在 AI 应用迈向工程化与规模化的新阶段，行业讨论的重点已逐渐从「Agent 能否完成任务」，转向「是否能够在真实业务环境中稳定、可控、可复用地创造持续价值」。
在 AI 应用迈向工程化与规模化的新阶段，行业讨论的重点已逐渐从「Agent 能否完成任务」，转向「是否能够在真实业务环境中稳定、可控、可复用地创造持续价值」。12 月 19 日，在 AICon 全球人工智能开发与应用大会期间，由商汤大装置事业群 CTO 宣善明担任出品人的「Data+AI / Agent 落地实践论坛」聚焦这一现实命题，围绕典型场景展开系统性实践分享。
会上，商汤大装置事业群研发总监王志宏带来《从需求到投标：数据驱动的智能技术方案生成 Agent 实战》主题演讲，深入解析商汤在复杂售前方案评估与标书生成领域的 Agent 工程化探索与应用落地。
作为论坛的出品人，宣善明表示，本次论坛刻意弱化「炫技式 Demo」，而是聚焦最具代表性的实践场景，以商汤复杂售前方案评估与标书生成场景为例，我们可以看到，现在 Agent 应用已经不再停留于模型能力本身，而是通过工程方法论、架构设计与系统闭环，让 Agent 真正成为可规模复用的生产力。这也是我们希望与行业共同推进的重要方向。
数据驱动的智能技术方案生成 Agent
项目数量激增、客户需求高度定制化，产研团队则承担评估与响应工作压力巨大。真正的瓶颈不再是「技术能不能做」，而是有没有足够资源去评估。王志宏讲到，基于这样的现实，商汤大装置打造了一个数据驱动的智能技术方案生成 Agent：构造一个由多个专家 Agent 组成的协同系统，分析杂乱无章的数据并得到我们需要的结果。它不仅仅是⾃动化⼯具，更是⼀个能够理解、推理、⽣成和验证的专家级合作伙伴。
该方案主要解决两件事情：①帮助完成立项与解决方案评估；②自动化完成标书生成与合规审核。
【商汤大装置事业群研发总监王志宏】
「认知—匹配—生成—校验—复用」的工程闭环
这套「数据驱动的智能技术方案生成 Agent」实践，本质是在复杂售前与方案编制场景下，通过产品知识解析、产品与需求的数据匹配和分析、智能生成、校验与改写等，构建了一条从「认知—匹配—生成—校验—复用」的工程化闭环。
● 首先将问题拆解为几个关键步骤：一是对产品侧进行系统化结构解析，面对多源资料（Word/PDF/Excel），通过目录解析、层级重建、功能抽取与 metadata 提取，完成分层（IaaS/MaaS/应用层）+聚类建模，形成一个可持久化、可复用、可增量更新的产品知识库；
● 二是进行数据驱动的匹配与分析，按产品聚类切分需求、逐层匹配产品，结合功能得分、过滤条件与「最少产品覆盖最大需求」的优化策略，同时评估定开成本与人力投入，整体来看，对于一篇 50 页左右的产品文档和需求说明，约需要花费 50w Token 的费用，耗时约 30 分钟。
● 在此基础上进入智能生成阶段，通过「长文本拆解→子问题规划→工具化 Agent 并行求解→Refine 回填」策略，避免一次性大段生成的不稳定问题，结合代码工具、检索与复杂子任务能力，产出结构正确、逻辑一致、风格符合模板要求的标书与解决方案；
● 最后，构建审核与改写体系，会进行基础语言、结构审核，再针对废标项、功能承诺与合规红线等做场景审核，并采用「多节点粒度+多维度并行+大模型复审」机制生成问题清单，再按类型分流回填与最终复核，10 万字标书约 1 小时即可完成审核与修改。
王志宏总结指出，整个体系最终实现从「专家数日鏖战」到「系统数小时完成+人工最终确认」的效率提升，并通过统一知识底座与多重校验机制显著提升质量，让一次性工程真正沉淀为可复用能力体系。
真实工程难题的系统化应对
在实践过程中，团队直面了多个工程挑战，并逐一给出体系化解法：
● 提取结构化数据的准确率较低：依托商汤万象的 UniParse，专注于复杂文档与票证的深度理解和信息提取，为企业提供「全维度、高精度、流畅化」的智能文档处理解决方案。
● 为实现功能覆盖而「海选产品」：引入「分层+分类」的策略，先对产品进行分层与类别划分，再在每一类中仅选择最优产品代表来满足该层需求，从而以尽量少的产品实现尽量多的能力覆盖，避免「海选式堆砌产品」的低效与失真。
● 长文本写作的生成效果较差：采用「模板切分 + 子任务化」的方式，通过大模型判断将长模板切分并、将超长段落拆成写作子任务。同时，在写作过程中动态优化目录结构，并基于「目录驱动+上下文增强」显著提升长文本生成的结构清晰度、逻辑一致性与可用性。
● 上下文一致性审核准确率低，通过解析全文目录结构与段落位置，定位相关信息、剔除无关内容，再结合参考资料让大模型进行多轮复审，显著提升了一致性审核效果。
LazyLLM——真正面向工程落地的 Agent 应用开发框架
王志宏特别介绍了，支撑这一体系的，是商汤自研 Agent 应用开发框架 LazyLLM，能够以极低成本构建强大 Agent 系统，并解决私有化与复杂生产环境中的关键难题。
● 统一了本地与云端模型的使用方式：支持不同推理框架与模型的无缝切换，支持所有模型微调和评测
● 复杂应用一键跨平台部署：通过数据流 Pipeline 自动发现并启动所需服务，包括大模型、向量模型、文档管理、召回服务等，并可接入 K8s 实现工业级能力。
● 灵活地定制数据切分和解析策略：可轻松构建「可替换、可扩展」的高定制 RAG，仅需十余行代码即可完成复杂能力搭建，并具备清晰易定位的错误提示体系。
● 更重要的是，它不是「只做 Demo」的框架，而是已在实际 PoC 与工业生产中大规模应用，并在高并发与扩展性方面完成工程化打磨，真正让 Agent 开发变得「简单但可靠、灵活且可落地」。
形成可持续进化的系统能力
未来不仅是把系统「跑起来」，更重要的是让系统「学起来」。通过真实客户反馈形成「执行→结果反馈→误差分析→模型更新→知识更新→系统进化」的闭环，让每一次成功或失败都转化为能力提升，推动从效果复盘走向算法与系统能力持续进化。
论坛出品人宣善明讲到，商汤大装置将推动 LazyLLM 框架开源，持续开放底层核心技术与算法能力，建设开发者生态，推动行业方案标准化，形成产品与技术双向演进；另一方面推进产品化，【将基于 LazyLLM 开发的各种实用工具】集成到商汤大装置「万象」体系，持续优化交互与体验，强化高并发、多用户和多场景的稳定能力，并兼容企业级私有化部署需求，形成可运营、可落地的完整产品体系。
来源：互联网
