知鸦日报2026-09-24

这篇分享展示了货拉拉如何用Dynamic Workflows将复杂的DID策略复盘SOP转化为可执行、可追踪的多Agent工作流。相比单Agent方案，Workflow通过明确节点依赖、状态传递和结果校验，解决了长任务中步骤遗漏、口径偏差等问题，最终稳定输出结构完整的复盘报告。

本体是企业级AI的语义运行层，负责承载业务规则与数据映射；FDE则将现场复杂性翻译成可运行、可验证的语义工程。以PL BKD财务场景为例，通过公式规则化、数仓映射与校验闭环，实现从“智能问答”到“可解释、可审计、可执行”的跃迁，构建企业AI落地的关键路径。

Loop Engineering标志着AI工程从“如何提问”转向“如何设计循环系统”。人不再写prompt，而是设计自动生成prompt的架构。五大原语让循环自治运转，代价是理解债与认知投降的风险。人的角色从操作者升维为系统架构师。

LLM演化路径：从合到分，判断与生成解耦。JEV作为System 1模型，专精类型化判断，速度快、概率校准，可作为LLM的前置分流器。核心价值是校准概率，让置信度可写进业务阈值。架构收敛于快慢思考协同，Encoder拿回判断，Decoder专注生成。

Jedis与Lettuce是Java两大Redis客户端，核心差异在I/O模型。Jedis基于同步阻塞和连接池，高并发下线程开销大、资源浪费。Lettuce基于Netty异步非阻塞，单连接可复用支撑高并发，吞吐量更高、延迟更低、内存占用更少，更适合高性能实时系统。

从“找到材料”到“获得知识”之间隔着验证、版本、边界和成熟度。知识不是文件、数据库或RAG片段，而是已验证、可复用、能降低不确定性的认知成果。系统需要明确知道什么、为何相信、何时可用，才能避免被错误材料误导。

高德推出地标导航模式，通过多阶段训练让模型学会提取“显著、易辨、可播报”的街景参照物。离线批量生产地标数据，在线检索播报。A/B实验显示，用户出发后确认方向的中位时间缩短约23%，让导航指令更有“人味”。

构建运行世界全景图谱，让AI理解软件运行状态。通过本体与语义层关联infra、可观测和知识数据，形成因果链。基于图谱，SRE Agent实现架构可视化、根因分析、变更风控等场景化治理，从只读逐步迈向自动化执行，提升运行稳定性。

高途考研苏苏Agent将AI接入桌面客户端，帮二讲老师自动整理学情、筛选学员、办理事务，省去跨系统查询的重复劳动。老师因此能专注学员沟通，提升服务效率。项目已全量上线，后续将完善数据连贯性并扩展更多能力。

数据生产系统通过Forge Agent统一AI入口，Sindri负责语义规划与受控提交，ADF承载调度执行，形成从需求到交付的受控链路。核心在于明确职责边界、建立证据链，逐步扩大自动化范围，将AI从内容生成转化为可信的数据生产力。

得物交易搜索团队以生成式建模为核心，从语义表征、序列建模到语义ID索引，逐步实现了从“检索”到“生成”的范式跃迁。通过LLM增强、多模态融合、HSTU架构及召粗一体设计，突破了传统级联瓶颈，验证了Scaling Law在搜索场景的可行性，为全链路优化打开了新空间。

当前环境异常，需完成验证才能继续访问。页面包含视频、小程序、点赞等互动功能，轻点两次可取消赞或“在看”。