有限资源下，如何打造高效AI智能体？

好的，请看我为你撰写的新闻稿，力求兼顾深度、广度和专业性：

标题：资源有限，如何构建高效能 AI Agent？专家共话降本增效之道

引言：

在人工智能浪潮席卷全球的当下，AI Agent（智能体）正以其自主决策和持续进化的能力，成为业界瞩目的焦点。然而，正如任何新兴技术一样，AI Agent 的发展也面临着资源有限的挑战，尤其是在算力、内存和数据等方面。近日，在 AICon 全球人工智能开发与应用大会上，来自小米、数势科技、彩讯股份和钉钉的专家齐聚一堂，深入探讨了如何在有限资源下构建高效能 AI Agent，为行业发展指明了方向。

主体：

一、场景选择：商业价值与技术能力的平衡

在选择 AI Agent 赋能的场景时，专家们一致认为，商业价值和技术能力是两大关键考量因素。小米大模型负责人栾剑指出，首先要判断引入 AI 是否能带来显著的降本增效，如果人工完成任务已经足够高效，则无需强行替换。其次，要考虑大模型在自然语言理解、生成以及视觉理解方面的优势，这些领域往往能带来更大的收益。

数势科技 AI 负责人李飞则强调了场景的复杂性。他认为，简单场景不适合使用 AI Agent，因为这可能会增加复杂性，延长客户等待时间。而对于复杂场景，AI Agent 可以通过大模型规划实现工作流编排。因此，需要根据场景找到合适的平衡点，复杂任务采用预编排工作流，中等复杂度任务则可借助大模型规划。

二、技术路径：大模型与小模型的协同

在资源有限的情况下，如何突破普通 AI Agent 的能力瓶颈？钉钉智能化平台架构师柯杰提出了“面壁定律”的概念，他认为大模型的知识密度正在快速提升，许多小模型已经能够在端侧取得良好效果。他乐观地认为，大模型的性能将会急剧提升，未来小模型将能够在端侧解决更多问题。

彩讯股份 AI 产研部总经理邹盼湘则指出，目前大模型的效果尚未达到预期，需要补充其在性能、可控性和“幻觉”问题上的不足。为了应对这些问题，可以减少大模型的处理量，使用小模型或传统方法进行补充。

三、成本控制：私有化部署与 SaaS 模式的博弈

在成本控制方面，专家们探讨了私有化部署和 SaaS 模式之间的博弈。李飞指出，国内 ToB 客户在采购软件时通常偏向于私有化部署，因为他们更关注设备成本。然而，随着大模型的发展，客户的观念也在转变，开始考虑采用 SaaS 模式，尤其是面对高算力成本时。大模型的 API 也可视为 SaaS 的一种形式，未来可能会促进国内 SaaS 模式的进一步发展。

邹盼湘则认为，在中国，SaaS 的推广存在文化障碍。许多企业在做立项时更愿意选择私有化部署，因为他们更看重“实体化”资产。然而，随着技术的不断发展，许多问题会逐步解决，SaaS 模式的接受度也将逐步提高。

四、数据利用：私域数据与场景任务的精准匹配

专家们一致认为，有效利用私域数据并精准描述场景任务，可以在小模型下实现低成本、高效推理。栾剑指出，通用大模型仅通过 Prompt 方式进行任务时，效果会受到限制。因此，需要更多场景相关的真实数据来优化模型。

李飞则强调，并非所有数据都需要完全私有化，部分非敏感数据可以出库。关键在于评估哪些数据需要私有化，哪些可以外部处理。

五、人机交互：提升用户体验与信任度

在人机交互方面，专家们认为改进 AI 意图识别是提升人机交互体验的重要方面。栾剑指出，在很多场景中，用户希望与人类进行交互，特别是在客服场景中，用户可能不愿意与 AI 客服对话。因此，需要考虑场景对可信赖度和准确度的要求，并评估用户使用过程中是否会感到不适。

结论：

在资源有限的情况下，构建高效能 AI Agent 并非不可能。通过合理选择场景、协同运用大模型与小模型、灵活选择部署模式、有效利用数据以及不断提升人机交互体验，我们可以突破资源瓶颈，实现 AI Agent 的降本增效。随着技术的不断发展，我们有理由相信，AI Agent 将在未来发挥更大的作用，为各行各业带来革命性的变革。

参考文献：