊云的底層能力深度融合進(jìn)智能體開(kāi)發(fā)平臺(tái)，并以插件的形式提供。像CLS日志管理、COS存儲(chǔ)、Lighthouse服務(wù)器、EdgeOne部署、CloudBase云開(kāi)發(fā)，這些騰訊云基礎(chǔ)設(shè)施能力，現(xiàn)在都能在智能體開(kāi)發(fā)平臺(tái)內(nèi)直接調(diào)用，幫助企業(yè)打通應(yīng)用與底層云能力，高效落地。

在安全與合規(guī)層面，我們通過(guò)大模型安全網(wǎng)關(guān)抵御MCP帶來(lái)的多重安全威脅，包括注入攻擊、數(shù)據(jù)泄漏和惡意工具調(diào)用等。支持身份安全、工具安全、內(nèi)容安全和攻擊防護(hù)，幫助企業(yè)在規(guī)模化應(yīng)用中實(shí)現(xiàn)全方位的安全保障。

未來(lái)，騰訊也將圍繞客戶需求，持續(xù)打磨產(chǎn)品，為各行各業(yè)用好智能體提供助力！我的分享到此結(jié)束，謝謝大家！

zhupb