- 基于本体的 AI 数据研发落地:淘宝行业经营分析实战
- 智能体 Skill 调优“焚诀”——业务逻辑之外的胜负手
- 智能互动 Agent 在快手商业场景的落地实践
- Introducing ChatGPT Wallet
📥 Tech News
基于本体的 AI 数据研发落地:淘宝行业经营分析实战

阿里技术团队提出构建企业级 AI 数据研发本体(Ontology)的方法论,从生产代码自动抽取隐性业务规则,为 AI SQL 生成提供精确上下文,实测 AI 代码行占比提升至八成以上。
- AI 生成 SQL 的核心问题在于缺乏业务知识而非模型能力,更强的模型只能提升选表与语法稳定性,无法解决业务规则、指标口径偏差
- 本体包含表本体、业务规则、指标定义、血缘、值域五类知识,采用三层架构,通过自动化抽取、指纹校验、回溯验证确保规则与生产代码一致,降低人工维护成本
- OntSQL Agent 采用按需召回与飞轮迭代,通过研发 diff、评测集、线上日志三条反馈链路,实现“生成→评测→归因→修正”的自动闭环
- 落地效果显著:AI 代码行占比从个位数提升至八成以上,需求交付周期缩短,团队角色从“逐行手写”的执行者转向规则定义者与质量把关者
智能体 Skill 调优“焚诀”——业务逻辑之外的胜负手

本文系统阐述 AI Agent 技能调优的工程化方法,通过意图树重构、三层架构设计和 bad case 闭环,将路由准确率从 92.5% 提升至 98.5%,并把 37 个平铺技能整合为 1+6+19 的层级结构。
- 意图树按分析范式重新切分,将 9 个话题式意图收敛为 6 个范式式意图,消除“公司基本面”等黑洞意图的结构性混淆,回归评测准确率从 73% 升至 92.5%,兜底率从 4.59% 降至 1.08%
- 三层架构(基座+聚合索引+模板)实现规则按需加载,单技能上下文从 6000 token 降至 1200 token,节省约 80% 成本
- skill 的 description 只写“何时用/何时不用”并配正反例是路由关键,短而准的描述优于冗长功能简介,补上反例后路由准确率从 53% 提升至 85%
- 通过归因分层、落点选择、落点唯一、配正误例、登记自检的五步法写作纠错规则,并以三层评测体系(意图离线评测+技能用例+整体回归)保障每次改动可量化验证,避免修 A 坏 B
智能互动 Agent 在快手商业场景的落地实践

快手大模型专家在 AICon 分享了智能互动 Agent 在电商商业场景的落地方案:在效果、时延、成本的”不可能三角”约束下自研大模型,围绕动态知识库、用户模拟器与自进化、多轮成交归因构建闭环。
- 知识库:全域知识统一为挂载 entity 与 intent 标签的 QA 对并天级更新;图片知识改为在线检索,resize 至 224×224 并用 VCoT 蒸馏对齐大图表征,检索耗时约 200ms;给知识编号强制输出溯源,有效抑制幻觉。
- 用户模拟器:Gemini、豆包等通用模型易被图灵测试识破,采用 SFT(引入超大模型 thinking)加 RL 两阶段训练后达到与人类五五开的水平;配合三元组策略池和围栏回退机制实现线上自进化。
- 长程归因:成交信号只在最后一轮出现,用 LLM-as-judge 生成中间奖励,session 级奖励按轮次加权分配,时间衰减在实践中效果最好,另有课程学习提升难例利用率。
- 已落地数字员工π、快语 AI 小二、AI 分身+助播、女娲互动四大场景;生成任务用 9B 模型并关闭思考,响应控制在两秒内,自部署成本远低于调用外部 API。
Introducing ChatGPT Wallet
OpenAI 正式推出 ChatGPT Wallet,为 AI 智能体(agents)提供一种安全的支付方式,使其能够在用户授权下直接完成购买交易。
- 该功能适用于 ChatGPT Work、Codex 以及 dots 中的智能体
- 所有购买操作均需经用户批准后执行,确保用户对交易过程保有控制权
- 方案构建在现有银行卡保护机制之上,用户无需另建支付保障体系
此举意味着 OpenAI 在智能体商业化方向上迈出一步,让 AI 从信息处理延伸到实际交易执行。不过本次公告内容较为简短,尚未披露支持地区、接入方式及费用等细节,具体信息有待后续文档补充。