腾讯云：企业级智能体效能管理指南

企业级智能体效能管理指南第一章：从生成式Al工具到企业智能体效能体系第五章：组织与推进路径——从试点智能体到“智能体驱动型企业”第二部分：行业Agent效能实战方法及最佳实践案例第六章：快消行业Agent效能实战方法及最佳实践第七章：传媒行业Agent效能实战方法及最佳实践第八章：出行行业Agent效能实战方法及最佳实践第九章：消费电子行业Agent效能实战方法及最佳实践第十章：医疗行业Agent效能实战方法及最佳实践第十一章：文旅行业Agent效能实战方法及最佳实践第十二章：企业服务行业Agent效能实战方法及最佳实践在过去两年中，大模型与各类Copilot工具快速进入企业日常工作场景。从市场宣传到内部推动，不少企业已经完成了「从零到一」的技术尝鲜。然而，在与众多中国及全球客户的对话中，我们有一个共同的感受：真正能够稳定创造可量化业务价值、并被一线广泛采用的智能体，仍然是少数。越来越多的管理者意识到，问题的关键已经不在于「能不能做出一个智能体」，而在于「能不能搭建一套系统性的智能在特定任务上给出更优的预测和分类结果；最近两三年爆发的生成式AI，则让机器首次具备了大规模生成自然语言和多模态内容的能力，大幅提升了知识工作者的效率。在这一演进脉络中，智能体式AI正在成为新一轮范式变革的代表。我们的研究和实践表明，相比于传统AI和单纯的生成式AI，智能体式AI更像是把AI从「会回答」推向「会办事」：它不再只关注如何生成一个内容，而是聚焦如何围绕一个业务目标，自动规划多步行动，并通过调用各种工具和系统，在预设的安全与治理框架下完成复杂任务。智能体式AI代表了AI创新的最新浪潮 例如回答常见问题分析病史和症状，提出AI推理模型的更广泛应用仍处于早期阶段交互并直接操作内部系统（如计费软件）来解则升级转交给人工客服通过对研究和结果数据进行全面分析，开发出一种新的皮肤癌疗法人干预的情况下，全面管理采购、仓储和配送等供应链工作流程 OOOO >当前市场演进：对话式AI（如聊天机器人）快速普及，同时，能够执行更具体操作的早期AI智能体正在涌现来源：OpenAI的AI演进框架；文献检索在本白皮书中，我们将企业级AI智能体聚焦定义为：基于大模型，能够理解业务目标、规划多步行动、调用多种工具与系统，并在预设治理框架内自主决策与传统AI/生成式AI相比，智能体式AI至少在三个维度呈现出本质差异。第一，是更强的自主性。传统的AI系统通常是在「单次请求–单次输出」的模式下运行，例如根据一个输入样本输出一个评分或一个预测结果；多数生成式AI应用也停留在「用户提问–模型回答」的范式。「完成一批报销审核」。我们在实践中看到，高效的智能体通常会自动拆解任务、规划步骤，按需调用不同工具，并在必要时主动与人类或其他系统交互，而不是简单地「被动等待下一条指令」。第二，是更高的决策智能。传统机器学习模型在多数场景中只解决「算分」问题，即在给定输入的前提下输出一个概率或评分，最终决策往往由人工或规则引擎来完成。生成式AI在内容生成上具备优势，但默认仍是「一次性回答」。相比之下，智能体必须在多源数据和复杂约束条件下持续权衡，并在任务执行而是通过「规划–执行–反馈–调整」的闭环，在动态环境中保持合理、稳健的行为。第三，是与工具和系统的深度集成。在传统生成式AI应用中，模型的输出往往是文本、代码或图片，真正落地到业务动作仍需要人来点击、粘贴、录入或调用系统。智能体式AI则通过与企业现有的API、RPA、业务系统以及外部服务深度集成，让智能体可以真正变成「会办事的角色」：它可以在工单系统中创建和更新工单，在CRM中记录和调整客户信息，在ERP中触发采购与库存调整，在财务系统中生成与提交凭证。腾讯的多行业项目中已经出现越来越多类似的场景：从「帮我写一封邮件」走向「帮我生从这个意义上讲，智能体式AI是企业从「智能问答」走向「智能行动」的关键一跃。它既继承了大模型在理解与生成上的能力，又通过规划、工具调用与治理机制，让AI真正嵌入企业核心工作流，成为团队0103更强的自主性0103更强的自主性更高的决策智能与工具和系统的深度集成021.2从“能不能做一个智能体”到“智能体效能体系”尽管技术演进令人兴奋，但我们在对大量企业项目的复盘中观察到一个共同现象：PoC和Demo层出不穷，真正进入生产、产生稳定价值的智能体却寥寥无几。这背后反映的，往往不是技术能力欠缺，而是缺少一套系统性的方法论和治理体系。我们在与客户沟通中，经常听到类似的反馈：·技术与安全团队则担心：「这些可以自动执行动作的智能体，到底会不会做出超出预期甚至违规的操作？我们是否有足够的控制力？」进一步拆解这些困惑，我们可以看到三个典型症状：其一，价值难以量化。大量生成式AI和智能体试点在用户体验上获得好评，但缺乏统一、可复用的指标难以与P&L建立直接联系，导致在预算和资源分配上总是处于「说服力不够」的弱势。等项目由不同部门分别推动，各自选择模型、搭建环境、接入系统，缺乏统一的分类体系和技术栈。我复用和风险管理带来巨大挑战。其三，安全与合规掣肘生产级落地。一旦智能体不再只输出自然语言内容，而是能够触发资金划转、信息修改、审批通过等关键动作，安全和合规团队的要求自因此，我们认为，对于今天的大部分企业而言，关键问题已经从「能不能做出一个智能体」转变为：「企业是否具备一套系统管理智能体效能与风险的体系？」这一「智能体效能体系」至少要在三个层面给出系统性答案：·在业务与财务层面：用怎样统一的指标框架来判断一个智能体是否「值钱」？如何让业务结果成为智·在工程与治理层面：如何确保智能体在复杂的IT和安全环境中是「可观测、可控、可审计」的，而不·在复制与扩展层面：如何在统一的架构和方法论之上，高效地将智能体从单点试验推广到全企业、多从第二章节开始，我们将聚焦于构建这样的智能体效能体系：聚焦企业级智能体框架，先分清「谁负责什么」再分清OD搭建统一的智能体效能评估与可观测框架，先统一「看搭建统一的智能体效能评估与可观测框架，先统一「看什么」再统一「怎么看到业提炼提升智能体效能的三大抓手，为企业推进智能体规A进一步讨论组织与推进路径，帮助企业从试点智能体进一步讨论组织与推进路径，帮助企业从试点智能体演进为真正的「智能体驱动术细节泥潭」，而忽略了更基础的问题——我们到底在设计什么样的智能体体系。我们的共识是：企业要先搞清楚智能体在组织中的角色分工，再谈技术架构与落地路径。2.1智能体角色分工：统一智能体“物种分类”·这些智能体在运行上是否存在重叠、空白或冲突？为此，结合全球智能体式AI项目的经验与「场景–技能–连接器」的架构实践，我们建议采用一套简明而通用的企业级智能体分类体系，将智能体按角色分为四大类：第一类：总入口智能体（Super智能体）总入口智能体面向员工或客户提供统一入口，是用户感知层的「门面」。常见形态包括嵌入企业微信或办Super智能体的职责主要是识别用户意图与上下文，进行初步理解和澄清，并将需求路由给合适的下游调度或领域智能体。同时，它还负责统一的对话体验和结果呈现，是企业构建「统一智能体品牌」的重第二类：调度智能体（Orchestrator智能体）调度智能体可以被视为多智能体系统中的「项目经理」或「调度中心」。当总入口智能体或后台系统触发一个复杂目标时，它负责将目标拆解为一系列子任务，决定这些任务由哪些领域智能体和工具智能体来执行，以及如何处理异常与回退。我们观察到，在跨系统、跨部门的复杂工作流中，调度的设计质量往往直接决定了智能体方案的稳健性第三类：领域智能体（Domain智能体）领域智能体专注于某条具体业务流程或职能领域，例如「客服智能体」「财务关账智能体」「供应链调度·能够理解本领域的业务语境和专业术语；·能够调用多个系统和数据源，完成端到端任务，而不仅是回答问题；·能够对任务结果负责，成为该业务环节中的一个「责任主体」。在腾讯的实践中，一个复杂场景往往由多个协同的领域智能体组成，它们共同对某条价值链承担职责。第四类：工具与连接器（Tool/Connector）工具与连接器主要负责将企业内部和外部的系统能力以「受管控的动作」方式暴露给上层智能体。它并腾讯实践表明，将高风险或关键操作集中封装在工具层进行统一治理，而不是在每个领域智能体中各自实现，不仅显著降低了安全风险，也大幅提升了复用效率和系统演进的灵活性。Tool/Tool/Connector入口与体验把内外部系统能力，以「受管控的动作」暴露给上层智能体把内外部系统能力，以「受管控的动作」暴露给上层智能体统一治理高风险操作流程设计与任务编排逐层向下逐层向下这四类构件之间形成了清晰的责任分工：总入口智能体负责入口与体验，调度智能体负责流程设计与任务编排，领域智能体负责业务结果，工具与连接器负责系统操作与安全边界。前三类是模型驱动、自主决策的智能体，工具与连接器则是被它们调用的能力封装。这一统一分类体系可在企业实践中反复使用，帮助企业在纷繁复杂的行业场景中保持清晰的认知坐标。2.2企业级智能体技术栈：从“入口—运行—底座”三层在厘清了「谁负责什么」之后，第二个关键问题是「系统怎么搭」。我们观察到，如果每个智能体项目都从头搭建自己的运行时、连接器和日志系统，不仅成本极高，也会在治理和安全上留下隐患。因此，我们主张企业构建一个分层清晰、可持续演进的智能体技术栈。从实践经验出发，我们建议企业将技术栈抽象为三大层：分层清晰、可持续演进的智能体技术栈智能体能否在复杂企业环境中稳定可靠运行的关键模型与数据底座层模型能力和知识从哪里来用户从哪里进入、在什么场景下使用智能体，以及如何与之交互第一层：场景与体验层这一层面向最终用户，解决的问题是「用户从哪里进入、在什么场景下使用智能体，以及如何与之交互」。在员工侧，这通常意味着将智能体无缝嵌入企业微信、协同办公平台或业务工作台，而不是额外搭建一个孤立的系统；在客户侧，则可能是小程序、App、网页或线下终端等。企业的智能体落地，通常分为两种路径：直接采购（通用智能体、垂类智能体）、或基于自身场景需求自建智能体并统一管理。-通用智能体：面向全行业企业客户，针对通用企业级场景提供服务，提升员工工作效率-垂类智能体：面向具体需求场景/行业客户，可完成特定领域复杂专业任务-企业原生智能体：理解业务知识、连接企业系统、进入业务流程、并接受企业治理，从企业内原生生长的定制智能体一个设计良好的场景与体验层，能够让用户「几乎忘记自己在和智能体交互」，而只是自然地完成工作和第二层：运行与治理层运行与治理层是智能体能否在复杂企业环境中稳定可靠运行的关键。这一层通常包括：·运行时（Runtime提供沙箱、网关、记忆、观测、Skill管理等能力，让Agent可托管、可运维、·安全：覆盖Agent资产盘点、权限管控、运行防护、行为审计和高危拦截，让企业敢·知识库：将企业分散知识、IT架构上下文、业务资源关系沉淀为Agent可理解、可调用、可追溯的知腾讯在实践中逐步形成了一套「平台级运行与治理底座」，通过统一运行时与连接器层，大幅降低了单个项目的工程复杂度，让业务团队可以更多关注场景创新本身，而不是重复处理底层技术问题。第三层：模型与基础设施（AgentInfra）层·MaaS：实现模型供给、智能路由、成本管控，并保障数据隐私安全·Allnfra：异构计算、存储底座，以提升训练、部署、推理、安全和数据检索效率，为Agent规模化运行提供稳定基础设施。我们观察到，在很多成功案例中，真正决定智能体有效性的往往不是单一模型的性能，而是「合适的模型+高质量的知识与数据+稳健的运行机制+全栈安全防护」的整体行业的项目中，也不断通过与多种本地模型生态（包括自研与合作模型）结合，形成最贴合客户需求的通过上述三层架构，企业可以清晰地区分：·哪些能力应该交给业务团队自由创新。2.3统一的“场景方案卡”模板：从「有想法」到「有蓝图」在与企业共创智能体场景时，我们经常遇到这样的情况：业务团队有很多灵感，「这个可以做智能体，那也可以做智能体」，但一旦需要落地，就发现缺乏统一的表达方式和决策标准。为此，我们提炼出一套实践中证明行之有效的「场景方案卡」模板，帮助企业从「有想法」走向「有蓝图」。业务环节和痛点业务环节和痛点预期价值场景方案示意图涉及智能体类型每一个智能体场景，无论是新构想还是既有项目的复盘，至少应该在一张卡上清晰回答六个问题：不仅要说明这是「客服场景」还是「供应链场景」，更要具体到价值链中的哪一个环节，例如「从工单创还是跨部门协作效率低。对应本白皮书提出的四维智能体效能框架，从业务结果、效率、体验和可靠性几个维度，明确希望改善哪些指标，以及目标幅度大致是多少。我们观察到，那些在立项阶段就绑定清晰KPI的智能体项目，后续更容易获得持续投入和组织支持。同时，列出关键系统与外部服务，为技术团队锁定集成范围。从系统与数据的角度，列出必须打通的数据源和业务系统，并初步评估数据质量与权限状态。腾讯实践表明，很多智能体项目的「落差」并不来自模型，而是来自底层数据与系统的准备度。明确当前阶段希望赋予智能体多高的自治等级：是仅限「建议与草稿」，还是允许其在低风险场景中自动执行动作？在哪些门槛（如金额、权限、风险级别）之上必须有人审查？这些决策直接影响到安全策略最后，场景卡应当以业务领导能听懂的方式，简明概括预期价值：包括对成本、收入、客户体验以及员工体验的定性与定量影响预判，为后续的商业论证和优先级排序提供依据。我们观察到，那些在早期就坚持用统一「场景方案卡」来管理智能体需求的企业，往往能够更快从「灵感清单」收敛到「高价值、高可行的落地组合」，并形成可持续演进的场景组合路线图。“怎么看到业务价值”在很多企业内部，关于智能体项目的讨论常常分化为两种声音：技术团队强调调用量、成功率、模型评如果不搭建一套统一的智能体效能评估框架，技术和业务之间往往很难形成真正的共识。结合跨行业实践，我们建议企业围绕四个核心维度来衡量智能体效能：让人和流程变得更高效让人和流程变得更高效可度量的业务与财务回报（EBITDA杠杆）进入核心流程的前置门槛进入核心流程的前置门槛第一维度：业务结果这一维度关注智能体是否为企业带来了可度量的业务与财务结果，例如：·在收入端，是否提升了销售转化率、客单价、复购率或交叉销售成功率；·在成本端，是否降低了运营成本、人工成本或外包费用；·在风险端，是否减少了坏账、欺诈事件或合规罚款；·在客户价值端，是否提升了客户生命周期价值并降低流失率。我们的研究显示，那些把智能体项目视为「EBITDA杠杆」而非单纯「技术尝鲜」的企业，往往在业务结果维度取得更显著的回报。第二维度：生产力与效率这一维度关注智能体是否让人和流程变得更高效，典型指标包括：·人均处理任务数、单位时间内处理量；腾讯在客服与运营场景的实践表明，将生成式AI从简单的「对话问答」升级为端到端工作流智能体后，不少企业在处理时长和人均处理量上实现了双位数甚至更高幅度的改善。第三维度：体验与质量这一维度考察的是客户和员工在实际使用智能体时的主观感受与客观质量。例如：·错误率和投诉率，包括答非所问、建议不合理、流程卡壳等；·在专业场景中的内容与决策质量，例如法律审阅、医疗建议、投研分析等。我们观察到，在联络中心和开发者支持类场景中，一旦智能体真正稳定落地，企业往往可以在NPS提升和FCR提升上取得亮眼进展，并以此作为进一步扩展智能体范围的重要信心来源。第四维度：可靠性与合规最后一个维度则聚焦在系统是否稳定可控，以及智能体是否在合规边界之内安全运行。典型指标包括：·系统可用性、故障率、超时率和峰值吞吐能力；·人工接管率和回退次数，在多大比例的执行中需要人类「救场」；·安全与合规事件的数量和严重程度，包括越权操作、敏感数据泄露和不当输出等；·审计与追踪能力，能否在事后完整还原智能体的行为路径并定位责任。腾讯的实践表明，在监管要求高的行业（如金融、医疗、公用事业等可靠性与合规维度往往是决定智能体是否能进入核心流程的前置门槛，而非后置考虑。四个维度解决了「看什么」的问题，但在实际管理中，如果所有指标堆叠在一起，既不便于日常运营，也难以进行清晰的责任划分。为此，我们建议将智能体相关指标组织成一座「指标金字塔」，自下而上分底层：行为与技术层数据——记录智能体在做什么、怎么做Token成本等。腾讯在内部平台实践中，通过统一日志和Trace，把这些底层数据抽象为可视化的「智中层：流程级表现——判断智能体是否真正推动业务流程改善这一层则跨越业务与技术，关注端到端工作流的表现，例如某个关键流程的成功率、重试率、人工介入点和瓶颈环节。我们观察到，通过这类指标，企业往往可以很快识别出「智能体在哪一步频繁失败或被顶层：业务与财务结果——衡量智能体是否「值钱」金字塔顶层则直接对应业务与财务指标，包括成本率、净收入、利润率、客诉率、坏账率等。这一层的指标通常是BU和职能部门的核心KPI，也是管理层关注和资源配置的关键依据。这种分层结构的价值在于：每个层级都有清晰的「主人」。技术平台团队对底层指标负责，业务线对中层和顶层指标负责，管理层则以顶层指标作为决策参考，并通过中底层指标理解「为什么会好或不好」。我们在项目中观察到，那些真正把「指标金字塔」落到日常管理中的企业，通常能在较短时间内建立起一套可持续的智能体投入—产出闭环。判断智能体是否真正推动业务流程改善行为与技术层数据记录智能体在做什么、怎么做衡量智能体是否「值钱」3.3可观测性：避免智能体成为“黑盒子”要真正用好指标金字塔，可观测性是不可或缺的基础设施。如果企业看不到智能体在执行过程中的关键步骤和决策链条，就很难回答以下问题：·某次失败是由于模型输出不佳、数据缺失、连接器故障，还是业务规则冲突？·某个智能体是否已经达到可以提升自治等级的成熟度？为此，我们建议企业在智能体上线之初，就把可观测性作为架构中「不可删减的一层」，至少从三个方面其一，统一日志与标准ID。为每一次智能体执行分配唯一ID，并在会话、工作流和系统调用三个层级上完整记录输入、关键决策、中间状态、工具调用与输出结果。这一机制不仅支撑故障排查，也为后续评估和治理提供了客观依据。其二，多层级的可观测视图。技术团队需要系统级Trace来定位性能瓶颈与故障点；业务团队则需要流程级视图来理解智能体对业务指标的贡献；运营与客服团队则更关注用户会话层的行为与反馈。腾讯在实践中通过构建统一的「智能体观测平面」，将这三类视图统一在一个平台上，显著提升了跨团队的问题其三，评估与实验框架。在记录事实之外，企业还需要建立一套标准化的Evals体系，对智能体的行为和例如，在高自治的「自动执行」场景中，评估框架往往需要特殊关注智能体对关键阈值的处理逻辑和异常情况下的回退策略。从我们的实践来看，那些在早期就投入建设可观测性和评估能力的企业，往往能更快建立起对智能体的信任，也更有底气在关键流程中逐步提升智能体的自治比例。在前面章节中，我们讨论了智能体的角色与技术栈，以及如何衡量它们是否有效。下一步，企业普遍会腾讯在各行业项目中的实践表明，单纯增加算力或更换模型，往往无法从根本上解决问题。真正决定智能体成败的，是场景连接、工程驾驭与模型使用三者的综合能力。·模型驱动力：用对模型，而不是一味「加大杯运维平台模型分层路由策略本地模型生态4.1场景连接力：让智能体真正“进日常”力很强」的智能体，在一线业务人员眼中却只是一个「新系统」「新入口」。这种落差往往来自场景连接力不足，而非模型性能不够。我们观察到，当场景连接力不足时，常见症状包括：·场景边界模糊，用户不知道智能体能做什么、不能做什么，不敢把关键任务交给它；·任务执行不连贯，在中途频繁要求用户在不同系统之间切换，或频繁回到人工处理。第一，把入口做「对」。也就是说，把总入口智能体嵌入用户已经高度熟悉、频繁使用的触点：员工侧往将智能体深度嵌入企业微信工作台和业务系统首页，比单独提供一个新的链接或应用，有更高的使用率和复访率，通过微信、企微、QQ、元宝、浏览器、小程序等国民级入口，把Agent嵌入员工和客户已经高频使用的触点，避免再造一个孤立的新系统。第二，选择适合自身的效率工具。企业需求场景深度、使用规模、建设成本、IT储备等各不相同，应筛选合适的实施路径。腾讯打造的效率智能体组合，覆盖通用、定制智能体、行业与职能场景的垂类智能体三类智能体应用，以解决差异化应用场景：通用智能体解决企业共性应用场景，构建管理平台解决更复杂的业务工作流，垂类智能体解决专精场景。智能体构建智能体构建在通用智能体侧，WorkBuddy企业版面向全行业客户，提供包含行业专家、数字员工、智能空间于一体的企业级智能体解决方案，把单兵作战的「超级个体」升级为协同生产的「超级团队」；CodeBuddyAI原生开发工作台：产品形态上由Plugin，IDE，CLI组成，完整覆盖企业开发场景，并为技术管理者提供统一的管理后台，让任何人随时随地专注创造，实现效率极致飞跃。在智能体构建与管理侧，智能体开发平台ADP提供企业级AgentOps全生命周期管理服务，打通构建开发-效果评测-安全治理-应用发布-权限管控-观测-运营优化的全流程，解决智能体在企业级场景落地时遇到的治理难、集成壁垒高、数据安全风险、规模化成本高等共性痛点。在垂类智能体侧，无论是设计、营销、运维、风控等职能场景，以及金融、传媒、医疗、出行等行业场景持续推出场景化Agent（如设计协作平台Ardot与创意工作室Miora、营销交易一体化Magic让客户既能直接选用，也能在统一平台上做二次构建。第三，兼顾能力生态（技能–连接器等」建设。而不是单从技术出发。也就是说，从真实业务旅程出发，明确用户在什么时刻、出于什么目的接触智能体，围绕这一目标拆解出可复用的功能，再通过连接器层映射到底层系统。这样的设计路径，比从「我有一个强模型」出发更有利于确保业务相关性和复用性。同时，腾讯提供基于丰富的技能Skill、连接器Connector、Plugins能力生态，帮助效率智能体完善能4.2工程驾驭力：让业务“敢用、用得稳”如果说场景连接力解决的是「有没有人用、用不用的起来」的问题，那么工程驾驭力解决的则是「业务敢不敢把关键流程交给智能体」的问题。我们观察到，很多智能体在PoC阶段的效果令人惊艳，但在进入生产时却被安全、合规或运维团队「按下暂停键」。这并不是技术团队不努力，而是在工程层面缺乏一从我们的实践来看，构建工程驾驭力至少包括三个关键支柱。其一，是「可理解/可调用/可追溯」的知识体系，把企业分散的知识、IT架构上下文与业务资源关系沉淀为Agent可调用、可追溯的知识底座。腾讯乐享的Agentic知识中台，面向企业知识管理团队及各类Agent应用方，推出智能知识治理、自动让agent拥有可理解、可调用、可进化的知识体系。支撑营销Agent持续优化洞察、触达与转化。可以避免每个项目都重新实现任务队列、重试逻辑和异常恢复；同时，通过统一记忆系统层，可以在保证安全隔离的前提下，支持不同智能体在合规范畴内共享必要的上下文与历史信息。这不仅提升了稳定性和可维护性，也为上层可观测与评估提供了关键数据来源。让Agent可托管、可运维、可观测、可持续进化。AgentMemory以四层渐进式记忆金字塔自动完成写入、提炼、召回与注入，降低复杂长任务中的上下文成本与噪音，控制对话链路、避免跨会话记忆断裂，解决Agent只能短对话、无法持续学习与长期协EdgeOnePages一站式Web全栈+AIAgent托管平台，开发者与SMB只需专注业务逻辑，平台提供从开发、测试到全球部署的完整托管环境，实现分钟级上线与稳定可靠的运行体验。其三，是「可盘点/可管控/可审计」的安全体系，让企业敢把Agent放进真实业务环境。腾讯推出整系统化解决Agent资产看不清、权限控不住、风险难追溯的问题。对内，安全能力同步支撑Lighthouse、ClawPro、CodeBuddy、WorkBuddy、SkillHub、元宝、Qclaw、HAI可信推理集群、iWiki等腾讯系智能体产品，确保客户使用的腾讯智能体本身即默认安全可信。统一的运行时与记忆系统能力一旦工程驾驭力到位，业务才会真正敢于把越来越多的流程交给智能体去「代办」，也才有可能讨论自治4.3模型驱动力：用对模型及基础设施，而不是一味“加大杯”我们在实践中看到的典型痛点包括：成本失控、模型锁定、算力资源难管等。企业出于对体验的追求，在所有场景中一律使用最强大模型，短期效果看似不错，但很快就会在成本和延迟上遇到天花板。同时，团队也很难解释「为什么要花这么多钱来驱动这些场景」，从而在预算周期中面临被削减的风险。在市场讨论中，「用哪个模型」经常被过度放大，甚至被视为决定智能体成败的唯一因素。但我们的研究显示：在绝大多数企业场景中，真正关键的不是「是不是用最大的模型」，而是「是否为具体场景构建了腾讯对模型驱动力的解法，是以混元大模型及多款第三方大模型的开放混合策略为基础，像管理云资源第二层，第二层，MaaS服务第一层，模型进化——加大投入、多模态、强推理。腾讯在Al领域加速投入，混元加速团队、预训练与强化学习基础设施重建，模型迭代节奏明显加快。语言模型方面，Hy3preview总参数295B、激活参数21B，兼具实用性与性价比，在复杂推理、指令遵循、上下文学习、代码与智能体场景上提升明显；支持多模型智能路由与成本管理，系统性缓解模型接入碎片化、厂商锁定与Token成本失控问题。部署、推理、安全与数据检索效率，为Agent规模化运行提供稳定算力底座。对于中国市场而言，本地生态的特殊性也使得模型驱动力尤为重要。由于访问和合规方面的原因，很多国际主流模型难以直接用于生产环境，企业必须在腾讯等本地云和模型生态中，综合考虑性能、成本、安全与可持续性。腾讯的云与混元大模型实践，为构建符合本地监管与生态环境的模型组合提供了重要企业知识库｜企业知识库｜腾讯乐享、日志服务CLS资源图谱、CDP、RAG全生命周期安全｜AIAgent运行｜AgentRuntime：Sandbox、CBS、Bucket、Memory、Gateway；EdgeOneMakers；oneIDTokenHub大模型服务平台多元模型供给>自研、行业、开源模型统一供给统一接入调度>标准API、网关计费、智能路由Agent场景优化>面向任务链路的模型选择与调腾讯混元大模型：Hy3preview、HyImage3.0、HyWorld2.0异构计算存储LighthouseTI平台ClawPro个人提效Qclaw：个人AI助手效率智能体ima：AI工作台元宝：全能AI助手企业提效金融天御反诈Agent传媒AI全能赛事制播Agent教育LearningBuddy出行腾讯出行全场景AgentMAGICAgent2.0全栈风控引擎TCDataAgentDataBuddyHarness模型服务腾讯文档腾讯会议腾讯新闻腾讯电子签企业微信TAPD腾讯文档WorkBuddyCodeBudavArdotMiora微信元宝QQ浏览器小程序搜狗输入法企业微信CloudQAndonQMigraQDatabaseClawWorkBuddy企业版ADP4.0垂类智能体腾讯效率智能体工具集高级开发工程师投资银行专家腾讯问卷腾讯地图报告解读skill车载娱乐场景智能体选址拓展分析skill连接器Connector技能Skill应用矩阵腾讯文档腾讯会议腾讯乐享技能Skill行业skill私募股权专家学习规划skill股票分析skill7.7万+Skills高速镜像、零代码原生构建、企业级腾讯网盘TAPD企业提效企业提效型企业”最终，智能体式Al的成败不仅取决于技术方案，更取决于企业的组织能力与推进路径。我们在跨行业项目实践中反复验证了一个结论：那些把智能体化看作「一场组织与运营模式变革」的企业，更有可能将早期试点转化为可持续的规模化价值。在正式启动智能体化转型之前，我们建议管理层围绕以下五个关键维度达成共识。其一，目标与雄心（Ambition）。企业需要回答的问题包括：我们希望在三年内，通过智能体和生成式Al在收入、成本、风险和体验上看到怎样的量级变化？我们的主要发力点是降本，还是提质增效、创新业务模式？智能体在整体数字化和Al战略中的地位，是锦上添花的辅助工具，还是撬动业务和组织重构其二，平台与架构（Architecture）。企业需要决定，是重点投资于一个统一的Al/智能体平台，还是先在若干业务线搭建轻量栈，再逐步整合？如何处理多模型、多云、多供应商和多数据源共存的现实？腾讯实践表明，越早在架构上确立「统一底座、多样创新」的方向，越能够避免后期「拆东墙补西墙」的哪些数据可以被智能体访问，哪些数据必须进行脱敏或边界划分？哪些场景允许自动执行，哪些场景必须有人在环审查？如何设计从低自治到高自治的「EarnedAutonomy」路径？我们观察到，那些把治理与风险视为「创新加速器」而非「创新阻碍」的企业，往往能在满足监管要求的前提下保持快速试错。其四，节奏与路线图（Sequencing）。企业需要思考：第一波应该选择哪些场景，是在一条业务线上纵向深挖多个流程，还是跨多条业务线横向布局高价值单点？如何设计从PoC到生产的升级路径，明确每一阶段的成功标准与退出机制？在不同阶段，如何平衡「创新速度」与「稳定性」的取舍？螃蟹的人」？他们需要怎样的培训、工具和激励？如何在绩效考核中体现对智能体使用与价值创造的认可？如何处理因为自动化和智能化带来的角色变迁与能力要求变化？我们的实践表明，那些从一开始就把「人」放在核心位置的项目，更容易形成规模化应用，而不仅仅停留在技术部门的试验。围绕这五个维度达成一致，将为后续的三阶段路线图和组织设计提供坚实的决策框架，也有助于在内部形成清晰的叙事：我们为什么要做智能体，我们打算怎么做，我们希望从中获得什么。第20页AI的有效部署需要围绕战略目标、技术架构、治理机制、落地执行进行系统化决策架构定得越早，后期返还是先在业务线轻量试如何应对多模型、多云多供应商、多数据源并架构定得越早，后期返还是先在业务线轻量试如何应对多模型、多云多供应商、多数据源并成本、风险与体验上实发力重点是降本，还是提质增效、体验升级与智能体在整体数字化与第一波应纵向深挖单条业务线，还是横向布局扩展条件与退出机制是治理不是刹车，而是规哪些数据可访问，哪些必须脱敏、隔离或设边哪些必须保留人在环？如何建立从低自治到高 技术能否放大价值，最谁是第一批试点用户？需要怎样的培训、工具如何在绩效中体现对智能体使用与价值创造的如何应对自动化带来的在实践中，我们总结出一条通用性较高的智能体推进路线图，可以概括为三个阶段：打地基、连系统、在阶段1：打地基阶段，企业的重点应放在夯实基础能力和验证整体架构可行性上。包括：搭建必要的云与算力基础，为大模型推理与数据处理提供稳定环境；打通代表性业务线的核心数据与上下文接入，构建最小可用的运行时与记忆系统能力；建立初步的可观测性与所有权（Ownership）机制，为每个智能体明确负责人、记录目的和使用范围。在场景选择上，推荐围绕1–2条业务线，优先落地数量有限但价值较高且相对可控的智能体场景，以「旗舰项目」的方式验证从技术栈到组织协同的整体骨架。在阶段2：连系统阶段，重点从「点状创新」升级为「链条优化」。企业需要引入多智能体编排框架，建设领域智能体库，在架构上真正把前述分类体系落在一个可复用的平台之上。同时，要系统性扩充工具在阶段3：规模化阶段，企业的重点转向在多个BU和地区复制成功经验，并建立一套可持续的创新与治理机制。通常包括搭建企业级智能体平台，统一管理智能体的注册、版本、评估与下线；形成清晰的生命周期管理和组合治理框架，避免「野生智能体」泛滥；在多个业务单元复制成熟场景的同时，支持业务团队在统一平台上自助设计轻量级智能体以覆盖长尾需求。腾讯在生态合作中也开始形成类似模式：用统一的平台和方法论，帮助不同行业的客户构建适合自身的发展路径。第21页企业级企业级AI平台混合能力扩展AI运维流水线模型管理层企业级语义层数据平台与迁移MCP基础设施策略驱动的安全服务与代理这一三阶段路线图不仅适用于单一企业内部，也可以自然扩展到平台与生态层面。对于腾讯这样的产业互联网平台而言，第一波是用腾讯云与安全能力帮助客户搭好骨架；第二波是联通更多腾讯系与第三方系统，构建跨系统智能体网络；第三波则是面向多行业推出可复制的行业智能体解决方案，实现从「单一客户项目」到「行业级方法论与产品」的演进。智能体式AI建设举措分三阶段推进——从基础设施底座建设，经由受治理的自主执行，迈向企业级规模化智能体可观测性与实时告警评测框架MCP注册中心AlStudio领域智能体配额管控与Token计星支出治理与构建与填充事件驱动组合治理与优先级管理能力归属模型认证与审批工件市场与最佳实践手册代码沙盒多智能体工作流编排企业级智能体智能体运行时与测试框架智能体全生命周期管理低时延推理基础设施要支撑上述路线图，企业在组织层面往往需要进行相应调整。我们在多家企业实践中观察到，一种较为成熟且可复制的组织模式是由中央平台团队、业务域智能体团队和安全/RAI职能团队三部分构成的「三第22页现代化进程中的AI，其效能取决于运用这些解决方案的团队与职能部门围绕场景组队，识别痛点并落地工作流角色可含：业务负责人、PM、数据/围绕场景组队，识别痛点并落地工作流角色可含：业务负责人、PM、数据/AI工程师、变革经理对智能体效果与业务结果负责可观测性与治理平台可控可管”可控可管”制定风险分级与治理策略参与高风险、高自治智能体设计与审批对接法务、监管，确保责任与合规前置中央平台/架构团队负责构建和运营共用的智能体技术栈，包括运行时、记忆系统、工具与连接器、可观测性与治理平台。它的使命是把对高质量底座能力的投资「一次性」集中完成，并在全公司范围内复用，同时制定统一的技术标准和最佳实践，管理与云厂商、模型供应商以及生态伙伴的接口。在衡量上，这个团队对共性能力和成本效率负责。业务域智能体小组围绕具体业务领域组建，通常包含业务负责人、产品经理、数据/AI工程师和变革经理等角色。它们的责任是识别本领域的优先场景和痛点，基于共用平台能力构建和优化领域智能体及相关工作流，并对本领域智能体的效能指标和业务结果负责。我们观察到，那些真正赋予业务小组场景主导权和指标责任的企业，更容易形成「业务拉动智能体，智能体反哺业务」的良性循环。安全/合规/RAI职能则横跨各领域与平台，负责制定风险分级与治理策略，参与高自治、高风险智能体的设计与审批，与监管机构和法律团队对接，确保智能体实践与监管要求高度对齐。随着智能体在企业中的渗透率不断提升，越来越多企业开始设立专门的「ResponsibleAI委员会」或类似机制，将安全与责任问题提前纳入设计与运营。在这一组织框架下，通过结合「智能体所有权」理念，为每一个智能体指定明确负责人，并将其目的、使用范围、评估结果和自治等级记录在统一的「智能体目录」或「Agents.md」中，企业就能够在保持快速创新的同时，真正做到「知其所来、明其所为、可控可管」。这正是从一批试点智能体走向「智能体驱动型企业」所必须跨越的关键一步。第六章：快消行业Agent效能实战方法及最佳实践第23页快消行业的核心矛盾，已从「是否使用AI」转向消费品行业的核心矛盾，已经不只是“是否使用Al”，而是在渠道碎片化、SKU复杂化、消费者触点持续扩张的背景下，传统依赖人力堆积和经验判断的经营方式，越来越难以支撑规模化增长。消费品企业正处在一个关键转折点：需要从过去“人和资产密集型的运营者”，逐步转向更精益、以Al为支撑、围绕消费者需求进行动态编排的经营模式。传统业务模式在多个核心场景中暴露出严重的瓶颈：品牌既要面向多平台、多达人、多内容形态完成种草与转化，又要兼顾本地化表达、品牌一致性与投放效率，传统依赖人工协同的方式很难持续放大。导购在社群或私域沟通时，被要求全面掌握所有的产品矩阵知识、最新的促销政策及营导购在社群或私域沟通时，被要求全面掌握所有的产品矩阵知识、最新的促销政策及营销活动。这给一线人员带来了极大的记忆与协同负担，直接导致消费者沟通效率受限。面对海量消费者的在线咨询，传统的纯人工模式无法在短时间内承接如此庞大的请求，面对海量消费者的在线咨询，传统的纯人工模式无法在短时间内承接如此庞大的请求，问答的时效性与准确性受到个体精力的严重限制。C端顾问服务时当前，快消行业在人工智能的应用上正处于「关键场景规模化+组织级仍在局部突破」的过渡期，行业第24页整体仍处于早期阶段。作为一种文明级的技术，AI对快消产业的现阶段影响主要呈现以下特征：应用成熟领域目前行业内应用最有效、落地最普遍的领域，主要集中在内容生成场景、编码支持以及应用成熟领域个人级个人级AI更像是效率助手，而企业级智能体能否真正成立，关键在于它创造的价值是否可以被明确衡量，并最终纳入企业整体的价值闭环。组织重构仍是慢变量：组织重构仍是慢变量：AI正在改变企业内部的协同机制，但目前这仅在局部领域发生。虽然智能体迟早会对整个组织的运行方式和协作机制产生深远影响，但目前组织层面尚未发生系统性的整体变化。术沉淀」，再到「员工效能普及」，每一道门槛都对应一种必须夯实的能力。同一家企业的不同业务线，也可能正卡在不同的跃迁门槛上：工具」四要素与具体业务场景做合理匹配，与生态伙伴长期共创。卡在这道门槛前的企业，往往把AI当作技术演示，而非业务命题。认知的迭代，与业务部门一起以审慎节奏探索边界。卡在这道门槛前的企业，容易在风口期却没有沉淀自己的判断力。常因「ROI算不清」而推迟普及，最终错过组织AI化的窗口期。伊利：从AIGC普及到生产级智能体规模化的快消样本伊利的AI布局是全集团、多线推进的。自2024年起，伊利已在集团范围内大规模普及AIGC应用；面向员工层面，部署了「伊利超级助手」与员工级智能体，活跃用户从春节前约2.7—2.8万名员工，快速攀升至当前约4万名员工；面向研发，伊利打造多智能体平台，要求技术人员升级研发技能，利用AI重构需求理解、设计评估与开发流程，探索一套全新的研发体系。在这张覆盖「员工效率—业务场景—研发体系」的整体版图中，伊利与腾讯云的合作聚焦在「生产级智能体」这一块——共创落地了多个L2.5及以上、深入核心业务流的企业级智能体，每一个都在具体业务场景中实现了突破性的质效改变：·达人营销智能体：作为伊利推进的头号场景，该智能体可AI快速建联目标达人并自动完成商务洽谈的标准操作，解决了过去靠人海战术无法做大规模的痛点。目前可辅助商务一天对接200—500个以上达人，人均贡献相比过往实现量级跃升。第25页导购智能体：针对一线导购产品与活动知识负担过重的痛点，由总部和事业部提前生成标准化内容，导购通过一键转发即可落地，显著降低日常工作负担，重构了一线日常工作模式。育儿与营养顾问智能体：聚焦C端服务，AI辅助营养顾问回答消费者海量问题，问答的时效性与准确性发生质的变化，打破了顾问无法在短时间内服务大量消费者的物理限制。电商运营智能体：下挂爆款复刻、内容电商短视频生成等子智能体；在内容电商中，短视频制作应用员工级智能体（伊利超级助手+WorkBuddy）：解决个人办公效率瓶颈，企业内部活跃用户呈稳定阶梯式增长，从春节前的约2.7—2.8万人，快速上升至当前约4万名员工。研发流程AI重构：伊利在研发领域做全新突破，打造多智能体平台，要求技术人员升级研发技能，利用AI完成需求理解、设计评估与开发，旨在沉淀一套全新的研发体系。把专家知识库装进AI每位导购都拥有专业级服务能力意义39%200倍39%200倍下单转化率提升达人营销效率提升导购点击率提升下单转化率提升达人营销效率提升导购点击率提升伊利在上述场景上的规模化突破，并非孤立的技术尝试，而是在三力上完成了协同重构：深度内嵌既有生态深度内嵌既有生态严密的人机协同与能体不脱离现有物理环境，而是直接绑定并嵌入企业微信、微信等已有生态优势位——无论是导购的第26页消费者反馈进行监测、评估与迭代。针对企业内部高敏感、机密级数据选用伊利超级助手，并计划逐步与腾讯云WorkBuddy融合，通过共享Skills与MCP化构建统一治理底座。给出了全新的归因逻辑——AI替代人只是一个方面，AI最主要的价值在于把过去「物理上做不到」的事变得可能（如一天对接500个达人、海量消费者实时顾问服务）。这一归因逻辑，是企业级智能体能否纳入价值闭环的分水岭。快消行业在AIAgent领域正迎来新一轮的扩散与变革：·走向规模化量产：行业未来的关注点将从当前单个场景的点状探索，演进为规模化复制企业级智能体的生产模式，建立标准化的智能体量产流水线。·双向智能化的“平行进化”与交叉：供给侧与运营侧的“企业智能化”，与需求侧的“消费者购买决策全链路纵深扩散：智能体应用将从目前成熟的内容营销、用户运营等前端，逐步向产业链后端渗透，·实现从消费者洞察、创新研发、渠道终端门店管理到后端供应链全流程的深度覆盖。组织协作机制的重构：随着多智能体平台在研发等领域的探索加深，智能体将在不同场景下逐步改变企业的协作和运行方式。尽管这是一个慢变量，但组织层面的系统性协作机制重构将是迟早要发生的第七章：传媒行业Agent效能实战方法及最佳实践第27页传媒行业的Agent应用路径有很强的行业特殊性。与一般行业优先强调效率不同，媒体场景首先面对的这也决定了传媒行业当前并不是单纯在比拼大模型的技术参数，而是在探索如何让智能体真正嵌入采编高昂的发布责任。媒体内容一旦发布，就会产生广泛的公共传播影响。对于媒体机构来说，AI不是普通的效率工具，不能只看流程是否跑得快。准确和安全是底线，效率提升绝不能以牺牲内容安全和流程规范为代价。漫长且分散的链条。媒体生产横跨多个岗位与系统。从热点发现、选题策划、资料查证、素材调用、内容生产、剪辑制作、“艺术+技术”的深度结合。内容生产既有创意属性，也有严苛的技术和合规要求。这意味着通用型智能体往往是一层“漂浮在表面”的外挂，难以直接覆盖媒体机构频繁变化、差异较大的业务需求。因此，媒体行业的关键问题，不是AI能不能生成内容，而是AI能不能进入真实生产流程，并在全过程中满足可追溯、可审计、可控制的要求。第28页补背景。现在，智能体可以在分钟级完成热点汇总和初步选题建议，结合数据与创意进行辅助生成，成为内容生产前端的重要切入口。素材与媒资调用环节（跨系统资源重组过去寻找图片、视频或历史素材，需要在不同媒资系统中分别查找。现在，围绕具体任务直接调取并重新组织分散的素材，已成为智能体切入工作流的重要方向。这类能力的价值，不只在于减少操作步骤，更在于把分散的素材系统重新组织进具体任务流中。内容制作环节（自动化与效率极限压缩一种是自动化剪辑与内容生成，通过压缩制作周期，改善传统人工效率低、创意落地慢的问题。另一种是数字人视频制作，传统流程包括文案撰写、形象配置、参数设置等多个步骤，需要半天左右；现在用户只需上传照片、输入主题，系统即可在后台完成选题策划、内容创作、数字人创建和视频生成，整体压缩到2-3分钟。审核环节（安全屏障的智能化智能审核的核心价值在于降低人工复核压力，改善人工漏检率高、成本运营传播环节（早期布局）：尽管AI也开始进入数据报表生成和传播复盘等环节，说明其作用正在向发布后延伸，但总体看，运营传播场景目前优先级仍低于内容生产，整体处于较早期阶段。从这些场景看，应用正在由局部工具使用，向生产环节渗透。选题策划环节素材与媒资调用环节内容制作环节审核环节选题策划环节素材与媒资调用环节内容制作环节审核环节运营传播环节媒体行业中有效推动AI智能体落地的，并不只是率先接入模型的企业，而是能够同时推进业务定义、系统连接和治理机制建设的企业。第一类，是能够清晰定义媒体场景底线要求。媒体不是单纯效率场景，而是对真实性、导向性、时效性和安全性有高要求的生产场景。谁先把这层约束定义清楚，谁就更能避免智能体建设偏离方向。第二类，是能够推动AI进入真实工作流。媒体工作的难点不在单个动作，而在多个岗位、多个系统、多个流程之间的连接。因此，真正有效的推动，不是停留在演示型助手层面，而是让智能体能够进入热点、选题、资料、媒资、内容生产和复盘等实际环节。第三类，是能够把治理边界前置到产品与系统设计中。对于媒体行业而言，智能体不是“能用即可”，而是必须明确“能做什么、不能做什么”，并具备权限约束、过程留痕和日志审计等机制。只有把这些基础能力前置，AI才有可能进入高要求生产环境。行业Agent效能最佳实践：第29页在上述行业共性下，传媒行业已跑出两条具有代表性的落地路径。下面分别拆解传播大脑"灵思"与北京广播电视台两个案例——它们切入的环节相近，但能力组合与合作方式截然不同。案例一北京广播电视台：以定制化自建，把节目流程做深为专属智能体北京广播电视台是广电机构中「定制化自建」的代表。广电业务是「艺术+技术」的独特结合，节目形态频繁调整、场景差异度高，通用方案难以直接落地。北京台因此坚持「绝对自建」的定制化路线，自建智能体以精准覆盖智能选题策划、自动化剪辑与内容生成、智能审核等内容生产关键场景，其中内容生产环节的成熟度明显高于运营传播。落地形态：北京台优先把AI放在内容生产全链路——智能选题策划（数据与创意结合的辅助生成）、自动如制作周期缩短、员工使用率提升、审核准确率提高与人力成连接机制：该路径强调打通自身的选题、制作、审核等多业务系统，实现技术与业务深度耦合。在这一策略下，腾讯的价值不是提供现成应用，而是充当工程底座与开放生态——通过OpenCloud多模型对接与模型路由，提供高并发支持、稳定性保障与灵活调度，帮助北京台规避从零搭建底层架构的风险，把精力集中在上层业务逻辑。用客户的话说：「灵魂（业务场景）自己做，腾讯提供强壮的身体和灵活的以多模型适配与场景化调性与安全性。以多模型适配与场景化调性与安全性。借腾讯体系化工程方案与多提升响应速度与稳定性。核流程打通为专属智能体。两个案例切入的环节相近——都优先进入内容生产主链路、都把AI放在高频刚需、流程负担最重的节点；差异在于能力组合：灵思在媒体业务平台之上形成多节点标准化、协同化能力，北京台则围绕自身独特节目流程做深度定制。这恰好说明，媒体行业没有唯一解，关键是把「业务底线—系统连接—治理前置」三件事按自身禀赋组合好。传播大脑科技旗下有"灵思"AI智能体助手与"万媒"媒体业务平台，面向省级媒体提供智慧媒体能力。第30页在这套自有体系中，灵思已真实参与到热点检索、选题策划、资料整理、媒资检索、内容生成、数字人视频制作、数据报表生成和传播复盘等多个环节，是少数已进入真实生产流程的媒体智能体之一。落地形态：灵思以媒体日常采编工作流为核心，把多个高频节点有机串联。最典型的提效来自两处——热点梳理从"打开多个平台逐一查看"压缩到分钟级完成汇总与初步选题建议；数字人视频制作从传统的文案、形象、参数等多步骤、约半天工作量，压缩到"上传一张照片+输入一个主题、后台2-3分钟出片连接机制：灵思不是脱离原系统的外挂助手，而是与"万媒"平台紧密结合，向下连接媒资、采编、数据不能做什么"。在这条路径里，腾讯云提供的是云基础设施、模型服务与工程化支撑，帮助灵思更快从"能演示"走向"能生产"、并持续稳定地服务媒体工作流。以沙盒隔离、最小权限、统一网关、日志审计实现「信源可灵思打通万媒的媒资、采编、数据系统，在真实业依托腾讯云模型服务与多任务适配，匹配不同媒体灵思打通万媒的媒资、采编、数据系统，在真实业跑通路径：效率提升建立在业务耦合与工程治理之上而是同时满足了业务耦合、工程治理和安全可控三方面的要求：上述实践挑选的热点检索、选题策划、媒资调用、内容生成、自动化剪辑、智能审核、数字人视频制作、数据报表和传播复盘，都是媒体机构日常流程负担最重的环节。因此，当前行业的成效验证指标，主要聚焦于内部提效与合规指标（如：制作周期缩短、员工使用率提升、审核准确率提高、人力成本节约和第二，不把效率和安全对立起来。“灵思”明确强调提高效率不能以牺牲内容安全和流程规范为代价；北京台在智能审核环节的重度布局，第31页也说明媒体机构对准确率和合规性高度敏感。媒体场景中的Agent，必须是在底线约束下实现提效，而不是绕过底线换速度。第三，依赖较强的系统连接与工程适配能力。无论是灵思依托“万媒”连接采编，还是北京台利用腾讯的工程化基座实现多模型路由与灵活调度，都稳定运行、可控可审的生产力系统。传媒行业的智能体应用已经迈出了坚实的第一步。当前最成熟的突破口仍在内容生产侧，而运营传播侧整体尚处早期阶段。下一阶段，行业向全流程、规模化演进的机会主要体现在四个方向：·一是从单点工具走向全台级平台，实现内容生产场景的规模化复用与跨频道推广。·二是补齐运营与传播环节的AI能力，改变目前“重生产、轻运营”的现状，强化发布后的用户连接。·四是进一步深化人机协作边界，坚持“艺术主导、技术辅助”的路线，在创意类场景中强调辅助生成传媒行业下一步比拼的重点，不只是有没有智能体，而是谁能更早把AI做成一套能够进入真实媒体生产环境、同时满足效率与治理要求的“可控生产力”。第八章：出行行业Agent效能实战方法及最佳实践第32页AI智能体已基本走过“认知普及”阶段；另一方面，行业实践也表明，真正能够推进落地的，往往不是大范围重构系统或流程，而是围绕少数高价值、可验证、可复制的场景，先完成验证，再逐步扩展。这一节奏与出行行业自身特点密切相关。车企产业链长、系统复杂、组织协同链条深，新技术一旦进入核心流程，往往需要更长的验证周期；与此同时，行业关注点也已从“是否接入大模型”，逐步转向“能否在关键场景中形成真实、可感知的业务价值”。·切面一：企业内部的效能红利（以内部高频环节为核心）这一类场景主要聚焦研发、培训和知识管理等内部核心环节。其共同特点是痛点明确、使用频次高，能够直接用过程指标和效率指标来量化验证效果。目前的典型探索集中在研发侧AI编程辅助、营销侧AI陪练，以及企业知识库深度RAG应用。·切面二：车端服务的体验重塑（面向用户感知的场景闭环）这一类场景不再局限于企业内部提效，而是直接将AI转化为车机座舱的核心产品力。例如典型的车机第33页端点餐服务，系统会结合导航路线、ETA、LBS和门店停车便利性，自动完成选品、选店、优惠使用和下单全流程。这类场景的价值，在于将AI转化为座舱体验中的具体卖点，并帮助车企探索差异化的服到“关键场景验证”，再到“局部做深与复制”，每一次跃迁都逐级抬高了对场景选择、能力组合与价值度量的要求。同一家企业的不同业务线，也可能正卡在不同的跃迁门槛上：倾向直接采购通用AI工具满足研发侧效率需求。优势是上手快，但要跨过这道门槛，关键是把零散的工具使用收敛为面向关键业务场景的体系化规划——而非停留在“买了不少工具、却没形成Agent落地路第二次跃迁：从“关键场景验证”到“局部做深”。这一步已围绕少数关键部门做小规模试点，验证业务关键是把已验证的能力做深、做稳，并沉淀为可跨业务线复制的局部范式——这是把单点价值真正规模”””从“局部做深”到“规模复制”””从“局部做深”到“规模复制从“关键场景验证”到“局部做深从“工具化探索”到“关键场景验证上汽：在全集团AI体系化布局中，与腾讯一起做的是内部提效第34页上汽的AI布局是全集团、多路线推进的。在产品与智驾侧，2026年3月智己LS8全球首搭大模型、发布行业首个超级智能体IMUltraAgent，打通舱驾一体；在智能制造侧，2026年上汽率先实现人形机器人量产线应用，并通过延锋国际与银河通用合作，把具身智能从整车制造延伸到零部件制造；在研发侧，软件开发等多条AI主线。在这张覆盖“产品—智驾—制造—研发”的体系化版图中，上汽与腾讯的合作已在营销、研发、知识三个高频、易验证价值的小切口上形成清晰路径：·营销服务场景：腾讯和上汽乘用车基于腾讯乐享产品，通过半年时间的共建打造出了汽车行业门店销售的AI陪练智能体，当前覆盖超过5000名一线门店销售人员。通过集成智能体至企业微信，为销售提供高频率、标准化的AI陪练，有效补充了传统培训覆盖不足、标准化程度低的问题，提升了一线员工的产品知识和客户服务能力。·研发提效场景：作为汽车行业内较早批量使用CodeBuddy做研发提效的企业之一，上汽已有近千人规模的团队在使用。领域覆盖了智能座舱、车联网、企业IT等多个业务以及横向项目管理中，使AI编程辅助能力从单点尝试走向更系统的应用。·知识应用场景：双方目前正在联合探索企业知识的深度RAG应用，通过腾讯云ADP（应用开发平台）的工作流及Agent模式，将复杂的知识调用、系统集成和大模型推理结合起来满足业务需求，让企业知识有效地服务于垂直领域。零跑：在全域自研的座舱体系中，与腾讯一起做的是车端生活服务生态零跑在智能化上走的是全域自研路线：核心零部件自研比例超65%、自建17家零部件工厂；2026年4月上市的旗舰D19在CES2026上与高通联合发布，行业首发双骁龙8797、1280TOPS舱驾一体中央域控，可同时运行座舱端侧大模型与VLA智驾模型；座舱侧已是行业首批DeepSeek＋通义千问双大模型上车，并自建数千卡智算中心训练端到端与VLA模型。在这套深厚的自研体系之上，零跑与腾讯的合作补的是“车端生活服务生态”这一块——让座舱智能体不必自建支付、地图、服务生态，即可直接“办事”：·智能体上车：2026年4月正式发布的零跑D19，首发搭载腾讯智能座舱解决方案与腾讯座舱智能体。这背后是腾讯在2026年4月智慧出行技术开放日发布的“七大座舱智能体”及“出行全场景智能体开·随心点单闭环：用户通过自然对话即可在车机端完成餐饮等生活服务下单（如“再来一份昨天点的咖高效整合到一次自然对话与路径规划中。上述两类典型场景之所以能够率先跑通，本质上是因为企业在推进时，没有落入“宏大叙事”的陷阱，第35页而是针对不同场景的诉求，精准匹配了不同的核心打法与底层能力组合：核心打法与业务切入点背后依赖的能力组合小步验证，不重构系统：从营销培训和研发提效等高频、价值清晰、较容易被业务感知的内部场景切入，更符合传统车企当前的推核心打法与业务切入点背后依赖的能力组合小步验证，不重构系统：从营销培训和研发提效等高频、价值清晰、较容易被业务感知的内部场景切入，更符合传统车企当前的推组合式支撑与稳定资源：企业微信作为办公入口降低推广门槛；CodeBuddy与AI陪模型和算力更强调稳定可用与资源供给。体验具象，打通底层链路：不追求内部流程效率，而是将座舱点单做成足够流畅、足够具象的车端服务体验，形成体验卖点。体验具象，打通底层链路：不追求内部流程效率，而是将座舱点单做成足够流畅、足够具象的车端服务体验，形成体验卖点。生态连接与工程封装：模型本身非核心差异点，关键在于通过工程化封装，将零散的小程序、MCP数据、地图能力和支付链路拉展望下一阶段，出行行业的AI应用更可能沿着“局部验证—场景扩展”的路径推进，而不是快速走向全·内部提效场景持续走深：AI编程辅助、销售培训陪练、知识库调用等已经验证价值的场景仍会继续扩展，因为它们最容易持续带来可感知的效率收益。·车端创新场景纵向延展：座舱服务智能体将向更丰富的生活服务和LBS场景延展（例如“随心逛逛”），整体来看，出行行业短期内更现实的方向，不是一下子让AI全面接管业务，而是围绕已经验证有效的场景持续做深、做稳，并逐步形成可复制的局部能力。第九章：消费电子行业Agent效能实战方法及最佳实践第36页消费电子与智能制造企业在落地AI时，普遍卡在三道断层上——前端硬件「听不懂人话」、后端研发「靠难以应对用户日常「高模糊、低信息密度」的自然语言；缺乏多轮交互与上下文补全，硬件的物理效能全程靠人工手动闭环，效率深陷人力规模陷阱；同时企业沉睡着海量非结构化资产（如数十万张历史设其三，跨系统各自为政。全球化布局放大了信息摩擦成本，更深的痛点是套装软件割裂——CRM、SAP等系统各自内置的智能体彼此孤岛，个人效率的提升难以汇成企业整体效率的跃升。一句话概括：行业要同时在C端做到「交互轻量、安全可控」，在现状演进：竞争焦点从「拼模型底座」转向「拼落地做事与资产沉淀」第37页消费电子及智能制造行业对大模型与智能体的应用重点，正经历三个标志性转向：不再是局部代码提示，核心竞争力不再是工程师人数，而是把自身业务经验、项目能力与工作流，多快沉淀固化为可复用的AI智能体资产——发掘真实痛点的能力被提到空前高度。关注点从单纯提升模型底座，全面切换到「让技术落地做事」的应用层——比的是模型之上那层「外壳」能不能把活干成。焦点转向「会做事」研发转向「AI核心竞争力不再是工程师人数，而是把自身业务经验、项目能力与工作流，多快沉淀固化为可复用的AI智能体资产——发掘真实痛点的能力被提到空前高度。关注点从单纯提升模型底座，全面切换到「让技术落地做事」的应用层——比的是模型之上那层「外壳」能不能把活干成。焦点转向「会做事」研发转向「AI原生全链路」壁垒转向「沉淀速度」行业Agent效能最佳实践：海尔、TCL、乐享科技海尔集团：以HiWork+智小能AgentOS，跑通「研产供销服」全链路沉淀上千个业务自建Skill、70多个智能体在日常使用。崔总一句话点破成熟度逻辑——「数字化是基础，把非结构化资产结构化（图纸识别准确率90%+数据侧问数准确率约96%；营销端进化出「智能体指挥智能体」的链群模式，自动完成素材生成与投放；并以低代码平台赋能「全民开发者」。早在2022早在2022年建成统一入口HiWork（企业OS其腾讯CloudPro团队驻场园区约30人、不到30天按海尔标准完成安全改造。以统一底座+API语义化打破套装软件孤岛，配合安全沙箱隔离支撑核心业务流程智能体。第38页TCL实业：从「古法写代码」到「两天交付」，CodeBuddy倒逼研发转型客户全景：TCL实业互联网应用开发中心/软件工程中心约2000人、业务覆盖160国，是把AI转型纳入全集团战略与KPI的头部消费电子龙头，研发端属于「局部规模化、向全员渗透」阶段。场景与成效：在约2000人的软件工程中心全面引入腾讯云CodeBuddy，打通需求理解→文档解析→代务驱动型）取代传统人力驱动。需求理解到代码生成、测试、会议闭环的全链路打通。CodeBuddy作为AI原生的工程级开发平需求理解到代码生成、测试、会议闭环的全链路打通。乐享科技：用企业级Agent，让家庭服务机器人「长出新魂」乐享科技是一家家庭智能机器人创业公司。过去几年家庭服务机器人「能做的事并不多」——硬件具备物理能力，但用户大白话信息密度低、任务细节多，单轮指令难以撑起复杂场景。乐享要解决的，是把人·场景与成效：借助腾讯云企业级Agent产品（龙虾/ClawPro）的介入，家庭服务机器人实现自然语言透明交互——约8–10轮自由问答即可把模糊意图磨出可执行雏形；面对「我出门之后半小时帮我乐享构建Skills开发者社区生态，把长尾个性化家庭需求沉淀为通用硬件能力。硬件本体+多模态传感（声纹/人脸/图像）融合扩展执行空间，并依托腾讯云ClawPro实现保障隐私与安全，腾讯开放的C端UI与微信交互经验也让乐享省去大量硬件交互基本功。整合进同一个Agent。第39页随着头部案例验证了AI智能体作为下一代生产力系统的商业价值，未来1到3年消费电子行业的演进将趋势一，多模态智能体与硬件本体深度咬合，应用场景呈现三级梯度规模化。智能化演进将按时间线分步爆发：当前处于第一梯度，标准化高频的客服、研发编码自动化最先突破；随后进入第二梯度，AI深智能穿戴等硬件深度融合，推动消费电子迎来一轮软硬一体的爆发期。趋势二，从助理走向数字分身，利用AI进行流程挖掘驱动组织重构。传统的矩阵式人力资源壁垒将被彻底打破。未来的智能体将从简单的日常助理进化为高阶的数字分身。更重要的是，企业开始利用AI进行流程挖掘，精准识别组织中的冗余节点与岗位，推动组织形态向极其扁平、敏捷的业务驱动型团队全面趋势三，核心壁垒转向业务经验资产化速度，智能化能力向产业链上下游辐射。工程师的生态位将发生根本性分化，企业比拼的不再是团队规模，而是将行业知识转化为AI原生资产的速度。同时，