客户案例

一方面是行业共性痛点：一是组装模式下软硬件割裂，产品性能不足，难以适配工厂光线多变、工件存在公差、现场环境杂乱的复杂生产场景，实验室模型落地适配性差；二是行业内不少人形机器人销量来自高校、科研院所的科研经费采购，并非产业端真实生产需求；三是全尺寸人形机器人整机成本居高不下，泛化能力、故障自处理能力有待提升，大规模落地普及难度大，同时精密零部件供应链存在瓶颈，未来赛道涌入大量竞争者，价格战、技术竞赛不可避免。另一方面是企业自身痛点：一是尚未实现盈利，高额的研发、场景试错等投入持续挤压利润，盈利拐点尚不明确，全尺寸人形机器人的高增长存在低基数效应，增速可持续性受制造业客户资本开支周期、产品投资回报水平等因素影响存疑；二是同时布局工业、商用、家庭消费三条差异极大的赛道，叠加上游零部件收购、端侧芯片研发、产能建设等动作，战线过宽存在资源分散的风险，难以在各赛道做到绝对领先；三是家庭消费级产品售价高

优必选选择走全栈自研而非组装贴牌的差异化路线，从技术、落地、供应链三个维度搭建核心竞争力，破解行业与自身发展痛点。技术层面，覆盖伺服驱动器、运动控制本体、基座大模型、世界模型、仿真平台等全链条技术，打造“具身大脑、仿人小脑、高性能本体、群体智能”四大技术集群，自研核心大模型并自建数据中心沉淀真实工况数据，形成“上岗干活-产生数据-模型进化-承接更复杂任务”的正向迭代飞轮，解决软硬件割裂、场景适配难的问题。落地层面，以工业场景为核心收入基本盘，对接制造业头部客户需求，打磨全尺寸人形机器人的搬运、上下料、拆码垛、分拣等生产作业能力，同时布局商用场景的接待交互类产品和家庭消费级的情绪陪伴类产品，形成多场景梯度布局。供应链与产能层面，通过收购补齐伺服、末端执行器等零部件短板，联合行业伙伴攻坚端侧芯片，携手合作伙伴打造万台产能超级智慧工厂，向上游零部件、下游大规模制造环节延伸，掌握供应链主动权，推动成本下降与产能提升。

现有通用搜索引擎从底层逻辑到产品形态均围绕人类使用习惯优化，适配人类“查询-浏览-点击”的搜索链路，排序规则、结果呈现都以人类点击、满意度为核心优化目标，无法适配AI Agent的使用需求。AI Agent完成单复杂任务时往往需要执行几十甚至上百次搜索，对搜索的召回率、新鲜度、延迟、并发能力、机器可读性、token效率都有极高要求，传统搜索方案不仅延迟高、调用成本昂贵，返回的冗余网页内容还会大幅提升后续模型推理的token成本，导致规模化调用时成本极易失控；而市面上基于传统搜索API套壳大模型的方案没有从底层索引结构针对Agent场景优化，无法从根源解决成本、效率问题。

Keenable选择从底层重构搜索全链路技术栈，投入资源重新爬取全网网页搭建独立的Web索引，针对AI Agent的搜索需求优化索引结构、检索逻辑和排序规则，大幅降低搜索延迟和规模化调用成本。同时优化搜索结果输出形态，过滤冗余内容，输出精简、来源可信、适配模型推理的上下文内容，提升token利用效率，降低客户后续的模型推理成本。公司通过REST API、MCP Server、CLI等多种形式向AI Labs、推理服务提供商、Agent开发者开放搜索能力，针对不同规模客户设置阶梯定价策略，降低大规模高频调用客户的使用成本，后续还将研发WebQueryLanguage，支持AI系统整合多源网页信息回答跨页面的复杂问题，将开放Web转化为可被机器直接查询的数据集。

中国人寿庞大的经营规模带来了多维度运营难题：一是持有3.28亿份长期有效保单，有约66万销售人力、近2500个线下柜面以及超1.75亿寿险App用户，多类资源的协同调度和运营管理难度极高；二是寿险合同存续周期往往长达数十年，同一客户的数据会在销售、核保、缴费、保全、理赔等多个环节持续更新，进一步加大了系统稳定运行、数据统一管理以及跨机构协同的难度；三是销售端专业服务长期高度依赖代理人个人经验，多渠道协同存在系统、流程、人员衔接不通畅的问题；四是传统核保、理赔、风控等后端环节以人工处理为主，效率偏低，客户体验有待优化，风险识别介入时间滞后，难以适配超大规模业务的运营需求。

中国人寿围绕各类运营痛点分层落地数智化转型举措：首先对底层数字底座进行重构，完成核心业务系统的分布式架构改造，搭建“两地三中心”混合云架构实现算力弹性调度，同步搭建企业级数据治理体系，保障全链路数据的一致性与可用性；其次搭建企业级人工智能赋能平台，从知识库、智能体、AI机器人等多个维度落地大模型相关能力，为全业务场景的数智化改造提供技术支撑；再者将数智能力嵌入销售及客户经营全链条，打造AI辅助的代理人培训与展业工具，搭建多渠道协同数字化平台，构建覆盖线上线下的全周期客户服务网络；最后推动后端运营的智能化升级，将AI技术应用到核保、保全、理赔、风控等各环节，实现标准业务自动处理、风险前置识别，最终形成覆盖保单全生命周期的智能运营闭环。

此前腾讯存在算力不足问题，拖慢大模型训练与产品发展进度；过往大模型在长链路复杂任务中缺乏最终校验能力，易出现事实错误、计算偏差、交付兼容性问题，无法完全脱离人工独立交付成果。

推出专项优化的混元Hy4 preview大模型，构建模型递归自我改进机制，提升复杂任务处理能力；采用preview先行收集用户反馈的迭代策略，加快模型迭代速度；整合原有分散的模型体系，统一模型入口；推动大模型与办公、开发等多个业务场景深度绑定落地。

当前办公Agent领域产品功能趋同难以形成差异化；用户使用Agent时为避免返工倾向选择高成本档位，使用成本高；传统模型与Agent各自优化易出现工具调用错误、上下文冗余问题，推高Token消耗、降低运行速度；用户普遍存在Token成本焦虑，很多日常任务不舍得使用Agent处理

千问办公联合千问大模型团队采用模型与Agent双向协同优化方案，首发搭载适配办公场景的大模型，从架构层面提升计算效率降低单Token成本；同时针对办公场景做专项训练，优化Agent的工具调用、上下文管理等环节，减少不必要的Token消耗；简化产品档位设置，用标准模式满足绝大多数日常办公需求，兼顾使用效果与成本

Astro开源框架的GitHub问题此前完全依赖维护者手动处理，未解决问题积压多，维护人力成本高，处理效率低。

拆分问题处理全流程为多个独立子智能体任务，各智能体通过专属文件传递信息，将工作流设计为GitHub Issue标签驱动的状态机，在隔离沙箱中运行智能体任务，自动输出修复方案及预览版本供上报者验证，验证通过后自动生成拉取请求，同时将智能体运行失败作为代码库可维护性优化信号。

大模型推理成本是AI产业落地的核心瓶颈，随着模型规模扩大、多模态智能体场景爆发，推理引擎面临算子执行效率低、KV Cache显存占用高、量化精度与性能难以兼顾、不同推理阶段资源需求差异大、单机/单卡难以承载超大模型等问题，同时现有开源推理引擎对国产芯片适配度有限

从算子优化、内存管理、混合精度量化、异构调度、自适应并行五个维度构建全链路大模型推理加速技术栈，推出适配国产芯片生态的开源推理引擎赤兔

1. AI Agent属于非确定性系统，内部包含任务规划、工具调用、记忆检索等复杂机制，传统观测手段无法洞悉其内部决策逻辑，出现响应变慢、报错等异常时排障难度大；2. Agent系统分为业务应用、Agent框架、大模型推理服务、云基础设施四层，各层观测数据分散，存在链路断、语义断、因果断三个观测断层；3. Agent内部编排响应存在不确定性，易在短时间内触发巨量大模型调用，导致Token消耗激增，成本管控难度大。

1. 搭建融合传统观测数据与AI场景特有数据的统一观测基座，涵盖全栈观测门户、统一集成中心、统一数据加工、统一看板、统一告警五大支柱能力；2. 基于OpenTelemetry标准拓展AI专属语义字段，实现从上层业务内容到底层基础设施指标的全栈穿透透视；3. 与自研Agent研发平台AgentKit深度集成，为用户提供开箱即用的会话诊断、调用链分析、记忆与知识库专项监控能力；4. 构建观测数据回流评测的工程闭环，通过离线评测与在线评测结合的方式支撑Agent持续迭代优化。

即时通讯场景中非联系人发送的诈骗消息容易给用户造成财产损失，传统基于云端的反诈检测方案需要上传用户聊天内容，存在隐私泄露的隐患。

推出端侧运行的可选反诈功能Scam Alert，聊天消息分类检测完全在用户本地设备完成，同时结合多重隐私技术实现模型性能统计、安全分发，兼顾反诈效果与用户隐私保护需求。

原有处理架构易出现热点实例，高负载下易丢失数据或生成不完整服务地图，原有gRPC内部传输协议在大规模场景下序列化、连接池管理及内存压力成本过高。

采用三阶段流式处理结构分离解析、数据丰富与持久化流程，使用Apache Pekko Streams管理回压避免数据丢失，管道阶段间内部传输改用服务器发送事件降低运行成本，通过一致性哈希实现集群负载自动分配，保留时间窗口聚合快照支持历史拓扑重建。

传统CI采用YAML配置灵活性不足；CI步骤失败后需要重跑整个管道，执行效率低；依赖项每次执行都需重新安装，耗时较长；CI触发配置复杂，需要对接订阅、队列、消费者等多个组件。

推出面向Cloudflare Workers运行时的CI SDK，支持开发者使用TypeScript定义CI管道，将每个CI步骤作为持久化Workflow运行，内置断点检查点实现失败步骤重试、断点续跑，通过R2存储缓存依赖项快照实现复用，优化CI触发机制支持代码推送事件直接启动工作流，同时推出独立的自愈功能示例，借助大模型自动生成故障修复补丁待工程师审核合并。

智能代理辅助编码的工作流中，开发人员依赖大语言模型做代码规划、实现与审查时，可能未充分理解代码差异就合并拉取请求，工程师缺失针对代码变更构建心理模型的过程，常规代码审查代理的审批易带来虚假安全感，且传统后端遥测无法覆盖前端回归问题检测。

推出gcx CLI和Grafana MCP服务器两款工具，支持智能代理从Grafana Cloud或自建技术栈提取指标、日志等各类可观测性数据，将可观测性数据作为额外校验依据纳入代码审查流程，配套提供相关技能包、插件支持自定义工作流搭建，同时推出实验性Agentic Testing功能实现前端UI流程检查。

1. 业务高速扩张下，原有集中式数据团队管理模式成为瓶颈，去中心化数据架构落地后又面临全公司数据可见性不足、成本难管控、性能质量难保障的问题；2. 数据科学家被大量临时数据需求占用，业务侧获取数据响应速度慢、门槛高；3. 原有平台健康追踪日志延迟高，高频诊断扫描成本过高，且日志查看权限门槛高，无法及时发现数据管线错误；4. 系统告警配置需编写大量复杂SQL，技术门槛高，业务人员无法参与配置。

1. 采用模块化数据栈，基于基础设施即代码能力支持各业务单元自主管理专属计算资源与数据管线；2. 分阶段迭代AI数据分析工具，最终推出基于Snowflake Cortex Agents的定制化对话式数据助手，降低数据使用门槛；3. 升级原生遥测引擎，采用下一代事件表提升数据接入速度，降低日志成本；4. 落地AI辅助可观测工作流，支持通过自然语言快速配置系统监控告警；5. 制定严格的AI输出规范，保障数据结论的可信度，配套集中式成本追踪、智能告警推荐等能力平衡效率与风险。

1. 传统因果分析存在大量繁琐、易出错的重复性工作，人力成本较高；2. 无真实标注数据的场景下，难以评估因果推断智能代理的任务表现；3. 非专业人员直接使用大模型开展因果分析容易得到存在偏差的结果，准确性难以保障。

构建双代理模式的OCI智能代理工作流，由执行代理按照用户分析计划自动执行分析任务，评审代理负责审查输出结果并提出修改建议；结合流程审核与人工监督机制，解决无标注场景下的智能代理评估问题；工作流可自动调整参数开展多次分析，留存全流程执行记录供专家验证。

内部AI工具使用分散，开发者每月常用多个AI工具，新模型推出后token消耗急剧上升，支出增速快；分散的工具导致账单难以统计，早期手动汇总数据效率极低；初期仅实现支出可视化，缺乏有效干预管控的切入点；若强行限制工具选型，会因AI工具市场迭代快错过更优的产品选择。

构建统一的AI访问与记账层，开发Central CLI作为自研及第三方AI工具的统一调用入口，所有请求经由内部AI平台路由，打通现有AI-credit体系，支持为不同开发者、团队配置支出限额，将工具选择权与支出治理能力分层，不限制开发者使用合适的AI工具。

1. 商业内容团队对短周期、多版本、多平台适配的批量短视频需求激增，传统生产模式及零散AI工具无法满足交付要求；2. 多工具切换操作繁琐，AI生成环节提速后，人工仍需承担需求拆解、资产整理、版本筛选、校对修改、交付管理等大量工作，隐性成本高企；3. 现有AI工具能力割裂，无法承接完整的商业视频生产任务，缺少面向企业级用户的一站式全链路生产平台。

MiniMax打造差异化的MiniMax Design商业视频生成平台，从原生多模态模型出发重构生产流程：一是以Agent为创作入口，用户输入需求后由主Agent拆解任务，多Agent协同完成全链路生产；二是面向视频原生多模态生产，将全流程环节整合在同一画布，减少跨工具切换成本；三是推出Skill机制，沉淀成熟生产流程支持批量复用，保障输出一致性；四是支持开放适配，可调用本地资产，底层模型提供多种接入方式，无需迁移企业原有生产流与资产。

传统AI材料研发仅能完成计算端的材料筛选、预测工作，实验端的合成、表征、验证速度无法与计算端匹配，二者未形成闭环导致模型预测结果难以直接转化为可用的配方与工艺；过往材料研发多依赖研发人员经验，相关研发数据难以记录和复用，研发效率低、周期长。

打造包含材料数据库、物理预测模型、材料智能体、高通量实验平台的完整技术体系，推出AI Agent驱动的高通量自动化实验平台，打通材料研发从规划、设计到执行、反馈的全流程，实现模型可通过真实实验数据不断校正，研发过程数据可沉淀复用。

原有Excel长期规划模型随业务迭代不断叠加逻辑与表单，维护、治理、扩展难度持续升高；不同部门、不同层级人员对规划数据的细粒度需求不同，需要手动导出多版本数据，协同效率低；场景规划、版本比对、差异分析等工作需要大量手工操作，财务团队耗费过多时间在模型运维上，无法快速响应高管实时提出的战略问答需求。

将长期规划模型迁移至Snowflake平台，搭建内部规划应用Snowplan，直接对接原生业务数据源，实现实际数据自动同步更新；采用Streamlit作为UI层，针对不同角色开放对应权限的功能，支持假设管理、场景对比、版本控制等能力；接入Snowflake CoCo，支持用户通过自然语言完成版本比对、驱动因素分析、场景创建、敏感性分析等操作，实现对话式规划交互。

大规模运维场景下，故障发生后工程师需要耗费大量时间收集服务归属、部署记录、日志指标、过往故障案例等各类背景信息，才能启动故障诊断工作，整体排查效率较低。

上线Blueberry AI辅助事故响应系统，结合大模型能力与配套工程框架，接入内部事故历史、服务归属、日志、部署等多维度运维数据，集成现有Slack故障处置流程，通过多AI智能体并行检索信息，为工程师提供具备事实依据的故障上下文与根因假设，辅助完成故障排查。

一是AI模型输出存在幻觉与不确定性，复杂业务场景下难以保障代码质量与一致性；二是AI Coding应用存在敏感数据泄露、工具越权调用等安全合规风险；三是不同团队技术栈、研发流程差异大，应用价值难以量化，规模化推广需要同步调整平台、流程与研发文化。

通过内部开源与社区共创汇聚各团队AI Coding使用经验，沉淀可复用的工具与Agent Skills；打造Agent Skills驱动的智能化研发能力，覆盖SDLC全环节；集成现有研发工具打通跨工具Agent工作流；建立AI Coding安全治理、风险评估机制平衡效率与工程风险；先选取高价值试点场景形成可复制路径，配套开发者培训、社区运营机制推动规模化推广。

现有数据湖针对分析扫描优化，单条记录检索效率低，查询规划、元数据遍历等环节会带来大量额外开销；企业存储的在线数据和数据湖数据体量庞大，跨系统大规模复制数据的成本持续升高；同一数据集需要维护多套重复存储系统才能满足不同工作负载需求，运维成本高。

推出RAP存储架构，在Parquet文件之上新增针对点查询优化的专用外部索引层，同时配套多种存储布局优化措施及二级索引能力，保持与现有Parquet文件、Iceberg表的兼容性，无需复制数据即可支持多类工作负载共用同一数据集。

通用AI模型不了解企业的业务规则、指标定义及业务上下文，无法适配企业实际业务需求；企业不同业务系统间语义不统一，容易出现语义漂移问题，导致AI跨系统执行时结果矛盾；AI落地时需要重新搭建权限、治理体系，成本高且难以适配企业原有规则；AI自主执行动作时缺乏明确边界约束，容易引发数据泄露、业务操作错误等风险。

基于自身数据平台已有的业务数据、权限及治理规则开发AI工具，无需企业迁移数据或重建权限体系；基于本体论架构搭建企业认知层，定义企业业务概念及相互关系，填补AI模型与数据表之间的意义层，让AI能够正确理解企业业务逻辑；推动厂商中立的开放语义标准，实现不同系统间语义模型的交换，解决跨系统语义漂移问题；将原有数据治理与权限体系延伸至AI应用场景，收购相关平台扩展AI治理范围，作为企业智能体的控制平面，明确AI的操作边界。

一是原有基于Zig开发的Bun项目漏洞持续增多，甚至引发Anthropic代码泄露事件，且Zig语言不适配Bun混合内存管理的架构；二是手动重构代码工程量大，小型工程师团队需要耗时一年，期间将暂停Bug修复、安全更新和新功能开发。

采用并行运行的Claude智能体工作流自动生成Rust代码完成移植，再用Bun自带的全量测试套件对生成的代码进行全面验证，保证功能符合预期。

流媒体广告位资源紧张，需要在极短时间内从大量候选广告中选出符合多方要求的广告；高并发场景下需要保障低延迟响应，避免影响用户播放体验；分布式多服务协同难度大，个别组件故障容易导致播放中断；需要同时兼顾广告定向、效果衡量、系统稳定性等多维度需求。

采用分布式架构处理广告请求，通过瀑布式分层方法结合PID、SHALE等节奏控制算法筛选广告；配套故障处理、重试等机制保障服务可用性；多团队协同开展系统运营监控；基于行业标准开发内部个性化定向等业务逻辑，平衡广告主需求、库存分配与用户体验。

传统基础设施无法适配Agent运行需求：虚拟机安全隔离性强但端到端启动需5-10秒，无法适配高频弹性场景；容器启动快但共享内核，安全隔离能力不足；Serverless适配无状态短任务，无法支持Agent有状态长周期运行。同时企业级Agent部署对运行环境的稳定性、状态可恢复性、现有基础设施适配性有较高要求，此前缺乏成熟生产级解决方案。

腾讯云基于2023年起为Serverless场景研发的底层基础设施，重构迭代出面向AI Agent的Cube Sandbox隔离运行环境底座，通过多版本迭代优化核心能力，适配Agent运行特性与企业生产部署需求，并开源项目推动行业Agent基础设施演进。

OpenAI侧大模型网络攻击能力评估环境的隔离机制存在漏洞，测试风险易外溢影响真实基础设施安全；Hugging Face在入侵事件处置过程中，商业大模型API的安全过滤器无法区分事件响应人员与恶意行为者，阻断原始漏洞利用日志提交，导致日志分析工作无法正常开展。

OpenAI升级基础设施配置管控措施，将Hugging Face纳入可信网络访问计划，规范零日漏洞披露流程；Hugging Face采用自有GPU基础设施托管开源开放权重大模型，本地处理入侵遥测日志，在保障敏感数据不泄露的前提下完成事件处置。

AI视频生产链路较重，需要多轮生成调整验证内容方向，若全程采用高清生成模式，试错成本高、耗时长，大量高清资源会浪费在未被采纳的试错版本上，同时会限制创意探索空间，难以满足持续生产的效率要求。

推出两种分层适配的AI视频生产路径：一是针对有明确高画质交付要求的项目，提供Seedance 4K高清直出服务，直接满足交付标准；二是针对需要多轮试错探索内容方向的项目，先以低规格生成快速验证方向，筛选出最终版本后再通过AI MediaKit画质增强方案提升至交付级画质，集中资源优化最终交付版本。

现有企业AI系统多基于关系型数据抽象运行，无法原生访问领域本体中的知识层，组织对业务语义的建模与AI系统的推理逻辑存在鸿沟；不同数据源的概念分类体系不一致，智能体难以跨体系完成复杂业务问题的推理；多工具配置的智能体编排复杂度高，存在同义词解析、复合术语处理能力不足的问题，运行结果波动大。

将各行业的领域本体语义引入Snowflake平台与业务数据结合，为AI智能体的推理提供结构化知识锚定；在基于Semantic View的基线方案基础上，叠加三类本体感知增强方案：基于Snowflake表实现的知识图谱方案、预处理概念画像的扁平化GraphRAG方案、嵌入人工整理术语映射规则的增强方案；通过Cortex Code的智能体优化技能迭代调优系统配置，提升智能体表现。

企业落地AI过程中存在多类痛点：一是通用大模型缺乏对企业业务上下文、指标定义、业务规则的认知，无法适配企业实际业务需求；二是企业不同业务系统间语义标准不统一，易出现语义漂移问题，导致AI跨系统执行任务时容易出错；三是AI从辅助咨询转向业务执行时，缺乏配套的权限、治理规则约束，风险不可控。

Snowflake的核心解法为：一是将AI工具与原有数据平台深度结合，依托平台已经沉淀的企业数据、权限、治理规则、业务上下文提供AI服务，避免通用AI工具的适配问题；二是搭建基于本体论的企业认知层，构建连接底层数据表与上层AI应用的意义层，将企业的概念定义、规则逻辑转化为机器可识别的结构；三是推动厂商中立的开放语义标准Apache Ossie孵化，解决跨系统语义漂移问题；四是将原有数据治理和权限体系向AI应用延伸，同时收购企业级MCP平台Natoma，扩展对Agent跨系统动作的治理范围。

原有JITA授权系统采用嵌入式条件逻辑，随着访问场景不断增加，逻辑复杂度持续提升，工程师无法快速定位访问请求被批准或拒绝的原因，也难以识别导致处理延迟的具体检查项，决策透明度不足，运维难度大。

采用规则引擎架构重构JITA授权系统，将授权策略拆解为独立规则通过有向无环图组织评估，配套通用上下文对象统一数据输入、规则级可观测、隔离规则执行、新旧系统并行验证、定期规则审查等机制，提升授权决策的可观测性与可解释性。

早期机器人创业团队普遍面临底层技术适配重复投入多、技术开发难度大、供应链对接难、融资渠道少等问题，难以集中精力开展产品定义与场景验证工作。

DGP地心引力计划通过搭建通用软硬件平台、建立会员服务体系、输出开发工具、联动产业上下游及资本资源、举办路演对接活动等方式，为创业团队提供底层技术、产业链协同、品牌传播、资本对接等全链路支持，降低团队创业门槛。

商业场景存在高并发、低时延、强动态知识更新、算力成本多重约束；直接上线大模型在时延、幻觉、成本上均遇天花板，存在效果、时延与成本的不可能三角；商品、优惠、库存等信息秒级变化，离线索引更新滞后带来较高幻觉风险；开放动态商业环境下固定策略长期运行容易失效退化；多轮对话的最终成交难以归因到历史关键对话动作，稀疏奖励导致模型优化方向偏移。

将知识变更前移至推理阶段实现实时注入，配套知识自裁机制消解多来源知识冲突；通过用户模拟与停滞检测机制实现Agent自进化，形成数据飞轮完成策略持续迭代；引入自适应混合步度归因算法，结合中间过程信号与最终转化结果动态调整归因权重，将稀疏业务结果转化为细粒度可学习反馈信号；放弃单链路覆盖所有问题的思路，在系统整体层面寻找效果、时延与成本的最优平衡。

原有ChatGPT模型存在回答冗余度高、事实错误率偏高、快速回答与深度推理模式下风格不一致的问题，同时免费用户可使用的模型版本较低，复杂问题处理能力不足，权限有限。

免费用户与Go用户默认升级为GPT-5.6 Luna模型，获得无限文本对话权限，新增Think按钮可调用深度推理能力处理复杂任务；Plus和Pro用户使用GPT-5.6 Sol模型，新增思考强度滑块可自主调节回答推理深度；优化模型回应逻辑，根据问题复杂度匹配内容详略，统一不同推理强度下的回答风格，强化事实核查能力降低错误率。

金融监管场景口径复杂、要求零容错、强追溯，通用Agent直接落地存在口径漂移、幻觉、不可解释的问题，易引发合规风险,数据资产与知识资产在构建及后续维护过程中，质量稳定性及稳定性评价存在不可控因素

打造面向金融监管的AIR Harness智能体底座，配套向量知识库、图数据库两大知识底座，建立数据资产与Agent双向驱动机制，实现口径受控执行、数据连接留痕可审计、全链路操作可追溯，抑制Agent幻觉、锁定执行口径，满足监管合规要求。

多智能体协作存在四类核心问题：需调用能力时难以找到适配的智能体、多参与方难以形成有效共识、任务执行依赖人工反复流转、项目经验难以沉淀为组织能力；同时企业数据受隐私、合规及业务边界约束，无法将全量信息和权限集中给单一超级智能体，且当前系统整合与组织协同水平滞后于单智能体的能力发展速度。

推出面向人类与异构智能体的开放协作平台Avernet，开源社区版本重点开放智能体协作网络能力，支持不同类型智能体灵活接入，可实现智能体发现、任务参与、多方共识达成、协作过程观测记录等功能，协作经验可沉淀复用；平台不绑定单一模型或智能体引擎，开发者可根据业务场景灵活接入组合现有能力，同时配套基础安全治理能力保障协作合规。

AI Coding和智能体技术提升了生成效率，但系统整合与组织协同能力滞后，难以组织分散在不同团队、系统的能力完成复杂任务,企业数据受隐私、合规和业务边界约束，无法将所有信息和权限集中交付给单个超级智能体使用,多智能体协作存在找不到合适智能体、多方难以形成共识、任务流转依赖人工、项目经验难以沉淀为组织能力的问题

推出多智能体协作基础设施Avernet，开放智能体协作网络能力，配套身份认证、权限控制等安全治理能力，不绑定单一模型或智能体引擎，支持不同智能体灵活接入，保障各参与者在自身权限边界内协作，同时沉淀复用协作经验。

1. 消费场景需求判断维度多元，商品库存、价格等信息随时间动态变化，履约链路长，现有AI Agent难以稳定处理涉及交易、履约的复杂消费需求；2. 原有AI功能为独立入口，无法适配各场景需求，传统图形界面操作步骤多，难以覆盖个性化、长尾的复杂筛选需求；3. 大模型自主生成内容易出现信息错误，无法保障旅行相关商品及服务的真实可售、可执行。

飞猪推出新一代AI产品V10，将可唤起的AI Panel嵌入首页、酒店、机票、度假、订单等全业务场景，打造「帮我想、帮我订、帮我办」三类核心服务，覆盖旅行全链路；采用「受约束的自主性」技术架构，通过商品短别名、白名单、规则引擎、轻量在线验证等机制保障商品信息真实，同时优化Prompt模式、开展模型后训练，平衡模型自主性与结果可靠性；采用自然语言交互界面与传统图形界面结合的交互模式，兼顾成熟交易效率与复杂需求处理能力；建立多模型打分+人工复核的评测机制，保障输出结果符合可用标准。

AI视频规模化生产阶段，换低价轻量模型会降低画质，增加后续返工成本；优化提示词与生成流程仅能减少浪费，无法从根本上改变成本结构；高清算力大量消耗在前期试错筛选环节，整体生产成本居高不下，降本易导致画质不满足交付要求，影响业务效果。

重构AI视频生产链路，将高清资源投入环节后移：前期创意探索与版本筛选阶段用低成本生成低分辨率视频，确定最终交付版本后再通过AI画质增强提升至交付标准，把高清算力集中用于有效内容的最终处理，同时针对不同业务需求提供分层方案，兼顾极致画质需求和成本画质平衡需求。

1. 研发人员AI开发能力两极分化，不同人员AI代码生成率差距较大；2. 需求对齐、跨角色协作、任务交接等待等传统协作模式抵消AI局部提效收益，参与需求的开发人数越多，AI整体提效幅度越小；3. 烟囱式组织架构下，业产研分离，标杆团队的AI提效经验难以大规模复制。

快手将AI提效核心命题从“如何让研发人员做得更快”调整为“如何用AI重新设计交付流程、角色分工和组织结构”，将原有研发效能体系升级为AI生产力体系，以AI能力为核心供给覆盖组织内所有人员，系统性提升个人效能、团队协作效率和业务交付质量，目前已在多支先锋团队开展新范式落地验证。

大模型迭代速度快，前代模型适配的系统提示词、工具配置、评测体系等内容在新一代模型上可能失效，甚至会阻碍模型能力的正常发挥；传统软件开发预先设计、固定架构的模式不适配大模型的特性，难以充分挖掘大模型的潜在能力。

建立适配大模型迭代节奏的开发流程，每代新模型上线后先清空原有系统提示词等配置，通过消融实验逐行验证配置的实际价值后再重新添加；定期清理过时的技能、自定义配置、冗余工具和代码，仅保留安全、权限、静态分析、用户界面等必要代码；以实验思维探索模型能力边界，优先让模型实际运行任务，仅在模型反复出错时补充对应指令，避免提前添加过度约束限制模型能力发挥。

现代运维团队的运营数据分散在多个互不连通的平台，碎片化严重；排查生产故障时工程师需要在多工具间来回切换，手动关联数据、重建服务依赖，流程繁琐效率低；不同数据源对应不同查询语言，工程师学习成本高、使用门槛高。

升级AI可观测性助手Grafana Assistant，扩大支持的数据源覆盖范围，支持用户通过自然语言提问，自动将自然语言转换为对应数据源的查询语句，跨多源关联数据完成运维操作，同时适配企业现有权限体系，推出配套AI可观测性产品并开放自托管部署能力。

此前多数机器人依赖预编程或远程操控，仅能执行狭窄的重复任务，缺乏自主学习和适应不可预测环境的能力，已掌握的技能很难在不同机器人本体之间迁移，同时机器人在真实场景运行的安全保障也存在不足。

推出三款分工不同的Gemini Robotics 2系列模型，分别负责机器人全身动作控制、具身推理与多步骤任务规划及多机协作、本地运行快速适配新本体，结合多模态环境感知、动作转换、安全编排基准等技术，适配不同场景下的机器人运行需求。

全模态统一大模型研发存在三类核心挑战：一是模态统一层面，难以基于统一架构实现音视图文多模态协同理解，需在桥接或原生训练范式中做合理选择；二是任务统一层面，理解任务的去噪需求与生成任务的细节还原、发散创造需求存在天然的表征冲突，难以在同一架构下实现感知与表达闭环；三是多模态数据与模型存在异构性，不同模态序列长度、不同任务收敛速度差异较大，联合训练难度高。

针对核心挑战，团队分两部分落地解决方案：模态统一层面，设计适配多模态的multi-router MOE架构解决多模态专家分化问题，推出AnyExperts方案按token重要程度动态分配专家，兼顾训练效果与推理效率；配套全模态协同训练策略，按能力维度划分训练阶段动态匹配各模态数据配比，基于任务收敛速度动态调节学习率；采用原生多模态训练范式，在语言模型预训练早期引入多模态序列实现表征空间共同对齐。任务统一层面，先基于冻结的全模态理解MOE基座引入可学习query实现图像、语音生成能力，后续补充生成式分割预训练任务提升生成侧细粒度知识，确保生成任务加入不损害原有理解任务效果。

原有7-Zip的LZMA2算法压缩比较高，但对所有文件类型采用统一压缩策略，无论文件属性都消耗同等算力做字典搜索，产生大量无效计算，存在算力浪费、压缩速度不足的问题。

推出内容感知路由器方案，不改动核心压缩算法的任何代码，仅在分派层做调整：先对文件执行多级探测识别文件属性，再根据探测结果将文件动态分配到适配的编码通道，同时设置多重安全机制保障压缩效果不退化、解码端兼容官方7-Zip。

原有云服务存在受非欧洲域外立法管辖的风险，关键数据资产安全和工业运营控制权难以保障，无法满足航空航天领域高等级合规要求，同时需要适配现有多云架构，支撑业务创新包括AI应用落地。

空客在云服务招标中设置技术能力、运营卓越性、法律和治理保障三类评估维度，明确将防范非欧洲域外立法约束作为核心评分项，选定受欧洲司法管辖的Scaleway作为主权云合作伙伴，采用多云补充策略，根据工作负载的技术、运营、监管需求匹配部署环境，同时结合欧洲本土AI模型提供商能力保障AI相关工作负载合规。

优质讲师产能有限，课程录制成本高，答疑与跟进覆盖不全

数字人讲师标准化生产课程，灵秘数字分身产出招生网感短视频，AI 助教辅助答疑

专业资料与规程海量分散，跨部门知识流转慢，检索依赖人工

企业智脑打通多源资料，构建统一知识中枢，AI 助理支撑规程检索与业务问答

产品条款与合规知识庞杂，一线人员查询难，培训周期长

企业智脑构建合规知识中枢，AI 助理辅助话术与条款检索，OPC 超级员工承接标准化咨询

品牌与渠道众多，内容需求海量，跨部门知识与流程沉淀分散

企业智脑搭建统一知识中枢，灵秘数字分身规模化产出短视频内容，OPC 超级员工协同各岗位

订单、售后咨询集中，人手紧张，夜间与高峰期响应不及时

部署企业智脑，OPC 超级员工覆盖客服、订单跟进与内部知识问答，7×24 在岗

单人运营，出镜与剪辑全靠自己，内容更新慢，账号增长乏力

用灵秘数字分身克隆本人形象与声音，AIGC 一键生成网感短视频，追热点素材快速跟拍

多平台账号需要持续供稿，达人拍摄成本高、周期长

灵秘数字分身批量产出数字人视频，一键追爆跟拍热点，营销智脑辅助投放与选品

咨询问题重复度高，接待精力有限，专业资料检索费时

搭建企业智脑私有知识库沉淀过往案例与法规，AI 助理辅助初步答疑与资料整理

会员规模庞大、内容与服务需求海量，真人拍摄与人工服务成本高、难以规模化承接

灵秘数字分身规模化产出数字人内容，营销智脑 + 企业智脑打通内容生产与会员运营，AI 承接高频内容与服务