AI 系统与项目案例

Agent 系统 · 平台与研发

企业级 Agent 平台

把分散的模型、知识和工具接入一个受治理的 Agent 运行时，让团队能够用它完成真实工作。

• 12个系统接入
• 10个复用 Skills
• 99.93%平台可用性

挑战

企业里的 AI 试点往往各自使用不同的知识、工具和控制方式。挑战是将它们整合为共享平台，让 Agent 能理解任务、调用企业能力、完成工作，并通过评测持续改进。

角色

平台和研发负责人，管理由前端、后端、算法、数据、测试与运维组成的 50+ 人跨职能团队。

关键决策

将模型、知识、数据、工具、Skills、权限、审计、评测和运营纳入同一运行时，而不是把它们当作彼此独立的功能。

系统

任务规划、MCP 与连接器、Skill 生命周期、沙箱执行、引用追溯、人工确认、风险控制、回归评测与可观测性。

结果

接入 12 个内部系统，交付 10 个可复用 Skills。验收数据包括普通问答平均 2.3 秒、20 并发稳定运行 72 小时、99.93% 可用性和 95% 检索准确率。

知识 Agent →数据分析 Agent →文档智能 →

工业多模态 · 工程 Agent

工业多模态与工程 Agent

让图纸、三维模型、BOM 与工艺知识进入同一条可复核的工程工作流。

• 图纸二维信息理解
• STEP三维特征证据
• 工艺与报价可检查的输出

挑战

工程任务同时涉及图纸、三维模型、BOM、工艺知识、成本和专业工具。系统不仅要理解这些对象，还要沿着真实流程产出可使用的结果。

角色

连接多模态模型、工程流程与交付约束的产品、平台和研发负责人。

关键决策

将 CAD/STEP 证据、BOM 关系、加工特征、相似检索、可加工性和报价拆成可检查的中间结果，使最终建议能够被工程人员复核。

系统

图纸与三维理解、相似件检索、工艺生成、自动报价、人工审核与反馈沉淀。

结果

形成可复用的工程 Agent 路径：理解零件、检索相似任务、提出工艺并生成报价建议，每一步都保留可检查的依据。

观看三维装配演示 →

多模态模型 · 数据运营

模型与数据闭环

把数据、训练、评测、部署和线上反馈连成可追溯、可复现的模型生命周期。

• 120+个数据集
• 200 万+标注图像
• 99.5%识别准确率

挑战

在持续提升多模态识别效果的同时，确保每一次数据、训练、评测和部署过程都可以复现。

角色

负责模型体系、云端推理、标注训练平台和工程交付的软件算法负责人。

关键决策

围绕数据版本、标注、实验、评测基线、部署产物和线上反馈建立生命周期。

系统

120+ 数据集、200 万+ 标注图像、100+ 模型产出，以及从采集到生产反馈的连续链路。

结果

识别准确率从 92% 提升至 99.5%，推理速度提升 50%。

高速分选 →视觉脱敏 →WebSeg 标注 →

计算机视觉 · 模型生命周期

EvoAI 视觉模型工作台

用一套可私有化部署的工作台，承接数据导入、标注、训练、测试和推理交付。

• 4 类任务分类、检测、分割、异常
• ONNX标准模型交付
• 私有部署数据与运行边界

挑战

工业视觉项目依赖分散脚本和人工传递，数据、训练与交付彼此割裂。需要用同一套系统承接原始数据，并产出可训练、可测试、可交付的模型。

角色

负责从产品工作流、系统架构到训练运行时和交付边界的整体设计与实现。

关键决策

以项目和当前数据集为主线，统一数据状态、标注、训练任务、模型产物和测试反馈。大文件导入和训练做成可恢复的异步任务。

系统

覆盖分类、检测、分割与异常检测，包含数据导入、图像标注、训练任务、模型注册、单图测试、结果回流，以及 ONNX 与 Windows 推理交付。

结果

形成可私有化部署的视觉工作台，使数据、训练、模型和部署产物始终处于同一条可追溯链路中。

观看演示 →

强化学习 · 机器人 · 实时视觉

强化学习、机器人与实时 AI

从分布式策略训练、机器人 Web 控制到大规模视觉检测，处理实时环境中的感知、决策与回传。

• 1500+CPU 核训练
• 300台设备并发
• 99%异常检测准确率

挑战

复杂在线环境既需要训练决策策略，也需要连接机器人控制、视觉感知和设备状态；各环节共享实时系统基础，同时保持清晰的安全边界。

角色

负责环境、分布式学习、视觉感知、评测与生产部署的算法研究员。

关键决策

将环境保真、策略学习、UI 感知和线上评测分开设计；异常检测则围绕可量化的运维验收构建，而不是只关注单次准确率。

系统

使用 1500+ CPU 核的分布式强化学习平台，构建 AGV 与机器狗的 Web 控制、实时轨迹和相机回传原型，并交付支持 300 台设备并发的视觉异常检测服务。

结果

UI 驱动的游戏 Agent 达到钻石 9；完成机器人远程控制与状态回传验证；视觉异常检测准确率 99%，检测时间缩短至 30 分钟。

观看机器人演示 →AGV 导航原片实时轨迹原片强化学习算法笔记 →

长期上下文 · 多角色 Agent

长期个人 AI 与多角色协同平台

让上下文跨时间延续，让工具在权限内读写真实记录，并为关键判断保留人的确认。

• 时态记忆事实版本与遗忘
• 角色隔离身份与数据边界
• 人工确认关键动作可控

挑战

个人 AI 需要理解随时间变化的事实、偏好、目标和真实行为，同时严格守住不同身份、角色与数据之间的边界。

角色

负责 Agent 运行时、领域模型、数据与记忆架构、AI 工具链和生产交付体系的整体设计与持续演进。

关键决策

将聊天历史、当前事实、业务记录、知识证据和临时执行状态分开建模；长期记忆按身份与对象隔离，事实变化通过版本更新表达，遗忘过程可审计，重要判断保留人工确认。

系统

流式 Agent、结构化工具调用、时态长期记忆、向量召回、知识检索、多模态输入、长期记录、多角色权限、审计、幂等与安全策略。

结果

对话能够跨时间延续，工具能够在权限内读写真实记录，同时让 AI 建议、确定性规则和人的决策保持清晰边界。

• 身份隔离
• 证据可追溯
• AI 与规则分离
• 关键环节人工确认