行业技术发展趋势 - 人工智能技术的迅速发展推动了大模型和智能体融合发展，成为产业革新核心驱动力 [1] - 智能体是人工智能的载体，其核心由数据、算法、算力构成，已广泛应用于智能机器人、无人驾驶汽车、无人机等场景 [3] - 生成式人工智能（如ChatGPT和DeepSeek）依托大数据与大模型调用海量知识，其文本生成能力已超越普通人写作水平 [3] - 大模型通过数百万芯片对数百亿参数开展训练，核心是构建各类场景下的定量关系以实现内容精准生成 [3] - 知识工程是人工智能落地的核心路径，知识分为定性与定量两类，并在应用中能实现迭代进化 [3] - 深度学习、增强学习、模式识别、机器视觉算法是人工智能的初级阶段，而利用大数据算法的数据搜索和知识工程方法是人工智能的终极阶段 [4] - 大模型技术路径的重大突破在于从早期依赖因果关系编程转向依托大数据挖掘关联关系 [4] - 未来大模型与智能体需实现云、边、端的协同发展，智能体需要云、边、端协调部署以发挥更大作用 [4] - 不能忽视小模型价值，应从“小模型”起步打造行业与产品专属智能体 [4] 公司产品与市场动态 - 中关村科金与华为云、阿里云、百度智能云、火山引擎、亚马逊云科技、超聚变、软通动力等产业领军企业共同发布“超级连接”全球生态伙伴计划 [1] - 中关村科金发布覆盖企业全场景的“3+2+2”智能体产品矩阵，包括得助大模型平台5.0、得助智能客户平台5.0、得助智能工作应用平台、得助金融智能体平台、得助工业智能体平台等一系列产品和解决方案 [5] - 得助大模型平台5.0集成六大行业300+企业级智能体，支持“即取即用”，全链路智能体开发运维能力使智能体落地成功率达95% [5] - 公司相关产品已服务2000余家行业头部客户，业务遍及180多个国家和地区 [5] 应用成效与价值体现 - 公司产品助力金融领域头部机构降低60%场景创新试错成本 [5] - 在工业领域实现有色金属冶炼能耗下降8% [5] - 在汽车营销场景将到店线索转化提升55% [5] - 在海外服务场景将客服效率提升超50% [5]

核心观点 - 中国工程院院士谭建荣在EVOLVE 2025峰会上指出，人工智能落地需兼顾大模型与小模型，仅靠大模型难以实现有效落地 [1][3] - 谭建荣强调，除模型、算力、算法外，知识工程是实现人工智能的核心关键技术之一 [1][4] 人工智能模型发展路径 - 行业专家提出，在重视大模型的同时，千万不能忽视小模型的作用 [1][3] - 观点认为，没有小模型只有大模型，人工智能想要落地也很困难 [1][3] 人工智能核心技术要素 - 实现人工智能的核心要素除模型、算力、算法外，还包括知识工程 [1][4] - 知识可分为定性与定量两类，模型被定义为定量的知识 [1][4] - 大模型需要花费算力对不同数据进行训练以产生知识 [1][4] - 大数据和大模型的背后，需要大的算力作为支撑 [1][4]

文章核心观点 - 公司通过构建游戏研发知识工程体系、多Agent系统和AI代码审查，解决了游戏研发中代码理解成本高、技术文档缺失等核心痛点，显著提升了研发效能 [2][4][6] - 该AI超级助手系统已在公司内部广泛应用，一个月能贡献约500万行代码，在几十个游戏项目中使用率达到了30% [41] - 未来的核心方向是将体系演进为“团队大脑”，实现团队记忆的维持和多角色AI Agent的体系化协同 [53][55] 游戏研发的痛点与挑战 - 游戏研发人员花费最多时间的环节是代码理解而非代码编写，这与千万行级别的代码仓库带来的巨大理解成本有关 [4] - 约30%的人认为游戏研发缺乏清晰及时的技术文档，约28%的人认为快速复用上线导致技术债务积累 [6] - 游戏研发管线比传统Web开发复杂，测试、编译、调试速度缓慢，审查大量代码耗时过长 [6] - 在大型游戏团队中，员工每天可能花费20%的时间去获取各种信息，对效率阻碍很大 [23] 游戏研发知识工程体系构建 - 知识工程体系对企业内部数据进行系统化治理、挖掘与应用，构建支撑AI Agent运行的知识体系 [14] - 将知识分为显性知识和隐性知识：显性知识通过治理已有知识管理系统、工单系统、代码仓库数据并实现Agentic RAG来完成 [17]；隐性知识通过解析代码目录结构、基于AST和调用流进行语义化解读、挖掘调用关系链来构建代码知识图谱 [19] - 打通工单与提交记录的关联，形成具有业务背景知识的代码解读结果，构建出包含调用关系、语义解读、复杂度洞察的“代码地图” [22] - 知识体系形成正向循环，使用过程中产生的数据回流补充团队知识库，使知识“活”起来 [27] 多Agent系统赋能代码编写 - 在知识底座上构建云端多Agent系统，以应对庞大游戏代码仓库的需求 [28] - 从团队角度构建“研发空间”，将团队隐藏知识显性化，定义SDK版本、引擎版本、编码风格等，使AI生成代码更符合团队规范 [32] - 系统架构的核心差异在于提供给Agent的上下文信息，通过核心Agent进行规划拆解和协调内部工具与数据 [33] - 该模式应用于新人学习，使熟悉4万行代码的时间从预估两周缩短至一两天，释放了导师负担 [37] AI代码审查助力研发质量 - 在AI生成代码占30%的背景下，针对人工编写的70%代码，结合传统静态代码分析与AI审查进行质量把控 [44] - AI审查适合游戏场景，因其擅长发现低级错误、可持续工作（如夜间审查），基本不占用开发人员时间 [45] - 技术演进经历多个阶段：从初期Prompt工程效果不佳，到结合静态分析双引擎，再到引入Multi-Agent协同架构对问题分类分级，并融入知识工程解决不懂业务的问题 [46][47] - 最终形态与流水线、工单系统集成，实现中央化管理，错误数据被沉淀下来，价值巨大 [52] 落地应用效果与未来方向 - 系统在代码搜索、知识问答、功能迭代、新功能编写等场景有不错落地效果 [2] - 工具在游戏团队中的使用率达到30%，一个月能贡献约500万行代码，分布在几十个游戏中 [41] - 未来核心是构建“团队大脑”，维持团队记忆，整合策划文档、研发规范、工单经验、IM沟通结论等零散内容 [53] - 目标是实现策划、研发、美术、QA等多角色AI Agent的体系化协同工作 [55]

核心观点 - 蚂蚁数科与宁波银行联合打造的Agentar知识工程平台（KBase）方案，凭借高安全性、高准确度与强可解释性等核心优势，成功入选“2025国际标准金融应用卓越案例”，为金融行业智能化升级树立新标杆 [1] 行业痛点与解决方案 - 金融机构普遍面临“知识孤岛”挑战，用户特征数据、产品规则等关键信息分散在不同系统，导致知识检索不准、服务效率低下等问题 [1] - 为解决上述痛点，宁波银行与蚂蚁数科合作构建了一套融合“知识加工管理平台 + 逻辑推理引擎 + 智能应用场景”于一体的智能化决策系统 [1] 平台核心能力与技术突破 - 平台实现对行内外多源异构数据的全生命周期管理，具备智能问答、知识加工、多路召回与知识管理等核心能力 [2] - 技术突破主要体现在知识增强生成引擎，通过“规划-检索-推理”三大运算符协同机制，创新性地将知识图谱与原始文本进行双向互索引 [2] - 系统实现从“模糊匹配”到“精准推理”的关键跨越，推理深度从传统的1跳提升至3–5跳，使AI具备类人的逻辑推理能力 [2] 应用成效与性能提升 - 方案已在宁波银行的行情分析、产品解读、话术陪练、报告写作等多个内部场景中规模化落地 [2] - 评测显示，复杂问答准确率从68%提升至91%，响应速度进入百毫秒级 [2] - 内容推荐准确率提升35%，召回率提升40%，业务效能实现显著跃升 [2] 平台特性与未来规划 - Agentar知识工程平台具备强可解释性，能够清晰展示答案的推理路径与数据来源，为生成式AI在强监管金融环境中的安全、合规落地提供保障 [2] - 未来双方将继续深化合作，将相关技术拓展至更广泛的金融业务场景，并积极参与行业标准建设 [2]