（四）AI助教

场景描述： 教师需要备课、出题、批改作业，耗时耗力。 智能体应用： 自动化备课：根据教学大纲和课程进度，自动从海量资源中检索、整合生成教案、PPT课件和拓展阅读材料。 智能作业生成与批改：自动生成个性化作业（如为不同水平学生生成不同难度的题目），并批量批改客观题、甚至初步分析主观题的答题逻辑。 课堂表现分析：通过分析课堂视频，自动统计学生参与度、注意力情况，为教师优化教学方式提供数据参考。 参考案例： “医数慧脑”——面向卓越医学研究生培养的教育智能体： 该案例重点打造了三大功能模块：一、多模态临床数据感知舱。自建本地化智算专网平台，打通大学五家附属医院底层数据流，完成数据去隐私化与结构化处理。将海量临床“数据资源”变为“教学资源”，打造智慧医学教育图谱，供学生在数据“可用不可泄”的环境中学习使用；二、自编排知识归纳引擎。通过设计238个医学专科“知识积木”，师生可根据不同学科需求，利用大模型进行交互调用，组建个性化AI分析流程，提高自主学习与科研效率；三、伴随式临床思维训练。通过混合检索增强感知舱的病例数据（模块一），以及知识归纳引擎（模块二），嵌入临床工作站的微调大模型DeepSeek，依据客观数据分析结果，为研究生在临床思维训练场景中，提供可靠的实时反馈。最终，通过“1平台+N学科”模式，打造“可控、可用、可靠”的教学场景，培养医学研究生“数据感知-模式挖掘-临床决策”的闭环思维，提升临床和科研实践能力。 口腔医学颅颌面部影像分析智能体在教学中的应用： 西安交通大学口腔医院基于院内90万例多模态病例数据，研发自动定点算法，实现口腔颅颌面部影像智能识别和诊断；构建“口腔医学颅颌面部影像分析智能体”，生成各类典型教学案例；首创“案例库+模拟诊断+实时反馈”教学模式，帮助学生沉浸式学习复杂牙颌面畸形案例，提升诊断思维；同时构建多语言知识问答库，赋能留学生教育。目前利用该智能体已生成200余例典型案例，累计交互学习过万次，学员覆盖中、伊、泰等多个一带一路国家，为全球口腔领域的智慧教育发展提供了可复制的技术范式。 多语言多场景多教师i慕课制作智能体及应用： 我国慕课规模居世界第一。传统慕课更新困难、交互性弱，专业课程面临语言翻译出海难。提出多语言多场景多教师i慕课新模式，利用课程知识图谱、视频与数字教材训练AI模型，利用AI多模态合成实现数字分身讲课，利用AI多语言翻译实现专业课翻译并校正，利用AI虚拟场景生成实现学生沉浸式学习，利用AI问答生成实现实时答疑解惑，进而研发建设i慕课制作智能体，服务教师快速制作与更新教学资源，已应用于数十所高校的超百门课程改革。《计算思维与人工智能》示范课建设了完整知识图谱和40讲教学内容，生成中、英、俄、韩、法版本视频40*5个，与AI助教相结合的问答题目2000余，覆盖海内外学习者数万人。案例对推动核心课程数字化转型、慕课提质升级“出海”具有引领示范作用。 地方综合性大学新文科专业本研师一体“教学图谱融合多智能体”建设与应用： 黑龙江大学积极响应“AI+高等教育”的国家战略，依托省内高校首家本地化部署DeepSeek、汇雅等大模型和智慧教学平台，构建了基于“知识图谱+问题图谱+思政图谱”的本研师一体教学图谱，打造了“教、学、测、评、研”系列AI教学智能体，积极探索出一条适合地方综合性大学新文科专业本研师一体“教学图谱融合多智能体”的建设路径，并应用于文学、管理学等国家级一流专业和外国语言文学、中国语言文学、信息资源管理等国家双一流学科的新文科建设与教育教学改革中，在学科交叉融合课程群与知识体系建设、大模型助力智能化教学互动、AI技术赋能教学资源建设及学习评价等方面取得良好效果。该案例相关教学改革与建设成果显著，为地方高校教师提供了低成本、高成效的AI赋能教学改革实施路径和成功经验。 “知行伴学”——教育智能体赋能的计算机专业“导学诊践”一体化教学创新与实践： 东北大学针对教育资源碎片化、教培目标脱节等痛点，围绕计算机专业“导-学-诊-践”教学全流程，以能力培养为导向，自主研发“知行伴学”教育智能体，并据此构建以多模态语料库为资源基座、教育图谱为知识骨架、TechGPT大模型为智能引擎的数智教学体系。该智能体具备精准的数据分析能力和严谨的认知推理能力，可有效支撑多专业课前教育图谱导学、课中个性化伴学、课后学习效果诊断、课外实践能力强化等四大教学环节。本智能体案例上线一年，构建千万级多模态课程语料库及计算机专业54门课程教育图谱、完成TechGPT大模型3次迭代更新，并成功应用于《程序设计基础》《离散数学》等6门计算机核心课程的教学全流程，为其它高校数智化教学提供了可复制范式。 （案例来源：知谱空间）

（三）虚拟学伴与情感支持

场景描述： 学习是漫长且有时枯燥的过程，学生需要陪伴和鼓励。 智能体应用： 学习陪伴与激励：设定学习目标，以聊天的方式提醒学习任务，并在学生取得进步时给予正向反馈和奖励，增强学习动力。 情感交互：学生可以倾诉学习压力，智能体能够进行简单的共情和情绪疏导，提供放松建议。 参考案例： 由于 3-12 岁正是儿童开始建立对自我、他人和世界的基本认知，是性格塑造的“关键期”，同时也是兴趣与创造力激发、行为习惯养成的黄金期。 由此带来的 Agent 需求，既需要满足学习的探索欲，同时需要满足儿童成长过程中的陪伴需求。所以相对的情感化的对话交互系统、个性化的陪伴记忆机制以及伙伴关系演进能力就成为了此类产品的三大难点。 网易云信智能体平台通过灵活的配置系统，支持情绪识别、声纹识别、环境变量等多个配置要素的高效整合，为千知精灵提供了高度可定制的解决方案。 （案例来源：“爱分析ifenxi”微信公众号）

（二）1对1智能家教与答疑助手

场景描述： 学生在课后做作业或复习时遇到难题。 智能体应用： 苏格拉底式启发答疑：不像传统搜索引擎直接给出答案，而是通过一步步提问、引导，启发学生自己思考并找到解决方案。 解题步骤分解与讲解：对复杂题目进行一步步拆解，并提供多种解题思路的讲解。 错因深度分析：不仅告诉学生错了，还分析其错误背后的深层原因（是概念不清、粗心还是思路偏差），并推送针对性的巩固练习。 参考案例： 国家中小学智慧教育平台倾力打造的专属智能伙伴“育小苗”正式登场！作为 2025 世界数字教育大会的闪耀成果，“育小苗” 以智能伙伴之姿，为师生提供高效又贴心的教育服务。目前，这位聪慧的“育小苗”在手机端、网页端以及PC客户端都能轻松找到。我们可以从以下四方面深入体验它的功能、优势与过人之处，全方位为它画像。 1.功能快捷跳转：教学流程无缝衔接 为了简化教学与管理流程，育小苗助手提供功能快捷跳转服务。您可以点击“找功能”选项，根据提示选择角色和咨询问题，如“教师备课”功能，系统将立即引导您进入教师备课功能对话界面，并提供详细的操作指南与常见问题解答。如想进一步了解该功能，可以点击“相关内容”，即可跳转到具体的网页端介绍。 2.智能资源导航：语音唤醒，精准直达 育小苗助手的智能资源导航功能，通过先进的语音识别与自然语言处理技术，为用户提供个性化的资源查找体验。您可以点击“找资源”选项，根据提示选择角色、学段、学科、版本、册次和内容等，例如找三年级下册《认识分数》的教学资源”。点击“查找更多”，系统可通过AI搜索，结合“用户画像+知识图谱”双引擎，智能匹配并推荐最符合您需求的课件、课程包及名校案例，实现“资源找人”的高效体验。无论是教学资源还是学习资料，育小苗都能精准导航，助您快速获取所需内容。 3.智联向导推问：智能向导，精准推问 育小苗助手推出的“您可以这样问”推荐功能，致力于构建不同角色与平台之间的高效沟通桥梁。您可以根据系统推荐的问题，直接点击问题提问，例如“教师如何在互动课件中插入习题试卷”。系统将自动推送和问题相关的资源，这时，可以点击“查看详情”获取网页端内容介绍，也可一键导航平台场景功能应用，还可继续选择“相关内容”进行提问。形成“用户需求-智能体响应-平台迭代”的闭环。这种双向互动机制，不仅提升了用户体验，也推动了平台的持续优化与创新。 4.专业深度解答：专业解答，深度分析 作为您的专属教育智能管家，育小苗助手不仅提供资源导航与功能跳转，还具备专业深度解答的能力。无论是教学设计中的疑难问题，还是学习过程中的困惑，您都可以向小苗寻求帮助。例如，输入“分数的意义和各部分名称是什么”，小苗将基于教育专家的知识库，为您提供详细、专业的解答与建议。此外，小苗还支持多学科、多场景的问题解答，确保您在学习与教学的每一步都能获得权威指导，助力您实现教育目标。 通过这四个功能模块，育小苗助手致力于成为您教育旅程中最得力的伙伴，无论是资源查找、功能操作，还是问题解答，都能为您提供智能、高效、个性化的支持。 小智小慧助手是国家中小学智慧教育平台全新推出的智能学伴，专为中小学数学学习设计，致力于为每一位学生提供个性化、高效的学习体验。通过权威的人教版数学知识点地图和先进的AI技术，小智小慧不仅能够帮助学生制定科学的学习计划，还能实时调整学习策略，确保每个知识点都能得到充分的掌握和巩固。我们可以通过两种方式唤醒小慧。 1.AI课程小助教 在人教版数学下册的“AI课程工具”里，小慧作为AI课程小助教，为学生提供精准辅导。依托AI技术，小慧深入分析人教版数学下册重难点，为学生答疑解惑，助力突破学习瓶颈。无论是复杂几何证明还是抽象函数理解，小慧都能用通俗易懂的方式讲解，帮助学生理清思路，掌握关键知识点，提升数学成绩。 2.学习计划优伴学 在学生端，仅需四步即可定制专属学习计划，开启学习之旅。学习中，右上角的小慧全程守护，随时答疑解惑。小慧依据学生年级与教材版本，结合知识点地图，个性化定制每日学习计划，每个知识点配备3 - 5道练习题，精准检测学习效果，并智能调整后续建议。“测 - 学 - 练 - 评”循环模式，助力学生在反馈中提升数学能力。同时，小慧的智能诊断功能，实时分析学习情况，发现薄弱点，给予针对性辅导。在观摩微课时，小慧还会实时提示，帮助学生更好理解和吸收课程内容，确保每一个知识点都能被学生熟练掌握。 （素材来源：“5A创课”微信公众号）

（一）个性化学习路径规划师

场景描述： 每个学生的学习基础、兴趣点和接受能力都不同。 智能体应用： 学情诊断：通过初始测试和持续的学习行为分析，精准定位学生的知识薄弱点，绘制专属的“知识图谱”。 动态路径生成：根据诊断结果，为学生推荐最适合的学习内容、练习题和微课视频，规划最优学习路径。 自适应学习：在学生学习过程中，实时评估其掌握情况，动态调整后续内容的难度和节奏，确保始终处于“最近发展区”。 参考案例： 案例一：物流教学助手智能体 应用场景：物流管理专业教学，辅助学生完成课程的学习引导，按照课程流程，引导学生用 5W1H+PE 方法进行任务拆解，支持学生自由问答环节，随机生成题目，完成测试环节及学习评价环节。 智能体亮点： 强化知识服务能力:构建覆盖现代物流管理专业核心课程(如仓储管理、运输调度、供应链运营、物流成本核算等)的结构化知识库，解决教材更新滞后、企业实践案例分散的痛点。 提升教学交互效率:开发AI问答智能体，支持学生/教师快速获取专业问题解答(如“定制管理的原则是什么?”“仓储 ABC 分类管理的具体操作步骤”)，降低答疑时间成本。 支撑个性化学习:通过问答数据沉淀与分析，辅助教师掌握学生知识薄弱点(如高频词提问领域)，优化教学重点。 △ 引导式学习助手 案例二：浙江大学 “智教” 育人智能体 应用领域：本科生个性化培养、研究生科研能力提升 核心功能：学习路径规划、科研导师匹配、学术写作辅助 效果： 本科生参与科研项目的比例从 28% 提升至 53%，平均毕业论文优秀率提高 18%； 研究生论文投稿录用周期缩短 25%，SCI 收录论文数量同比增长 22%，其中跨学科论文占比提升至 30%。

（七）内部知识管理与员工助手

场景描述： 新员工需要快速熟悉业务，或客户经理需要准备产品方案。 智能体应用： 智能知识库问答：员工可以自然提问“XX结构性产品的合规销售要点是什么？”，智能体能立即从内部规章制度、产品手册和历史案例中提炼出精准答案。 营销材料自动生成：客户经理输入客户的基本情况和需求，智能体自动生成一份个性化的产品推介书初稿。 参考案例： 案例一： 银行借助混合式“数字工厂”实现旧有系统现代化 问题：一家大型银行亟需对核心旧有系统进行现代化改造，涉及多达400个软件模块，预算超过6亿美元。大量程序员依靠手动重复操作推进项目，导致部门间协作困难。同时，项目依赖的文档记录与代码编写流程不仅效率低下，还频频出错。即便引入了第一代生成式AI工具，也只是改善了部分环节，整体进展依旧缓慢且繁琐。 智能体方案：在人机协作模式下，员工从“执行者”转型为“监督者”，统筹多个智能体小组，按既定顺序协同完成共同目标（图1）。这些小组分工明确：补全旧有应用文档、编写新代码、互审代码、将代码集成到功能模块，并在交付前由智能体完成测试。人类监督者不再深陷重复性工作，而是专注于流程把控和质量提升，减少了新功能上线所需的迭代次数。 成效：在早期试点团队中，时间和人力投入减少逾一半。 案例二： 零售银行借助智能体重塑信用风险备忘录创建流程 问题：某零售银行的客户经理以往需耗费数周时间撰写和反复修改信用风险备忘录，以支持信贷决策和满足监管要求（图2）。这一过程冗长复杂，需要人工查阅并整合至少十个不同数据源，并在贷款、营收与现金流等多个环节建立复杂逻辑，工作量巨大。 智能体方案：该行的信用风险专家与客户经理联合开发基于智能体的概念验证方案，全面改造备忘录流程。智能体可自动提取数据、生成备忘录草稿，并给出可信度评分以明确审核优先级，还会提出针对性的后续问题建议。客户经理的角色转型为“监督者”和“把关人”，专注于战略监督和异常处理。 成效：生产效率有望提升20%至60%，信贷审批周期缩短30%。 （案例来源：麦肯锡）

（六）合规与反欺诈智能哨兵

场景描述： 金融机构需要满足反洗钱、反欺诈等强监管要求。 智能体应用： 智能反洗钱：不再依赖于简单的规则引擎，而是通过复杂网络分析，识别出隐蔽的、团伙作案的洗钱模式，大幅降低误报率。 实时交易反欺诈：在支付、信用卡交易发生的毫秒级时间内，分析数百个特征（如交易地点、金额、商户类型、设备指纹等），精准判断欺诈风险并拦截。 自动化合规报告：自动从各业务系统抽取数据，生成满足监管要求的标准化报告。 反欺诈平台系统架构

（五）企业智能财资管家

场景描述： 企业财务人员进行资金管理、预测和风险对冲。 智能体应用： 现金流预测与优化：基于历史交易和订单数据，预测未来现金流，并建议最佳的收款和付款时间以提升资金利用效率。 智能风险对冲：监控汇率、利率波动，当达到预设阈值时，自动提醒或执行外汇远期、利率互换等对冲操作。 参考案例： 浪潮海岳商业AI现金流预测智能体

（四）智能信贷审批与风险定价

场景描述： 中小企业向银行申请贷款。 智能体应用： 多维度尽调：自动抓取并分析企业的税务、社保、海关、水电、上下游交易等多维度数据，构建更全面的企业信用画像。 自动化报告生成：根据尽调数据，自动生成信贷评估报告和风险提示，大幅提升审批效率。 动态贷后管理：持续监控企业的经营状况，一旦发现风险信号（如司法诉讼、负面舆情），立即预警，以便银行及时采取措施。 参考案例： 一、案例简介 2025年，大模型技术演进与“AI+金融”政策推动下，AI应用迈入普惠化、场景化新阶段。大连银行围绕“4+N”人工智能应用体系，构建“统一AI应用开发平台+业务智能体”技术路径，着力解决大模型与业务流程脱节、私有数据难融合、场景适配弱等痛点。平台集成AI模型、知识库、工具链及业务流程编排能力，推动AI从“聪明大脑”向“能办事助手”转变，深度赋能银行办公通用业务场景，有效提升办公效率与服务质量，实现AI赋能提升效率、降低成本等目标。 二、案例详述 案例详述 1.业务流程 大连银行构建“需求-组装-测试-发布-迭代”敏捷闭环：研发团队通过低代码平台从智能体市场选取预置模板（如文档审核、报告生成等），通过插件化扩展定制业务规则，AI开发平台调用模型库（LLM/NLP/多模态）并融合私有知识库进行RAG增强，基于流程编排引擎拖拽预制流程模块快速组装，生成通用场景化智能体，在AI管理平台完成自动化调试、安全审计与发布，以及部署至生产环境后持续监控优化。 2.技术架构 构建4+N智能体赋能体系 1、算力底座：云原生异构算力集群（CPU/GPU混合调度），支撑千亿级参数模型推理； 2、模型平台：统一纳管大模型（LLM）、NLP、多模态等10+预置模型，支持私有化对比评估； 3、数据平台：构建企业级知识库，融合行内客户/交易/风控数据以及外部征信等数据； 4、智能体引擎：核心开发平台集成模板市场（20+金融场景模板）、插件生态（API/工具链）、流程编排器，实现智能体快速组装； 5、N场景应用：通过智能体市场输出智能问答、文档审核、报告生成等银行通用大模型应用场景解决方案。 3.实施内容 1、平台建设 开发智能体开发平台，提供低代码拖拽界面，支持研发人员通过模板+插件组装智能体；构建智能体市场，沉淀标准化业务模板、业务插件、工具、工作流、知识库以及智能体； 2、场景落地 智能问答：企业级智能问答场景包含但不限于业务产品文档、法律法规与监管政策文档、操作流程文档、客户服务文档、风险管理文档、银行内部管理文档等； 智能报告生成：支持各业务域专业报告智能生成，包括但不限于客户尽调报告、财务分析报告、行业研究报告、企业年审报告、征信报告等； 智能文档分析：支持自动审核结构化与非结构化数据，智能标记风险点并生成审批建议； 智能反洗钱甄别：支持全流程风险排查与甄别、监管报送文案生成、自动审核比对，确保符合监管要求； 智能问数：实现大模型与ChatBI深度融合，支持自然语言数据交互，实现数据即问即答，提升决策效率。 智能文案生成：自动生成营销文案、宣传海报等营销素材，智能匹配产品特性与客户需求，提升多模态内容创作效率； 4.核心成果与突破 1、智能体市场复用：6大场景均基于预制模板+插件快速组装，开发周期缩短70% 2、数据安全融合：通过构建企业私有知识库，解决行内知识积累沉淀、便捷知识获取、敏感数据处理等大模型安全难题 3、模式创新标杆 智能体市场：沉淀6大场景模板，支持跨部门复用（如营销智能体适配零售/对公业务） 三、案例成效 业务场景赋能：通过大模型赋能通用场景，有效提升办公效率、风险管控能力与客户服务质量。 统一技术平台：构建全行统一智能体开发能力，建设具备高度定制化与场景适配能力的智能体开发平台，实现技术路线统一、安全可控、开发效能提升，快速响应各部门智能化需求。 四、AI创新应用情况 智能体开发平台 流程编排：通过流程编排引擎实现信贷审批、反洗钱等20+流程可视化组装，支持跨系统调用（如对接征信API、CRM）； RAG工程：采用动态切分策略（段落识别+表格解析）处理2000+文档，混合检索（语义+全文）提升召回率30%； 安全合规：集成三重检测机制（敏感词过滤+模型输出审计+人工兜底），满足生成式AI监管要求。 场景化落地 智能问答：基于记忆管理模块实现多轮对话，知识库覆盖制度/产品文档，回答准确率≥95%； 报告生成：调用代码解释器插件自动生成财务分析报告，支持图表动态更新与DOCX/PDF导出； 文档比对：通过双模态引擎比对合同条款与监管规则，差异识别准确率95%，审核效率提升70%。 五、成效与应用价值 1、智能体动态编排：支持业务规则与AI策略实时联动，迭代效率超传统开发5倍； 2、私有数据安全：通过RAG框架实现敏感数据隔离调用，解决银行隐私数据安全合规难题； 3、经济效益显著：全面提升办公/业务办理/客户营销效率，提升风控损失控制水平，AI+人工大幅降低经营成本； 4、普惠金融深化：提升客户服务响应速度，压缩贷款审批时效。 （案例来源：大连银行）

（三）全功能智能客服与业务办理

场景描述： 客户办理业务或遇到问题。 智能体应用： 深度业务办理：超越简单问答，能够处理如“我要提升信用卡额度”、“申请一笔消费贷款”等复杂流程，引导用户完成信息填写和身份认证，并直达审批系统。 欺诈实时预警与干预：当检测到账户有可疑交易时，智能体会立即通过多渠道（App推送、短信、电话）联系用户确认，并可在用户授权下自动冻结账户，将损失降到最低。 参考案例： ▎案例1：工商银行远程银行智能客服智能体 工商银行从2022年开始持续应用大模型赋能智能客服，调整对客服务模式。除了面向人工坐席提供AI辅助外，工商银行探索远程银行智能客服智能体，采用“一主多从”模式整合多类智能服务，实现客户维度的“一客一策”触达，减少重复获客，提升触达转化质效，减少重复打扰，提高转化率。 ▎案例2：I.T售前售后复杂问题处理客服Agent建设项目 I.T作为亚洲领先的时尚零售巨头，旗下品牌众多，售前咨询量大，传统客服机器人交互呆板、意图理解能力弱，复杂售后场景服务耗时长，用户体验打折。为提升服务效率与体验，I.T与网易云商合作，基于网易云商过往的实施经验 ，采用大小模型融合的智能客服解决方案——70%的常见问题、简单业务办理交给传统NLP机器人，30%的复杂咨询交给客服Agent，创造全新的体验价值。 ▎案例3：阿里巴巴基于Multi-Agent的智能导购助手 为了帮助商家全天候、自动化地满足顾客的购物需求，阿里巴巴基于商品内容构建一个智能商品导购助手，以 Multi-Agent 架构为核心，通过 Router Agent 对用户问题进行精准的意图分析，并将其分配至对应的商品导购 Agent，如手机导购、冰箱导购与电视导购等。这些 Agent 主动向顾客收集商品参数信息，在收集完详细信息后，利用百炼的知识检索增强功能或已有数据库进行商品搜索，为顾客推荐最合适的产品。 ▎案例4：亚马逊电商客服流程自动化系统MARCO Amazon电商平台上有上千万商家，庞大的卖家体系存在对客服的大量需求，客服在解决卖家问题时通常需要多次查询内部SOP找到解决方案，并调用内部工具解决问题，例如改变运输途径、改变价格定位等，过程复杂且需要依赖大量人力。 Amazon开发了多Agent实时对话编排框架MARCO，并基于此打造了电商客服流程自动化系统。MARCO内部采取层次式多智能体架构，并采用多种护栏机制保证Agent调用和LLM输出的准确性，包括输出格式错误检测、幻觉生成的函数调用检测、幻觉生成的函数参数检测、参数值类型匹配检测等；同时，采用模型反思机制，通过反思prompt，使Agent有效纠正护栏检测到的错误。 ▎案例5：中国移动服务智多星——即问即办、一站式服务闭环 基于中国移动“AI+”战略思路及大模型技术蓬勃发展趋势，中国移动5G新通话计划探索“人与模型通话”的新范式。中移互联网携手蚂蚁数科推出“服务智多星”方案，以“通话”为核心触点，构建“无APP、无注册、拨号即通”的极简接入模式，实现通话场景与AI大模型/智能体的实时连接，为中国移动开辟“码号即AI入口”的新增长曲线，助力智慧通信转型。 “服务智多星”方案运用蚂蚁数科AI智能体能力，整合意图识别、行为决策、安全防御、LUI（语言交互界面）等核心技术，并汇聚中国移动领先的5G新通话能力，贯通生态服务网络、通话与音视频通道，结合多方多项能力联合打造。 ▎案例6：甘肃ETC公众服务Agent 甘肃ETC携手网易云商共创公众服务Agent ，基于大小模型融合的方式，优化原有客服流程，提升服务效率。通过客服Agent解决用户咨询，问题识别率和解决率分别提高至90%和75%，用户满意度提升了15%。同时，服务承载力提升超50%，用户平均等待时间缩短至10秒内，自助业务成功率提升30%。 （案例来源：“沙丘社区”微信公众号）

（二）智能交易助手

场景描述： 活跃交易者需要实时监控市场并执行策略。 智能体应用： 策略回测与执行：用户可以用自然语言描述一个交易策略（如“当A股指数跌破3000点且RSI低于30时，买入XX基金”），智能体将其转化为可执行代码，进行历史回测，并在条件触发时自动执行交易。 情感分析与舆情监控：实时分析新闻、社交媒体对特定股票或行业的情感倾向，为交易决策提供另类数据支持。 参考案例： 操作路径：AI电商设计师-背景图裂变功能-批量生成 当用户使用背景裂变的功能后会弹出一个问答节点，让用户选择合成单张还是多张。 如果用户选择了多张就会生成一个抖音支付链接，点击链接后会跳转到抖音支付付款页面，打开抖音扫一扫付款即可。 然后回到智能体选择【已付款】，这个时候会去查询该笔订单的支付状态如果没有支付则会告知用户未支付，如果已支付即可完成后续的批量合成任务。（案例来源：“码个蛋”微信公众号）