汽车之家 AI 助手多 Agent 设计与多阶段优化策略｜QCon北京

从「AI For What」到「Value From AI」，100+可落地实践案例打通AI实战最后一公里！

4月16日-4月18日，QCon 全球软件开发大会将在北京举办。本届大会锚定 Agentic AI 时代的软件工程重塑，聚焦Agentic AI、多智能体协作、算力优化、技术债治理、多模态和AI 原生基础设施等前沿话题，邀请来自腾讯、阿里、百度、华为、蚂蚁、小米、网易等企业技术专家，带来百余项真实落地案例，系统性分享前沿洞察与实战干货，以技术共创探索 AI 落地新路径。

汽车之家算法平台部负责人马宝昌已确认出席 “Agentic Engineering” 专题，并发表题为《汽车之家 AI 助手多 Agent 设计与多阶段优化策略》的主题分享。随着汽车之家AI助手的快速发展，多Agent架构成为提升系统智能化水平的关键技术。然而，多Agent系统面临协同效率低、训练复杂度高、优化策略单一等挑战，限制了AI助手的规模化应用。本次演讲将重点介绍汽车之家AI助手的多Agent设计架构及多阶段优化策略，通过真实业务数据和可复现的技术方案，展示如何通过多Agent协同和分阶段优化提升AI助手的决策能力和用户体验，推动汽车之家AI助手从单一功能向智能生态演进。

马宝昌，目前作为汽车之家大模型负责人，主要负责汽车行业大模型落地方面的工作。北京大学智能系硕士，10余年NLP算法研究和落地经验。他在本次会议的详细演讲内容如下：

演讲提纲

汽车之家AI助手Agent架构设计

智能体平台与生态建设：面向汽车行业的智能体生态平台，包括SOP编排、行业MCP工具、生态子Agent等

RAG与KAG结合的知识检索架构：多源数据处理与质量判别流程，满足深度逻辑推理和业务准召要求

汽车之家AI助手多Agent设计：记忆、看选、买车、用车等子Agent设计方案

2. 层次评测体系建设

多层次评测架构设计：应用层、组件层、模型层、知识层四层评测架构

评测指标体系：分层评测指标与业务价值指标

从标注到自动化的评测流程：从主观评测到客观评测再到持续优化的完整流程演进

3. 基于多阶段强化学习的优化流程

非参数优化策略：提示词优化、记忆机制设计和工具描述优化等策略

单Agent强化学习策略：从产品定义回复的标准答案到业务真实反馈的多阶段优化流程

多Agent协同训练方法：Reward设计与多Agent强化学习训练框架性能优化

4. 智能体性能与成本优化

模型推理性能优化：模型蒸馏、量化、投机采样、MTP等方法

Agent端到端相应速度：工具合并、工具/Agent并行以及思考长度优化

这样的技术在实践过程中有哪些痛点？

数据需求：高质量多Agent协同反馈数据获取成本高

计算成本：多Agent并行训练的成本高

系统复杂度：多模块（比价Agent、推荐Agent、服务Agent）协同训练的工程复杂度高

演讲亮点

RAG+KAG结合技术：多Agent知识检索架构，应对复杂场景检索

多阶段多Agent强化学习策略：基于多阶段Reward设计的强化学习训练流程

听众收益

掌握多阶段强化学习训练方法：学习从产品定义到在线优化的完整训练流程

了解多层次评测体系建设：应用-组件-模型-知识的全方位评测方法论

除此之外，本次大会还策划了Agentic Engineering、多模态理解与生成的突破、记忆觉醒：智能体记忆系统的范式重塑与产业落地、具身智能与物理世界交互、Agent Infra 架构设计、AI 重塑数据生产与消费、AI 原生基础设施、AI 驱动的技术债治理、小模型与领域适配模型、大模型算力优化、Agent 可观测性与评估工程、AI for SRE等20多个专题论坛，届时将有来自不同行业、不同领域、不同企业的100+资深专家在QCon北京站现场带来前沿技术洞察和一线实践经验。

更多详情可扫码或联系票务经理 18514549229 进行咨询。