广告
加载中

腾讯云行业生态总经理张林:Agent是组织能力放大器,企业应把最痛流程交给它

亿邦动力 2026-11-20 15:47
亿邦动力 2026/11/20 15:47

邦小白快读

EN
全文速览

核心信息:AI正从回答问题走向接任务,企业不必等万能智能体,应先把最痛流程交给AI Agent。

1.三个变化:单点工具变独立承接任务;预设流程内提效变自行拆解任务、调动原子能力并反馈业务系统;中长尾需求可由一线人员提交AI快速迭代上线。

2.四个实操场景:内容生产用Agent矩阵做洞察、生产、质检、效果跟踪,效率提升60%、审核通过率提升40%、日调用破一亿次;经营分析用售后质检Agent定位退货原因;业务协同用Agent拉项目进度、识别风险、提醒会议;研发协同让智能体拆任务、写代码、测用例,工程师只做审核。

3.落地建议:先梳理最繁琐最痛流程交给AI,沉淀可复用经验为数字资产,关注小团队、一人公司、人机协同和共享知识库。

核心判断:Agent可把内容生产、投放反馈和用户问题分析连成闭环,帮助品牌营销从单点提效走向按需交付。

1.营销内容生产:面对百万级商品库、千万级SKU和商品详情页、主投图、营销短视频需求,可用Agent矩阵实时监控全行业与各渠道优质内容、结合热点提炼需求,再调用图像、视频等能力生产,经质检审核后跟踪各渠道转化并反馈。案例中内容生产与商品运营效率提升60%,投放成本下降,审核通过率提升40%。

2.用户行为与产品问题:售后质检Agent可分析退货率偏高,按产品尺码不匹配、运营描述货不对板、品控材质等维度下钻,形成可执行报告,利于品牌改进产品描述、品控和营销表达。

3.渠道与价格运营:即时零售案例中商品健康度报告可触发滞销促销或调价,门店库存不足可一键补库;共享知识库沉淀优秀营销方案,提升门店执行一致性。产品经理还可把业务功能需求提交Agent快速迭代,利于产品研发与体验优化。

核心机会:AI Agent可承接中长尾需求,帮助卖家提升内容、分析、协同效率,并降低合规与运营风险。

1.增长与市场:出海带来多国家地区运营规则和监管要求,内容生产需结合新规则迭代;平台电商用Agent生产线应对百万级商品库、千万级SKU和每日大量素材,内容生产与商品运营效率提升60%,投放成本下降,审核通过率提升40%,日调用破一亿次。

2.消费需求与事件应对:跨境鞋服客户用售后质检Agent分析退货率偏高,从产品尺码、运营描述、品控材质定位原因;即时零售客户用商品健康度报告触发滞销促销调价、库存不足一键补库。

3.可学习点与风险提示:先把最痛流程交给AI,沉淀资深员工经验为共享知识库,缓解人员流动和高培训成本;同时重视内容安全、合规审核、统一字段和系统调度,避免单点工具无法支撑跨渠道业务。卖家可借鉴腾讯WorkBuddy与Agent体系落地客户案例的合作与落地方式。

核心启示:Agent可按需联合编排内容生产与研发流程,形成柔性生产线,工厂可借鉴其需求洞察、生产、质检和知识沉淀逻辑。

1.生产与设计需求:平台电商案例中,先用Agent矩阵监控全行业、各渠道优质内容并结合热点提炼素材需求,再由素材生产Agent调用声纹、图像、视频能力制作商品详情页、主投图、营销短视频,质检Agent做内容安全审核,发布后跟踪转化并反馈。这体现按需求组织生产、按渠道适配素材的柔性思路。

2.商业机会:海量商品内容、出海合规内容、即时零售补货和促销调价都存在Agent落地空间;案例显示内容生产与商品运营效率提升60%,审核通过率提升40%,日调用破一亿次。

3.数字化启示:把最繁琐最痛流程提炼给AI,统一字段定义、打通业务与供应链系统、统一调度,沉淀可复用经验为数字资产;研发协同中智能体可拆任务、检索代码库、写代码和测试用例,工程师聚焦审核与创新。

行业趋势:AI正从回答问题工具走向能独立接任务、完成交付的数字助手,Agent跨平台跨模块按需联合编排成为落地方向。

1.客户痛点:海量商品内容生产和合规审核压力大;经营分析需跨多个BI系统取数,耗时数天甚至一周;管理者跨系统拉项目进度和风险信息;即时零售库存信息更新不及时、看板搭建周期长、人员流动大导致培训成本高;研发仍受点对点代码补全限制。

2.解决方案:用Agent矩阵做内容洞察、素材生产、质检和效果跟踪;用售后质检Agent做退货归因;用办公工作台Agent拉进度、识别风险、提醒会议;用商品Agent和店长Agent做健康度报告、促销调价、补货;用共享知识库沉淀经验;研发智能体拆子任务、检索代码、写代码和测试用例。

3.技术底座:需要统一字段定义、打通业务与供应链系统、统一调度,并具备记忆、上下文理解和反馈循环能力。案例效果包括效率提升60%、审核通过率提升40%、日调用破一亿次。

平台需求与问题:平台面临海量商品内容生产审核、跨渠道出海规则适配、中长尾需求响应慢、数据看板搭建周期长、跨系统协同和人员流动等压力。

1.平台最新做法:以全场景AI办公工作台和Agent体系搭建内容生产线,设置洞察Agent矩阵监控全行业渠道优质内容,素材生产Agent调用图像视频等原子能力,质检Agent做安全合规审核,发布后跟踪转化并反馈;同时用商品Agent、店长Agent和项目协同Agent推进运营管理。

2.运营管理:商品健康度报告触发滞销促销调价,库存不足一键补库;Agent自动挖掘项目进度、识别风险、关键里程碑提醒并预定会议;共享知识库让新员工获取全国门店优秀案例。

3.风向规避与能力建设:内容安全审核、合规审核、统一字段定义、打通业务与供应链系统、统一调度是平台落地Agent的基础;案例显示内容生产与商品运营效率提升60%,审核通过率提升40%,日调用破一亿次。平台可从腾讯云行业生态与客户案例中观察Agent能力输出和合作方式。

产业新动向:AI从回答问题工具转向可接任务、完成交付的智能体,组织从大部门走向小团队甚至一人公司,从人主导交付走向人机协同,知识传承转向共享知识库。

1.商业模式:出现Agent矩阵、柔性生产线、全场景办公工作台和按需联合编排;内容生产形成洞察、生产、质检、效果反馈闭环,经营分析形成可执行可追溯报告,业务协同由Agent推进项目,研发由智能体拆任务、检索代码库、写代码和测试用例。案例数据包括效率提升60%、审核通过率提升40%、日调用破一亿次。

2.新问题:中长尾需求长期无法响应;组织经验散落、人员流动造成知识断层;跨系统需统一字段定义、打通业务与供应链系统并统一调度;出海面临多国家地区运营规则和监管要求,内容安全与合规审核需前置。

3.启示:企业不必等待万能智能体,应先把最痛最繁琐流程交给AI,把可复用经验沉淀为数字资产;政策法规层面应重视合规审核和跨境规则适配。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

Core message: AI is moving from answering questions to taking on tasks. Companies do not need to wait for a universal agent; they should hand their most painful workflows to AI Agents first.

1. Three shifts: point tools become independent task takers; efficiency gains within preset workflows become autonomous task decomposition, orchestration of atomic capabilities, and feedback to business systems; mid- and long-tail needs can be submitted by frontline staff for rapid AI iteration and deployment.

2. Four practical scenarios: content production uses an Agent matrix for insight, production, quality checks, and performance tracking, lifting efficiency by 60%, approval pass rate by 40%, and daily calls above 100 million; business analysis uses after-sales quality-check Agents to identify return reasons; business collaboration uses Agents to pull project progress, identify risks, and remind about meetings; R&D collaboration lets agents break down tasks, write code, and create test cases, with engineers only reviewing.

3. Implementation advice: first map the most cumbersome and painful workflows and hand them to AI; turn reusable experience into digital assets; focus on small teams, one-person companies, human-machine collaboration, and shared knowledge bases.

Core judgment: Agents can connect content production, campaign feedback, and user issue analysis into a closed loop, helping brand marketing move from point improvements to on-demand delivery.

1. Marketing content production: Facing million-level product libraries, tens of millions of SKUs, and demand for product detail pages, main campaign images, and marketing short videos, an Agent matrix can monitor high-quality content across industries and channels in real time, extract requirements based on trends, then call image and video capabilities to produce content; after quality and compliance review, it tracks channel conversion and feeds back results. In the case, content production and product operations efficiency rose 60%, campaign costs fell, and approval pass rate increased 40%.

2. User behavior and product issues: After-sales quality-check Agents can analyze elevated return rates, drill down by product size mismatch, operational description mismatch, quality control and materials, and generate actionable reports, helping brands improve product descriptions, quality control, and marketing messaging.

3. Channel and price operations: In an instant retail case, product health reports can trigger promotions for slow-moving items or price adjustments, and one-click replenishment when store inventory is low; a shared knowledge base captures effective marketing plans and improves consistency in store execution. Product managers can also submit business feature requests to Agents for rapid iteration, supporting product R&D and experience optimization.

Core opportunity: AI Agents can take on mid- and long-tail needs, helping sellers improve content, analysis, and collaboration efficiency while reducing compliance and operational risks.

1. Growth and markets: Going global brings operating rules and regulatory requirements across countries and regions, and content production must iterate with new rules; platform e-commerce uses Agent production lines to handle million-level product libraries, tens of millions of SKUs, and large daily volumes of creative assets, lifting content production and product operations efficiency by 60%, reducing campaign costs, raising approval pass rate by 40%, and exceeding 100 million daily calls.

2. Consumer demand and event response: A cross-border footwear and apparel client used after-sales quality-check Agents to analyze high return rates and identify causes across product sizing, operational descriptions, and quality control and materials; an instant retail client used product health reports to trigger promotions or price cuts for slow-moving items and one-click replenishment for stock shortages.

3. Takeaways and risk notes: Hand the most painful workflows to AI first; capture senior employees' experience in a shared knowledge base to ease turnover and high training costs; also prioritize content safety, compliance review, unified field definitions, and system orchestration, so point tools do not fail to support cross-channel operations. Sellers can learn from Tencent WorkBuddy and the Agent system's customer case cooperation and implementation approach.

Core insight: Agents can orchestrate content production and R&D workflows on demand, forming flexible production lines; factories can borrow their logic for demand insight, production, quality checks, and knowledge capture.

1. Production and design needs: In the platform e-commerce case, an Agent matrix first monitors high-quality content across industries and channels and extracts asset requirements based on trends; asset production Agents then call voiceprint, image, and video capabilities to create product detail pages, main campaign images, and marketing short videos; quality-check Agents perform content safety review; after publishing, conversion is tracked and fed back. This reflects a flexible approach to organizing production by demand and adapting assets by channel.

2. Business opportunities: There is Agent deployment space in massive product content, cross-border compliance content, instant retail replenishment, and promotional pricing; the case shows content production and product operations efficiency up 60%, approval pass rate up 40%, and daily calls exceeding 100 million.

3. Digitalization implications: Extract the most cumbersome and painful workflows for AI, unify field definitions, connect business and supply chain systems, coordinate scheduling, and turn reusable experience into digital assets; in R&D collaboration, agents can break down tasks, search code repositories, write code, and create test cases, while engineers focus on review and innovation.

Industry trend: AI is moving from a question-answering tool to a digital assistant that can independently take on tasks and complete delivery; on-demand orchestration of Agents across platforms and modules is becoming the implementation direction.

1. Customer pain points: Massive product content production and compliance review create heavy pressure; business analysis requires pulling data from multiple BI systems and takes days or even a week; managers must gather project progress and risk information across systems; instant retail suffers from delayed inventory updates, long dashboard build cycles, and high training costs due to staff turnover; R&D remains limited by point-to-point code completion.

2. Solutions: Use an Agent matrix for content insight, asset production, quality checks, and performance tracking; use after-sales quality-check Agents for return attribution; use office workstation Agents to pull progress, identify risks, and remind about meetings; use product Agents and store manager Agents for health reports, promotional pricing, and replenishment; use a shared knowledge base to capture experience; use R&D agents to split subtasks, search code, write code, and create test cases.

3. Technology foundation: This requires unified field definitions, connected business and supply chain systems, unified scheduling, and capabilities for memory, context understanding, and feedback loops. Case results include 60% efficiency gains, a 40% increase in approval pass rate, and daily calls exceeding 100 million.

Platform needs and problems: Platforms face pressure from massive product content production and review, cross-channel global compliance adaptation, slow responses to mid- and long-tail needs, long data dashboard build cycles, cross-system collaboration, and staff turnover.

1. Latest platform practices: Build content production lines with a full-scenario AI office workstation and Agent system; set up an insight Agent matrix to monitor high-quality content across industry channels; asset production Agents call atomic capabilities such as image and video; quality-check Agents perform safety and compliance review; after publishing, track conversion and feed back results; also use product Agents, store manager Agents, and project collaboration Agents to advance operational management.

2. Operational management: Product health reports trigger promotions or price adjustments for slow-moving items, and one-click replenishment for stock shortages; Agents automatically uncover project progress, identify risks, remind about key milestones, and book meetings; a shared knowledge base gives new employees access to best practices from stores nationwide.

3. Risk avoidance and capability building: Content safety review, compliance review, unified field definitions, connected business and supply chain systems, and unified scheduling are the foundation for platforms to deploy Agents; the case shows content production and product operations efficiency up 60%, approval pass rate up 40%, and daily calls exceeding 100 million. Platforms can observe Agent capability output and cooperation models through Tencent Cloud's industry ecosystem and customer cases.

New industry direction: AI is shifting from a question-answering tool to an agent that can take on tasks and complete delivery; organizations are moving from large departments to small teams or even one-person companies, from human-led delivery to human-machine collaboration, and from knowledge transfer to shared knowledge bases.

1. Business models: Agent matrices, flexible production lines, full-scenario office workstations, and on-demand orchestration are emerging; content production forms a closed loop of insight, production, quality checks, and performance feedback; business analysis produces actionable and traceable reports; Agents advance projects in business collaboration; in R&D, agents break down tasks, search code repositories, write code, and create test cases. Case data include 60% efficiency gains, a 40% increase in approval pass rate, and daily calls exceeding 100 million.

2. New problems: Mid- and long-tail needs remain unaddressed for long periods; organizational experience is scattered, and staff turnover creates knowledge gaps; cross-system work requires unified field definitions, connected business and supply chain systems, and unified scheduling; global expansion faces operating rules and regulatory requirements across countries and regions, and content safety and compliance review must be moved upstream.

3. Implications: Companies need not wait for a universal agent; they should first hand their most painful and cumbersome workflows to AI and turn reusable experience into digital assets; policymakers should pay attention to compliance review and cross-border rule adaptation.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

【亿邦原创】11月20日消息,在2026第八届亿邦产业互联网年会暨首届产业智能体大会上,腾讯云行业生态总经理张林发表了题为《Agent走进业务场景,从回答问题到完成任务》的演讲。他指出,AI正在从擅长“回答问题”的工具,走向能独立承接任务、完成交付的数字助手甚至数字员工;企业不必等待万能智能体,而应先把最繁琐、最痛的业务流程提炼出来交给AI Agent,并把散落在组织中的可复用经验沉淀为数字资产。

温馨提示:本文为速记初审稿,在不影响原意的基础上,由亿邦动力编辑整理。

以下为演讲实录:

01 AI正在变:从“给答案”到“接任务”

大家上午好!我是来自腾讯的张林,今天非常荣幸能收到亿邦动力的邀请,和大家交流我们近期观察到、也正在亲身经历和参与的一大趋势:AI正在逐步走入业务场景。

2025年我们刚开始探讨、接触AI的时候,大家更多认为它是一个很擅长回答问题的优质工具。但在当下的商业环境中,面对领导、客户和合作伙伴,仅仅会回答问题显然不够。我们真正需要的,是能够切实帮助企业和产业解决问题的数字助手,甚至可以说是数字员工。这也是为什么我们认为,当下正在经历一场重大且深刻的变革。

这场变革主要体现在两个维度。

第一是业务层面的显著变化。过去我们谈AI,更多认为它是单点交付的工具,会在预期范围内给出答案。现在随着AI及AI Agent智能体能力提升,我们可以把部分任务交付给AI,让它在特定目标和能力范围内独立完成一整块工作。

第二是AI运行模式的变化。过去AI是在我们预设的流程框架内辅助提效,最终完成指定任务或交付成果;现在只需要把目标和需求告知AI,它就可以自行拆解任务、调动相应原子能力,甚至能把任务交付过程中收到的正负反馈同步到整个业务系统。它更像一位成熟老练、经验丰富的老员工,不需要我们逐一告知细节化的工作手册,就能协助完成任务。

第三点也是我最想强调的:过去很多中长尾需求,受限于人力、物力条件,无法第一时间响应、上线,甚至有部分需求会被长期搁置、最终放弃。但在AI Agent能力落地之后,一线业务人员或者产品经理,只需要把发现的不合理场景、业务功能需求提交给AI,它就能快速迭代上线,以极高效率提升整体业务的用户体验。

同时,组织架构也在快速迭代进化:从过去的大型BG、大部门模式,到现在的小团队甚至一人公司模式;从过去由人主导推动项目和业务交付,到现在更多通过人机协同完成交付;过去新员工在业务交接、知识传承上存在很大断层,现在通过共享知识库,可以让新人快速融入整套体系。

这一整套变革落地后,最终效果是:既可以让已经在运行的业务更快、更好地运转,也能让过去无法承接、难以落地的需求得到快速实现。

02 四个客户案例:内容、分析、协同、研发怎么干

接下来我想通过几个我们服务客户的实战案例,和大家介绍在电商生活领域,我们如何借助这场变革,推动AI走进业务场景、完成实战落地。

第一个场景是内容生产。电商行业有海量商品,需要创作、生产海量内容。过去在内容生产环节,更多是通过“工作流+底层大模型”的单点提效模式,批量生产图片、文案。但随着商品数量、品类不断增多,营销渠道、平台不断丰富,再加上出海需求,我们在各个国家、地区和领域都会面临新的运营规则、监管要求,仅靠单点AI工具,已经无法高效满足业务需求。

我们服务过一个头部平台电商客户,它拥有百万级商品库、千万级SKU,每天都要生产大量内容素材,包括商品详情页、主投图、营销短视频;同时这些内容素材还要经过安全审核、内容合规审核,并且需要结合新规则不断优化迭代。为了应对这一场景,他们基于腾讯WorkBuddy,结合当下的AI Agent体系,打造了一整套Agent生产线。

这条生产线的运作逻辑是:首先在内容洞察环节设置Agent矩阵,实时监控全行业、各渠道的优质内容素材,结合当下热点提炼形成内容素材需求;随后需求流转到素材生产Agent,它会根据提炼总结的内容方案,调用底层成熟的AI原子能力,包括声纹、图像、视频相关Agent,最终剪辑完成符合要求的内容素材;素材生产完成后,会通过质检Agent体系,对所有素材进行内容安全审核检测;内容发布之后,Agent还会持续跟踪内容在各营销渠道、官方平台带来的转化效果,最终把效果数据反馈给整个Agent生产线体系。

这套体系更像一条柔性供应链、一条柔性生产线,最终效果十分显著:整个平台电商的内容生产、商品运营效率提升了60%,投放成本大幅下降,商品相关内容素材的审核通过率提升了40%,每日系统调用次数突破一亿次。这个案例说明,过去通过单点AI提效的workflow模式,虽然能解决单点生产效率问题,但通过Agent实现跨平台、跨业务模块的按需联合编排,可以在更多场景下解决业务按需交付的问题。

第二个场景是经营分析。过去在商品运营、电商运营工作中,数据分析人员最常遇到的痛点是收到类似这样的需求:“最近我们的鞋靴品类销量波动、退货率偏高的原因是什么?请帮忙分析一下。”通常接到这类需求,分析人员首先要从海量订单中定位问题订单,随后跨多个BI系统下钻提取数据,在海量数据中筛选出对应的问题数据,先生成数据分析报告,再结合数据归因提炼问题点。整套流程走下来,往往要占用数天甚至一周以上时间,效率非常低。这套逻辑本质上还是“回答问题”的思路。

我们服务过一家跨境鞋服电商客户,他们基于全场景AI办公工作台打造了一整套商品售后质检Agent。当一线业务人员发现某款靴子近期退货率偏高时,只需要向Agent提交需求——“帮我分析一下当前这款靴子退货率偏高的核心原因是什么”,整个Agent就会自动启动工作流程:首先在海量订单中定位退货率偏高的问题订单,将这些订单和此前运行顺畅、无异常的订单做样本比对,提炼出可能存在问题的典型场景,覆盖产品、运营、品控多个维度。比如产品层面,排查是否存在靴子尺码和客户需求不匹配的问题;运营层面,排查营销环节的商品描述是否和客户实际收到的货品存在货不对板的情况;品控层面,排查商品材质是否存在问题。结合整套下钻分析体系,它最终会形成一份可执行、可追溯、可优化的分析报告,业务人员和分析专家只需要对最终判断结论做审核,就可以直接推进到下一个业务优化环节。这就是“完成任务”的逻辑。

要落地这整套Agent体系,不光需要匹配对应的产品和业务逻辑,还需要非常强大的技术底座支撑:比如要统一字段定义,打通业务系统、供应链系统的各个环节,同时实现统一调度,这也是WorkBuddy作为全场景办公工作台一直希望打造和建设的基础能力。

第三个场景是业务协同。作为团队和业务的管理者,我平时会投入大量精力在三件事上:制定目标、抓执行、控风险。日常要做好这三件事,我必须在各类项目管理系统、业务系统,甚至企业微信、个人微信,还有部分友商的即时通讯平台上,拉取各类项目进度、执行情况、风险点信息,还有员工的动态情况,这会占用我大量工作时间。有了搭载AI能力的WorkBuddy Agent之后,我不需要再做这类基础数据挖掘工作:只需要把需求、目标,以及需要重点关注的风险点告知它,它就会自动在各个业务系统中挖掘我所关注项目的进度,识别风险点,甚至在遇到关键里程碑时主动给我提醒,帮我预定会议、推进整个项目落地。在一定程度上,它已经从过去类似秘书的角色,转变为真正能够推进业务的项目经理角色。

我再分享一个真实案例,是我们服务过的一家做前置仓即时零售的闪电仓客户。这家客户不光拥有海量商品库和SKU,旗下还管理着数千家经营门店,每个门店都有自行招聘的员工,员工能力模型、个人资质参差不齐,人员流动性也非常大。他们通常面临三方面痛点:第一,商品周转、库存、滞销相关信息更新极不及时;第二,由于跨区域、跨领域经营,门店经营的整体数据过去依赖数据中台开发,战区看板、数据监控的搭建周期很长,通常要以周为单位等待;第三,由于人员流失率高,新员工上手需要经历很长培训周期。

针对这些痛点,他们现在利用WorkBuddy结合AI Agent,打造了一整套融合人、AI与系统的运营工作流和生产线。商品运营专员每天打开电脑开始工作时,商品Agent就会将一份商品健康度报告展现在他面前;一旦某款商品出现滞销,或者在某个区域存在高库存风险,系统就会及时触发下一个流程——商品促销或者调价流程。门店运营店长也有专属Agent,它可以帮店长整合展示每天店铺实时的商品经销、推广相关信息和数据;一旦店内某款商品库存不足,就可以一键触发商品补库流程,在商业后台完成补货操作。同时,整个前置仓体系搭建了共享知识库,各个区域门店资深店员的经验、成熟的营销方案都是共享的;新员工加入任意一家门店,都可以获取全国所有门店沉淀的优秀营销案例和经验。

这个案例给我们的启示是:AI Agent落地之后,不光能帮业务提效,更是组织能力的放大器——它可以把散落在整个公司、整个业务体系里,有经验、有价值的员工脑中的可复制方法论、成熟方案,沉淀为企业长期的数字资产,转化为可复用能力,让新入职员工快速融入企业,快速转化为即战力。

第四个场景是研发协同。腾讯作为较早落地AI应用的企业,内部很多业务板块、包括研发部门,一直都在实践如何通过AI提升研发效率。从我们的实践经验来看,虽然AI能力不断提升,但研发领域的核心模块并没有发生太大变化,依然是过往的重点模块,只是底层实现逻辑发生了根本变化。过去AI更多是辅助工程师、开发者高效完成代码补全、测试用例开发这类工作,本质上还是点对点回答、交付的模式。但现在,随着AI智能体具备记忆能力、上下文理解能力,甚至可以通过反馈循环将过往经验反哺到智能体体系中,整个研发模式已经发生显著变化:工程师更多会直接把需求提交给AI智能体,它会自动拆解子任务——比如判断需要调用哪个代码库、使用Python还是C语言,在历史代码库中检索匹配代码,完成代码编写,同时研发对应测试用例,最终通过测试后,在代码预发布阶段甚至可以完成初步审核,再交付到工程师手中。

工程师最终只需要完成代码审核工作,可以把更多精力放在更有价值、更有创造性的工作上:比如思考如何优化新技术架构,在提效的同时降低研发成本。甚至一些小型需求,产品经理可以直接提交给AI智能体,基础研发工作不需要工程师亲自动手,只需要最终完成发布审核即可。这会极大解放优秀工程师的精力,让他们把更多时间投入到更有价值的工作中,比如思考业务方向、探索前沿技术这类创新性工作,而不是把精力浪费在增删查改这类耗费人力的工作上。

03 企业怎么用:先把最痛的流程交给AI

以上就是我通过几个真实案例,和大家分享的AI智能体如何在内容生产、经营分析、业务协同、研发协同四个业务场景中实现任务落地、完成任务交付的内容。最后我想用三句话,概括我们观察到的AI未来发展方向,以及给大家的几点启示。

第一,随着AI智能体的演进,很多过去无法响应、无法落地的中长尾需求,尤其是那些能够优化用户体验的小型功能点,现在已经具备承接、落地的可能,这是非常切实的第一个价值点。

第二,未来企业需要更多关注内部有哪些可复用的经验——那些散落在各个角落、经过验证可落地执行的流程,会是企业更需要关注、更需要积累的核心数字资产,对企业而言具备极高价值。

第三,企业不需要期待一个无所不能的数字员工、一个超级智能体来解决所有问题。我们只需要梳理现有业务流程中,那些最让人头痛、最繁琐、最希望优先解决的业务流程,尝试把这些流程提炼出来,交给AI智能体、交给AI Agent来解决。只要迈出这一步,大家就会发现,AI不只是一个只会回答问题的工具,更能成为业务开展过程中非常得力的数字帮手。

以上就是我今天分享的全部内容,也希望在座各位都能在AI的浪潮中乘风破浪。最后预祝本次年会圆满成功,谢谢大家!

关于本次大会

2026第八届亿邦产业互联网年会暨首届产业智能体大会,主题是“AI与出海带来的模态进化”,聚焦产业智能体落地、AI供应链价值重构、数据要素与TOKEN经济、产业出海新生态等前沿议题深度思辨。大会集结学界权威、央国企标杆、产业龙头、投资机构、服务生态,汇聚产业核心力量、拆解产业数智化转型路径、分享前沿实战经验。

产业互联网是数智技术、全球化、产业链、供应链变革引发的产业新模态,亿邦动力产业互联网年会已成为我国产业互联网领域的标志性行业交流活动。

亿邦持续追踪报道该情报,如想了解更多与本文相关信息,请扫码关注作者微信。

本文首发于 亿邦动力 官方网站

文章来源:亿邦动力

广告
微信
朋友圈

FAQ回顾

AI Agent和传统AI工具的核心区别是什么?

传统AI工具更擅长回答问题,通常在预设流程框架内辅助提效;AI Agent则能承接任务,根据目标自行拆解任务、调动原子能力,并把执行中的正负反馈同步到业务系统,独立完成一整块工作,更像数字助手甚至数字员工。

企业应该从哪些业务流程开始落地AI Agent?

企业不必等待万能智能体,应先梳理现有业务流程中最头痛、最繁琐、最希望优先解决的环节,把流程提炼出来交给AI Agent。可从内容生产、经营分析、业务协同、研发协同等高频且痛点明确的场景切入。

AI Agent在电商内容生产场景能带来哪些效果?

在头部平台电商案例中,基于腾讯WorkBuddy和AI Agent打造内容生产线,覆盖内容洞察、素材生产、安全质检和效果跟踪。落地后内容生产与商品运营效率提升60%,投放成本大幅下降,内容审核通过率提升40%,每日系统调用次数突破一亿次。

AI Agent如何帮助企业沉淀组织经验?

AI Agent可作为组织能力放大器,通过共享知识库把散落在资深员工、区域门店的可复用方法论和成熟营销方案沉淀为数字资产。新员工加入后能快速获取全国门店的优秀案例与经验,缩短培训周期,更快转化为即战力。

AI Agent在经营分析场景如何提升效率?

面对退货率偏高等分析需求,Agent可自动定位问题订单,与正常订单做样本比对,并从产品、运营、品控等维度下钻排查,形成可执行、可追溯、可优化的分析报告。业务人员只需审核结论,减少过去数天甚至一周的分析时间。

这么好看,分享一下?

朋友圈 分享

APP内打开

赞 +1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0