中国工程院院士、浙江大学教授谭建荣在主题发言环节，发表题为"大模型与智能体：关键技术与发展趋势"的演讲，系统拆解了人工智能从底层技术到落地 应用的全链路逻辑。 人工智能技术的迅速发展推动了大模型和智能体的融合发展，成为推动产业革新的核心驱动力。12月9日，由中关村科金主办的"超级链接·智见未来"—— EVOLVE 2025大模型与智能体产业创新峰会顺利举办。当日，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。 谭建荣表示，智能体是人工智能的载体，人工智能的核心由数据、算法、算力三大部分构成，而这三者的融合载体便是智能体。智能体作为人工智能的落地 载体，已广泛应用于智能机器人、无人驾驶汽车、无人机等场景。 责任编辑：山上 关键词阅读：智能体 大模型 中关村科金 为什么近年来人工智能火起来了？谭建荣认为，早期专家系统依赖因果关系编程，而如今大模型则依托大数据挖掘关联关系，实现了技术路径的重大突破。 针对未来发展趋势，谭建荣提出大模型与智能体需要实现云、边、端的协同发展，特别是智能体需要云、边、端的协调部署，实现同步协同， ...

新浪科技讯 12月9日下午消息，今日举办的EVOLVE 2025中关村科金大模型与智能体产业创新峰会上， 中国工程院院士谭建荣分享指出："我们要重视大模型，但也千万不能忽视小模型，没有小模型只有大 模型，人工智能想要落地也很困难。" 谭建荣指出，人工智能模型、算力、算法三大要素之外，知识工程也是实现人工智能的核心关键技术之 一。其中，知识可以分为定性、定量两类，而模型就是定量的知识，大模型需要花费算力对不同数据进 行训练，最终产生知识，因此，大数据、大模型的背后，也需要用到大的算力作为支撑。（文猛） 新浪科技讯 12月9日下午消息，今日举办的EVOLVE 2025中关村科金大模型与智能体产业创新峰会上， 中国工程院院士谭建荣分享指出："我们要重视大模型，但也千万不能忽视小模型，没有小模型只有大 模型，人工智能想要落地也很困难。" 谭建荣指出，人工智能模型、算力、算法三大要素之外，知识工程也是实现人工智能的核心关键技术之 一。其中，知识可以分为定性、定量两类，而模型就是定量的知识，大模型需要花费算力对不同数据进 行训练，最终产生知识，因此，大数据、大模型的背后，也需要用到大的算力作为支撑。（文猛） 责任编辑：杨 ...

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]