摘要
当前，以 Agent 为核心的新一轮技术浪潮正在席卷产业。那么，世界模型的下一个突破在哪？Agent 从 Demo 到工程化还差什么？研发体系不重构，还能撑多久？6月26日-6月27日，AICon全球人工智能开发与应用大会"将在上海举办。本次大会将围绕以上问题，邀请来自腾讯、阿里、快手、华为、飞猪等50+头部企业的技术负责人、高校与科研机构的一线专家，分享 Agent 在真实生产环境中的落地经验与前瞻思考。深入探讨 Agent 从原型到量产的工程挑战、数据与记忆的基础设施底座、安全可信的落地保障，以及大模型推理优化、智算架构升级等关键命题。美图高级算法工程师周劲飞确认出席 “Agent 系统架构与工程化实践"” 专题，发表题为《Roboneo：设计生产场景下多智能体编排工程实践"》的主题分享。随着大模型能力的持续突破，AI Agent 正在重塑内容生产的工作范式。设计生产场景天然具备高度复杂性——多工具协作、意图模糊、流程长链路——这让它成为验证 Agent 工程能力的绝佳试验场。Roboneo 正是在这一背景下诞生：面向真实的设计生产需求，让用户只需表达想法，Agent 即可自动完成从意图理解到图像处理的全流程修图任务。本次分享将结合 Roboneo 从 0 到 1 的建设历程，系统梳理面向设计生产场景的 Agent 能力编排工程实践，涵盖业务背景、核心挑战、架构设计与演进路径，以及落地过程中的真实踩坑经验。详细演讲内容如下：演讲提纲：背景与场景设计生产场景的现状与痛点：工具碎片化、流程重、专业门槛高Agent 范式的机会：从"工具调用者"到"需求表达者"的用户跃迁Roboneo 的目标定义：用户只需有需求，Agent 完成修图全流程面临的困难与挑战业务层挑战设计意图天然模糊：用户描述的"好看一点"背后可能对应数十种操作组合设计场景的长尾性：修图需求种类繁多，边界难以穷举用户期望与模型输出之间的对齐难题技术层挑战多工具、多步骤的可靠编排：单步失败如何降级与恢复工具调用的延迟与稳定性：设计生产场景对响应质量敏感Agent 决策的可解释性与可调试性Roboneo 的设计与落地用户意图理解：从自然语言到结构化设计指令的转化机制多 Agent 架构：规划 Agent、执行 Agent、校验 Agent 的分工与协作MCP 工具集设计：面向修图场景的工具抽象…
摘要可能不完整，可查看原文