📋 【开场主题演讲】 火山引擎总裁 谭待 欢迎来到火山引擎 Force 大会的技术主论坛。昨天我们发布了火山引擎两款跨越生产级质变点的最新模型产品：豆包大模型 2.1 Pro 与 Seedance 最新版本。 今天的技术主论坛， 核心议题是如何利用这些产品实现 AI 在企业中的落地 。
- 复杂业务问题无法靠单一模型解决。企业需要多模型协同，结合信息检索、工具调用、流程编排等能力，只有具备丰富的模型能力矩阵与配套的 Harness 架构，才能完成完整业务任务。
- 从模型到可用的 Agent 之间，缺失一层企业级能力。优秀的毕业生进入企业需要系统培训才能胜任岗位，Agent 同理，生产环境中需要配套身份权限、数据连接、评测体系、治理机制，缺少这些能力，Agent 无法真正在企业中落地应用。
- 企业部署多个 Agent 后，难以形成组织合力。企业需要对 Agent 的使用主体、应用效果、协同模式、经验沉淀等进行深度分析与全局治理。
- 可靠：支持长程任务、复杂任务、跨系统任务的稳定运行。
- 可控：Agent 不能无边界自由发挥，其可访问的数据范围、可调用的工具权限、可自动执行的动作、需要人工介入审批的环节，都必须有明确边界。
- 可衡量：企业 AI 投入需要可量化的价值回报，Agent 效果必须有明确的指标体系进行评估。
- 连接系统通过 API、Skills 与 Gateway 打通 CRM、BI、案例库、日程管理等企业内部系统。
- 构建上下文：通过 Knowledge 与 Memory 能力沉淀客户历史、产品用量、过往沟通记录与成功案例。
- 继承权限：通过 Identity 与 Policy 机制，确保 Agent 只能访问对应岗位有权限的数据、执行被授权的动作。
- 编排执行：通过 Runtime 与 Sandbox 将拜访前准备、拜访中记录、拜访后总结、商机更新全流程串联为自动化业务流。
- 评测优化：通过 Evaluation 与 Observability 能力持续迭代优化 Agent 效果。
- 搭建覆盖全面的模型能力与 Harness 组合架构，解决复杂业务问题；
- 部署企业级 Agent 底座，推动 Agent 从 Demo 走向生产系统；
- 建立 Agent 运营体系，让 Agent 成为可运营、可协同、可衡量的数字员工，最终形成组织合力。
- 趋势一：LLM / VLM走向理解与执行的统一
- 2D 卡通闯关游戏全流程开发
- 设计稿一键生成可运行网站
- 趋势二：图像与视频生成突飞猛击
- 交互式精准编辑：创作者可直接在画面上点选、圈选、绘制箭头或草图，直观地将创作与编辑需求传达给模型。以装修设计场景为例，输入简单的房间线稿，Seedream 即可生成光影、家具、软装完整到位的装修效果图。
- 多图层分离能力：可将画面中的不同元素拆分为有序图层，支持逐层编辑、精修与二次调整，满足专业创作的精细化需求。
- 高密度信息承载：可将复杂数据、流程、图文内容结构化整合在同一张画面中，呈现效果清晰美观。
- 多语言原生支持：支持多语种文字生成，可一键输出多语言版本，具备更强的国际化适配能力。
- Seedance 2.5 将单个视频的输出时长提升至 30 秒，为创作者提供更充足的叙事空间、更连贯的镜头表达，可大幅减少后期剪辑的工作量，且 30 秒内可全程保持画面一致性与稳定性。
- 案例 1：人物口播视频中，人物的口型、表情、语速节奏自然连贯，人物身份与状态全程稳定，AI 观感大幅减弱，真实感与感染力显著提升。
- 案例2：石榴引进主题的文化科普动画，30 秒内完整呈现文化背景、石榴细节特写等完整叙事内容，由模型一气呵成自动生成，为教育科普、工业培训、影视情节预演等场景打开了全新的创作空间。
- Seedance 2.5 大幅扩充了可支持的参考素材数量，同时显著提升了参考生成的质量。
- 案例 1：模型参考视频的运镜方式与节奏，精准还原图片中房屋的搭建过程。其参考能力不仅体现在画面一致性上，更能深度理解并还原参考素材背后的空间关系、结构逻辑。
- 案例 2：沙发广告场景中，输入产品高清图，搭配场景与人物参考图，模型可精准保留产品细节、呈现细腻质感，打造身临其境的视觉观感。
- Seedance 2.5 具备专业级视频编辑能力，可精准遵循创作意图，对视频局部或整体进行自然流畅的调整。
- 案例 1：人物年龄变化效果，模型在保留整体画风与画面布局的前提下，自然流畅地呈现人物年龄与表情的变化，细微表情衔接自然，光影层次与质感表现出色。
- 案例 2：侠客画风风格转换，模型对美术细节的把控精准，节奏张弛有度，镜头运动与画风变化的节奏高度匹配，呈现出专业级的镜头表达。
- Seedance 2.5 原生支持十几种语言，指令控制能力更强，多语言、多文化适配能力可助力产品与内容更好地走向全球市场。
- 趋势三：企业级复杂agent逐渐成熟
- 成本优化：大幅降低开发者使用成本，以通用编码场景为例，通过 AgentPlan 调用 DeepSeek V4 系列模型，相比后付费模式成本可降低约 80%。
- 能力整合：Harness 层接入豆包搜索 API、OpenViking、Superbase 数据库等多项能力，帮助开发者快速搭建并落地 Agent。
- 万物皆为文件的上下文管理：将 Agent 所需的全部上下文信息转储为结构化文件系统，替代传统分散、平面化的上下文管理模式。
- 目录递归检索：基于结构化文件目录支持递归检索，帮助 Agent 匹配更精准的语义内容、更完整的语境信息。
- 记忆自我迭代：可自主记忆用户偏好、修正错误认知、持续进化，实现 Agent 越用越好用的效果。
- 渐进式按需加载：Agent 按照 “摘要 – 概要 – 细节” 的策略渐进式加载信息，仅输入必要内容，既降低模型的 Token 成本，也缓解信息噪音问题。
- 多租户鉴权隔离：具备企业级多租户鉴权能力，支持团队间数据隔离、业务间数据隔离、用户间逻辑隔离。
- 用户无需自行部署运维，开箱即可使用官方托管的优质服务；
- 性能与规模不受本地硬件限制，支持千亿级向量规模与毫秒级检索响应，具备企业级弹性扩容能力；
- 安全层面提供数据加密、访问审计、网络隔离等特性，满足严格的合规要求；
- 支持更丰富的文件类型解析，为 Agent 提供更全面的上下文输入。
- 一键调用方舟平台的丰富模型能力；
- 对推理 Endpoint 进行用量管理；
- 任务报错时提供自动诊断能力；
- 可结合 Claude Code 实现强化训练等复杂 Pipeline。
- 动作设计参考：先用 Seedance 生成动作表演视频，作为动作设计师的参考素材；再结合内部自研的视频动捕技术，快速将 AI 生成的动作迁移到 3D 模型上，直观查看最终效果。这套流程可以大幅缩短人工动捕的等待周期，同时帮助设计师提前验证动作设计的合理性。
- 特效序列处理：游戏特效设计需要大量动态序列帧素材。Seedance 具备优秀的风格迁移能力，可以快速完成特效序列帧的风格化处理。例如可直接将水墨风格的序列图转换为插画纹样，大幅减少人工转绘的时间成本。
- 角色设计验证：核心角色设计仍由设计师完成，但我们会利用 Seedance 的风格迁移能力，验证角色设计在不同美术风格、不同场景下的辨识度与表现力，判断设计的独特性与适配性。
- 角色展示视频生成：设计师通过指令控制 Seedance 生成角色展示视频，更直观地呈现角色的性格特点与背景设定。
- 玩法 Demo 生成：用 Seedance 生成角色玩法内容，模拟完整的游戏 Demo 与核心游戏体验，验证设计的吸引力与趣味性。这一环节对游戏前期的设计验证非常重要。
- 第一类是生产性应用，核心是将需求转化为交付物，例如代码、报告、内容生成等；
- 第二类是决策辅助型 Agent，复杂度更高，核心是基于企业知识、数据指标、历史上下文，帮助使用者快速看清问题、形成判断，解决数据质量、判断质量相关问题；
- 第三类是流程执行型 Agent，复杂度最高，核心是解决执行闭环问题，不止输出方案，更能调用企业系统、推进业务流程、修改业务数据，直至完成完整任务。
- 第一，发布全域网关，作为全新的上云网络服务，可帮助企业就近接入火山引擎全球网络基础设施，同时结合 ClawBot 的意图驱动自动组网能力，让企业更安全可靠地连接云上与云下的 Agent 及企业应用。
- 第二，升级 Private Link 跨地域访问能力。Private Link 是公司此前已发布的产品，本次新增跨地域访问能力，可大幅降低企业服务发布的管理复杂度，实现服务在一个地域发布、各地域均可安全访问。
- 第三，发布 NAT 网关 7 层代理转发能力。针对企业高度关注的 Agent 安全问题，该能力可让 Agent 访问公网的行为全程可控、可审计。
- 知识侧：通过云搜索、向量 MaaS、Context Search，提供多模态向量化、上下文感知的企业知识检索能力。
- 记忆侧：通过 Gemma0 与 Graphic Gemini，让 Agent 能够持续理解客户任务与组织知识，无需每次交互从零开始。
- 数据侧：发布 Show PaaS、Data as Connect 以及 DB Copilot，让数据库和业务系统不再只是后台资源，而是成为 Agent 可实时访问、理解和使用的上下文。
- 通过 Runtime、Gateway 以及记忆、知识模块，让 Agent 稳定运行、持续理解上下文、连接企业工具与系统，让生产型 Agent 真正提升产出效率；
- 通过身份、策略和 Sandbox，让 Agent 在明确的身份权限、策略范围和隔离的执行环境中完成任务，让业务流程全程受控；
- 通过评测、可观测性能力，让 Agent 的执行过程与结果都可被持续验证、观测、审计与优化，让决策辅助型 Agent 更可信、更可衡量。
- 第一是长程任务能力。Agent 不再处理单次请求，而是通过会话持久化、任务状态保存、上下文保留，持续推进多步骤的复杂任务。同时提供快照、休眠和恢复能力，Agent 执行到中途可保存现场，需要时再继续运行，避免长程复杂任务因中断丢失进度。
- 第二是规模化执行能力。除 12 万并发沙箱能力外，还可满足大规模评测、推理任务、办公自动化和日常任务的执行需求，支持成千上万个 Agent 同时并行运行。
- 第三是多场景运行能力。支持 Skill 沙箱，让企业的自定义 Skill 可在隔离环境中安全执行，企业可完全自定义沙箱配置；原生支持 OpenClaw 等编程类 Agent，覆盖代码生成、代码修改、测试等研发场景；原生支持类 E2B 风格的接口，开发者迁移和使用沙箱时无额外成本，可开箱即用。
- 第一是统一采集。业务方无需关注链路格式，采集模块会自动转换为统一标准。一行命令即可接入 Claw Code、OpenClaw、MaaS 等主流运行时，统一采集 Agent 决策、工具调用、MCP 调用、模型请求、推理服务数据，甚至包括 GPU 资源消耗数据。
- 第二是智能诊断。当出现任务变慢、调用失败、成本异常等问题时，系统可快速判断问题出在应用侧、AI 编排侧、模型侧还是底层推理层；同时支持 Web 和 CLI 模式，可通过自然语言快速查询日志、链路和告警，给出问题成因假设与处置建议。
- 第三是一键评测。平台可基于评测集自动跑测并生成报告，支持多版本横向对比，无论是更换模型、调整 Prompt 还是优化工具，都可通过同一套评测集验证效果优劣。
- 第四是数据回流。线上产生的链路数据、会话数据、失败案例、用户评估反馈、工具异常，都会自动沉淀为新的评测样本，进入后续的回归验证，让 Agent 越用越准确、越运行越稳定。本次升级打通了 Agent 的运行数据、诊断能力、评测能力与线上反馈，形成完整的优化闭环。
- 基于 Agent 和沙箱，可快速拉起 Coderest、OpenCoder、Trae 等不同类型的 Coding Agent，在隔离环境中完成编码；任务执行后由 Agent 完成代码提交，自动释放执行环境。
- 将 Coderest AP server 作为原生 Agent Loop 执行引擎，开发者仅需修改一行代码，将运行时从 ADK 切换为 Codex，即可获得更强的复杂任务执行规划能力，轻松完成复杂任务、实现测试闭环。
- 一是即开即用，员工可快速上手使用 AI 能力与工具；
- 二是深度集成，打通企业的应用、数据、工具与流程，实现统一管控，让 Agent 安全规模化运行，沉淀为企业资产。
- 只有实现以上两点，Agent 才能真正从个人工具进入企业的工具流与工作流。
- 第一阶段是缺少可用的 Agent；
- 第二阶段则是 Agent 数量过多，员工不知道该用哪个，管理者不清楚创建主体、访问权限、数据范围、评测结果与成本情况。
- 第一，接入企业内外部的知识与数据；
- 第二，沉淀个人记忆、团队经验、历史会话、任务产物，形成可复用的企业上下文；
- 第三，所有回复都带引用、可追溯，且继承原有数据权限，确保仅有权限的内容可被检索、可交付给 Agent。
- 第一个是广播电视时代，电视播放什么内容，用户就观看什么内容；
- 第二个是互联网电视时代，用户拥有了自主选择内容的权利，不再被动接收；
- 第三个是 AI 电视时代，
- 最上层是家庭场景，覆盖衣、食、住、行、娱、教、医、养八大场景；
- 中间层是终端设备，包括电视、闺蜜机、学习机等各类终端，因此 AIOS 不止是大屏系统，更是可跨端的智能服务系统；
- 底层核心技术模块包括交互模块、记忆模块、技能模块、智能体模块与模型模块。其中记忆模块与交互模块是最核心的两大模块：
- 记忆模块的价值在于真正理解家庭成员的行为习惯、家庭设备状态，例如用户睡觉时的空调温度偏好等，只有精准理解用户习惯，才能精准推送服务，改变用户对大屏的固有认知；
- 交互模块则是应对服务多样化的需求 —— 传统 UI 形式已难以承载丰富的信息呈现，需要新的交互形态展示更丰富的产品形态，同时需要多模态的用户识别与理解能力，从音频、传感器、遥控器输入等多维度升级，这也是本次重大更新的核心模块。
- 第一是极致性能，可实现秒级启停，支持海量设备分时复用，大幅降低运行成本；
- 第二是全链路智能，可实现从感知、规划到执行的完整闭环；
- 第三是经过亿级规模验证，目前创维已实现百万终端的升级落地。
- 一是 Identity 身份引擎，实现用户数据全链路可追溯、权限动态校验，保障用户数据隐私；
- 二是 Gateway 智能接入中枢，智能判断调用云端还是终端能力，实现高效的端云协同；
- 三是 2 万 + 社区技能的无限扩展能力，电视的技能不会在出厂时固化，而是可升级、可进化、可自主学习的系统。
- 第一是找内容更精准。本质上不是大屏没有内容，而是传统找内容的方式效率太低。现在用户刷抖音时看到短剧、剧集解说，可一键投屏直接在电视上播放；在户外看到某个视频，拍照即可直接投屏搜索播放。找内容的方式从传统的关键词搜索，扩展为一张图、一句台词、一个场景、任意模糊描述，都能精准找到对应内容。
- 第二是内容推荐形式更丰富。从传统的海报推荐，扩展为标题、海报、看点、完整视频、智能短视频剪辑等多元形式，呈现方式更多元，更能吸引用户。
- 第三是交互体验更强。如前述直播场景一样，用户可实时互动、实时问询，大幅增强影视观看的沉浸体验。酷开认为，让大屏成为内容理解、内容生成与互动的入口，是大屏价值升级的核心方向。
- 广度上，Agent 数量急剧扩张，从单一点试点走向全部门部署，HR、营销、客服等几乎所有场景都已出现 Agent 应用；
- 深度上，Agent 从企业边缘场景走向核心业务系统，说明 Agent 已验证实际价值，企业愿意投入资源并将其纳入核心业务流程。
- 一是一个账号轻松切换。Trae IDE 面向专业开发者，提升编码效率；Trae Work 覆盖真实办公与研发协同场景，两者共用同一账号自然切换。
- 二是一个后台统一管理。企业管理员可通过一个控制台统一查看各端数据，全局配置知识库、MCP、安全策略等。
- 性能层面，支撑海量内容秒级响应，高并发不卡顿，复杂任务不断线；
- 架构层面，兼容顶尖模型，支持多部署模式，多产品形态无缝融入现有工作体系；
- 效能层面，效能看板实时呈现使用情况、用量、成本，一目了然；
- 安全层面，用后即抛、不训练模型、全链路合规，代码资产零外泄。
- 传输层支持加密通道、专线；
- 存储层强调最小化存储、本地优先、租户隔离，降低数据暴露风险；
- 计算服务层通过实时审核、事后阻断、资源管控，将风险降到最低。
- 第一是随时随地的协同能力，保障业务需求随时可落地。一方面通过多人多 Agent 的灵活组合，可随时拉起 AI 团队与人类团队协同工作；另一方面支持移动端、网页端、PC 端三端协同，随时随地发起指令，无需回到工位即可推进工作，不让灵感被地点与设备耽误。
- 第二是全行业知识沉淀，解决 Agent 缺少行业语境的痛点。Coze 3.0 接入了通用行业知识与专家能力，目前已与金融、法律、医疗、科研、自媒体等多个领域深度合作，将专业方法沉淀为可复用的专家 Skill。同时企业也可将自身经验转化为数字资产上传至平台
- 先通过 Harness 工程自动采集 Agent 运行轨迹、指标、日志，再结合人类反馈进行复盘；
- 如果出现跑偏就自动修正路线、沉淀教训；
- 如果找到优质方法就沉淀为 Skill 或工作流，供后续复用。
- 一是定位升级，从接入工具变为管理资产，给每个数字员工发放 “工牌”，沉淀其能力与价值。
- 二是范式重构，像管理真人一样管理数字员工，走完从招聘、上岗、培训、进化到退岗的全生命周期，覆盖数字员工的完整 “职业生涯”。
- 三是价值跃迁，从成本、效率、产出、价值四个维度，提供清晰可度量的大盘。
- 全局概览榜，查看整体表现；
- 业务产出榜，查看哪些岗位提效最显著；
- 产物评分榜，查看输出质量；
- 成本核算榜，让每一分投入都清晰可查。
- “1” 是统一的数字员工派遣站，将所有数字员工纳入同一体系，统一经营与度量；
- “N” 是多个开箱即用的智能化应用与 Skill，承接企业通用需求；
- “X” 是无穷多个持续进化的业务应用，企业可通过 Trae、Coze、HiAgent，不断创建、运行、观测、优化专属的数字员工。
- 第一类是生产环境，承载银行真实的生产作业、风险管理、营销等核心业务。银行受严格监管，该环境追求高确定性、高可控性，约束非常严谨，安全与合规要求极强。
- 第二类是办公环境，以文案、案头工作为主，需要处理大量文档，对文本内容的加工能力要求高，也需要具备专业判断能力。该环境的核心要求是人工把关、数据严格限制访问范围。
- 第三类是开发环境，银行的研发体量很大，拥有数千名开发人员，软件工程是当前 AI 验证效果最显著的领域之一，需求旺盛，但专业性要求更高。
- 第一类是 Workflow 类，按照固定的编排步骤执行，可控性非常高；
- 第二类是 Work 类，产品名称多带有 Work 字样，主打创意、写作、文档生成，强调多专家协同完成工作，适配办公环境；
- 第三类是 Code 类，主打代码生成与研发辅助，适配开发环境；
- 第四类是 ClawBot 类，特指以 OpenClaw 为代表的类型，核心特点不是工作内容本身，而是给大模型配上 “机械臂”，与环境产生交互甚至接管环境。
- 一是企业多为无头环境，依赖图像识别的界面操作难以落地；
- 二是审计难度大；
- 三是服务稳定性不足，响应延迟波动大。
- 因此在银行生产端，集约化、配置化、带 Workflow 类型的 Agent，在当前阶段更适配。
- 一是 Skill 的定位变化：最初引入 Skill 是为了应对上下文过多，做渐进式披露，只展示有用的上下文；但使用中发现，Skill 本质上形成了能力封装，类似于传统软件中的函数与模块。
- 二是路由逻辑变化：多步执行需要有向无环图（DAG）做路由，传统软件是确定性路由；有了大模型的思考与规划能力后，可实现动态路由。
- 三是接口形态变化：传统接口是刚性对接；基于大模型的自然语言理解能力，可实现模糊映射，提升系统的柔性，降低对接刚性。
- 四是故障处理模式变化：传统软件出错后只能报错等待人工修复；Agent 体系中可通过 “编排 – 分析 – 执行” 三元 Agent 结构形成闭环，出错时可进行反思、修正、重试，将所有错误上下文以 Prompt 形式输入，即可完成分析与修正。
- 五是系统自愈能力提升：行业内已出现 Doctor Agent（诊断智能体），系统出现小问题时可自动排查修复。
- 此外，传统软件体系也需要进行智能化改造，MCP（模型上下文协议）的价值就是复用既有系统能力，将接口开放给 Agent 调用，同时实现数据资产的接入。
- 架构思维层面：不能因为 Agent 具备自主能力就放弃架构分层，只是分层逻辑与传统 4A 架构有所区别。新的架构会出现智能控制层（具备思考、规划能力的大脑）、新型能力封装层（MCP、Skill 等）、业务逻辑数字化层。
- 数据资产层面：智能离不开数据，传统企业更重视事实性数据，即还原业务过程与结果的数据，例如交易流水、账户余额、用户行为等；还有知识图谱等时序数据。
- 内在维度：驾驭模型本身。大模型存在天然缺陷，当前主流方案是神经符号混合架构，具体表现为设计逻辑护栏、做跨域关联、设计状态机保障多轮会话的状态一致性，弥补模型的认知缺陷。分享人进一步解释：大语言模型都源自 Transformer 架构，核心是注意力机制，它擅长在高维空间中寻找相似内容，但相似内容不一定符合现实，这就是幻觉的来源；同时跨域关联的效果依赖数据规模，实现难度高。因此需要通过逻辑护栏防范幻觉，通过跨域链接提升关联能力，这就是神经符号架构的核心逻辑。
- 外在维度：驾驭 Agent 本身，采用拟人化管理方式，很多原则与软件工程、项目管理、需求管理高度相似，例如将 Agent 虚拟为员工进行管理。核心是通过严密的管理方式，将大语言模型这种偏概率性的引擎，转化为可在企业中可靠工作的员工代理。