百融 · CNCC2026：
10 月 21 日至 24 日，中国计算机大会（CNCC2026）在四川成都举办。作为中国计算机学会的旗舰会议，本届大会以"数聚驱动，智算未来"为主题，汇聚近千位讲者、逾万人注册参会；"Agent 智能体"是十大主题板块之一。 10 月 22 日，百融智能首席产品与技术官王伟民在 CNCC2026 作报告《企业级 Agent 的生产准入——让 AI 承担可验收的工作》。他讲的不是模型能力，而是企业交给 AI 的工作怎样才算真正完成。 📞 01 客户满意了，AI这项工作就算完成了吗？ 真实服务案例 · 四层验收 一位年长客户因包裹少货打来电话，不会操作 APP，家里也没人帮忙。电话从客户询问对方身份开始，一路谈到问题被处理完，客户最后表达感谢并给出满意反馈。 王伟民由此追问：客户满意了，这项工作就算完成了吗？ 这是百融智能 AICC 场景的一次真实服务，由"百融声动"VoxOne 语音智能底座承载（客户信息已脱敏）。在这个案例里，完整验收至少四个层次：理解与回应要准确复述诉求；行动指导要让客户真的做得下去；协助升级要确认渠道可达、对方确实收到了；最终补发或退款，需要业务系统给出回执。企业要沿着任务继续追踪，直到拿到与承接范围匹配的结果证据。 📞 一通真实服务电话 · 完整验收的四个层次 ① 理解与回应 · 准确复述诉求 ② 行动指导 · 让客户真的做得下去 ③ 协助升级 · 确认渠道可达 · 对方确实收到了 ④ 最终补发 / 退款 · 业务系统给出回执 企业要沿着任务继续追踪，直到拿到与承接范围匹配的结果证据 "客户说满意"和"业务已完成"之间的距离，就是 Agent 与普通对话系统之间真正的差别。 🧭 02 四象限：哪些工作该交给 AI，先要回答能力边界 碳基明确 × 硅基明确 报告把碳基能力与硅基能力是否明确放在同一张图上，用四个象限给出不同路径。（硅基即AI Agent；碳基即人类，我们将进入“硅碳共治”的新时代） 🧭 四象限 · 哪些工作该交给 AI 碳基明确 · 硅基明确 AI 优先 · 减本增效 法务 · 管理 · AIGC 碳基明确 · 硅基不明确 隐性知识 → 可执行规则 FDE 进现场采集经验 碳基不明确 · 硅基不明确 人机共创 理论科学 · 基础科学 碳基不明确 · 硅基明确 由 AI 深入落地 围棋 · 数学 · 应用科学 任务落在哪个象限，会随知识、工具与验证结果移动 1.碳基明确、硅基明确——AI 优先，减本增效。 确定性与标准化程度高，人能讲清流程，AI 也有明确承接能力。报告以法务、管理、AIGC 等领域为例。 2.碳基明确、硅基不明确——把隐性知识转成可执行规则。 老师傅知道怎么把活干完，但经验还没写成规则。垂直经验与专业技术中的"暗知识"，正是 FDE 要走进现场采集经验、梳理约束、构建测试的地方，直到 AI 具备承接条件。 3.碳基不明确、硅基不明确——人机共创。 问题开放、边界模糊、标准待定，人与 AI 一起定义问题、试验方案、形成判断依据。报告以理论科学、基础科学为例。 4.碳基不明确、硅基明确——由 AI 深入落地。 问题、边界和标准都已明确，人的解法仍有局限，可发挥 AI 在搜索、计算与推理上的优势。报告以围棋、数学与应用科学、AI4S为例。 任务落在哪个象限，会随知识、工具与验证结果移动；FDE 的作用，是推动依赖隐性经验的工作逐步具备清晰的规则与交付标准。 ☁️ 03 结果云：让 AI 干活，同时把边界写清楚 百汇 · 百工 · 百基 百融以结果云（Results Cloud）为载体，把 AI 能力组织成能进入企业流程、承担任务并交付可验收结果的"硅基员工"——被放进具体岗位和流程、有任务、权限与责任边界的 Agent。 结果云分三层：百汇 AgentStore 连接硅基员工的供需与应用分发；百工 AgentOS 通过 Builder、Runtime 与 LLM Ops 负责构建、执行、评测和持续运营，承载 Harness（组织工具、权限、流程与运行约束的运行层）；百基 AI Infra 提供算力基础设施、推理引擎和领域模型。Context（任务目标、知识与状态）贯穿三层，也贯穿每一次任务交接。在 AICC 场景，这套能力由百融智能 10 月 27 日发布的"百融声动"VoxOne 语音智能底座承载。 回到文章开头那通电话：APP 指导多轮失败、家人协助不可用时，Agent 需要改变计划——该澄清、换更换还是升级，都要在 Harness 划定的权限与承诺范围内决定。 🛠️ 04 FDE：让现场经验沉淀为可复用能力 业务结果闭环 · 组织学习闭环 承接体系搭起来之后，难的是让交付可以持续。王伟民把 FDE（前沿部署工程师）的工作概括为两条同时成立的闭环。 业务结果闭环：发现问题 → 锁定范围 → 构建验证 → 生产运行 → 采纳复盘，验收依据是客户持续使用、任务质量与净收益可验证改善。 组织学习闭环：现场记录 → 归因抽象 → 资产评审 → 版本发布 → 第二场景复用，回答的是：在相近范围与质量下，下一次交付的重复投入能否下降。 报告还提出一条人类 FDE 辅助的受控改进闭环：生产反馈形成失败样本，FDE 判断业务边界，AI 提出改进并生成测试，经沙箱回归与人工批准后发布，必要时回退。权限、验收标准与生产发布权，仍由明确的责任人控制。 交付越多，平台公共能力越强。FDE 的长期价值要放到连续交付中观察。报告用三个饼图呈现"标品（标准产品）：可现场配置：现场高代码实现"的比例演进：标杆项目 5∶3∶2，同类项目复用 6∶3∶1，持续规模交付 7∶2∶1。 这是一个产品化目标：把现场反复遇到的共性问题，逐步纳入标准产品与可配置能力。标品占比从 50% 提升到 70%，现场高代码实现由 20% 降至 10%。 跑通这条链路的分工是：Echo 识别现场共性，FDPM 组织回流，Delta 把实现封装为可运行的工具与评测能力，再经产品迭代与平台复用惠及下一位交付者。 长期价值最终要接受两次检验：本次交付是否改善了客户的工作；下一次同类交付是否在相近范围与质量下减少了重复投入。 🏭 05 制造现场：隐性经验如何变成可验收的交付物 DFM 方案 · 工艺流程图 · QPL 四象限中"碳基明确、硅基不明确"这一格，在制造业里有一个具体案例。 面对非标订单，老师傅掌握的工艺经验分散在不同岗位，方案编制与成本核算要多个专业角色接力。报告介绍的某制造业工艺方案智能体，把图纸、尺寸、防护要求、遮蔽点位交给需求解析环节，形成结构化参数、约束与待补信息；随后连接工艺、设备、载具治具等知识，调用工艺选择、装炉量计算等可复用技能模块（Skills），生成方案文档与核算结果。 隐性经验就此进入知识、规则与工具，AI 获得更明确的执行条件；关键工艺与边界条件仍保留专家复核和现场验证。交付物也随之具体化：DFM 方案、方案审核表、工艺流程图、QPL 质量控制文件，都可以成为工程验收的对象——企业能检查输入是否完整、约束是否满足、计算是否有据。 🤝 06 硅碳共治：围绕同一个结果重排人和 AI 人与人 · 人与 AI · AI 与 AI 当 AI 进入连续业务流程，企业还要重排人与人、人与 AI、AI 与 AI 之间的协作。报告概括为"硅碳共治"：人与人之间形成共同输入和验收责任，人与 AI 之间写清目标、授权与例外处理，AI 与 AI 之间让交接可被检查——共享订单状态，传递结构化输入输出与异常反馈。 围绕交付结果形成协作单元：对结果负责的业务负责人定义目标、批准授权、处理重大例外并承担责任；前述三类角色在制造订单场景中被封装为三个可复用的 Agent——FDE Echo 承担需求解析、FDPM 承担计算与检索、FDE Delta 承担方案生成与检查；结果云提供共享模型、运行平台、任务能力与治理。 ✅ 07 六项生产准入：给"该不该交给 AI"一份可复用的答案 给「该不该交给 AI」一份答案 报告提出六项生产准入建议：值得交办、有能力完成、过程可约束、异常可接管、结果可验收、长期成本可持续。它们分别对应四象限验证业务价值、结果云承接任务、Harness 划定运行边界、硅碳协作衔接责任、业务证据支撑验收、FDE 让同类交付减少重复投入。 ✅ 六项生产准入 · 给「该不该交给 AI」一份答案 ① 值得交办 ② 有能力完成 ③ 过程可约束 ④ 异常可接管 ⑤ 结果可验收 ⑥ 长期成本可持续 📐 两项可比较的经营指标 Agent 独立完成率 独立完成且通过验收的任务数 ÷ 明确承接范围内进入系统的有效任务数 单位合格任务总成本 模型运行 · 重试 · 人工接管 · 返工 · 交付维护分摊成本 为把六项条件落到可比较的经营判断上，报告建议关注两项指标。 Agent 独立完成率——独立完成且通过验收的任务数，除以明确承接范围内进入系统的有效任务数，并披露入口承接比例与排除规则；人工参与后的完成率另行统计。 单位合格任务总成本——把模型运行、重试、人工接管、返工与交付维护的分摊成本纳入计算，并使用一致的任务与人工参与范围。 企业据此判断，自动化带来的质量与效率改善，能否在持续运行中兑现。 从一通客服电话，到一份工艺方案的工程交付，王伟民把讨论落回同一件事：让 AI 承担范围明确、过程受约束、结果可检查的工作。在长流程中，企业要靠持续证据扩大授权；在跨模型、跨系统、跨团队协作中，则需要建立共同的验收与责任交接接口。AI如何在企业“真正上岗”？
王伟民提出生产准入六项条件
