铃阅
❌

普通视图

FRecSys 2026议程公布|从快手生产实践出发,探讨下一代推荐系统基础架构

2026年11月13日 18:56

原创 快手技术 2026-11-13 18:56 北京

11月15日,香港见!

图片

11 月 15 日,首届前沿推荐系统研讨会 FRecSys 2026 将在香港沙田凯悦酒店与 ACM SIGOPS ATC 2026 同期举行。香港大学计算机系助理教授、Cloudless Computing Lab 负责人邱一鸣,北京航空航天大学副教授、国家级青年人才杨任宇,以及快手技术副总裁、算法引擎部负责人杨晨,共同担任本届研讨会大会联合主席。

本届研讨会共收录了13篇论文,覆盖生成式推荐推理与服务、训练系统与智能体优化,作者来自快手、Meta、阿里巴巴、小红书及多所高校。研讨会论文集计划纳入 ACM ICPS,并在 ACM Digital Library 出版。其中,快手团队共有5篇论文入选,将在现场分享生成式推荐推理与解码、RL 后训练权重同步及智能体优化等方向的研究成果。

具体议程如下:

图:FRecSys 2026议程

短视频、广告和电商等场景,长期考验着推荐系统在高并发、低延迟下的吞吐效率、算力成本、服务稳定性与实时响应能力。随着生成式推荐和大模型驱动的推荐逐步进入实践,新的挑战也随之而来:如何高效完成生成式推理,如何在十亿级物料库中进行请求约束解码,如何支撑训练与服务的持续演进?

快手近两年推动推荐系统向生成式推荐、LLM 驱动的推荐演进,研发并落地了 OneRec 等系列模型及面向生成式推荐的训推引擎。这些来自真实生产环境的问题,也是快手参与举办首届前沿推荐系统研讨会 FRecSys 2026 的出发点:让工业实践与学术研究相互碰撞,推动更贴近生产约束的基准、评测方法与开放议题。

「论文亮点解读」

过去,推荐系统基础设施围绕“召回—排序”流水线、大规模 Embedding 表、特征平台与 DLRM 式服务架构演进;如今,生成式推荐、基础模型、多模态与智能体等新范式,正在重新提出三个问题:算什么、怎么建、怎么服务?这也是本届研讨会的主线。

  • 生成式推荐推理,进入“细节决定效率”的阶段:第一场论文环节的 8 篇报告中,6 篇直接面向生成式推荐。其中,OneLA、RIG、Taming Wide Beams 与 FSBO 围绕生成式推荐的推理与解码效率展开,涉及大束宽解码、推理框架,以及词表投影与候选选择融合等问题;另外两篇分别讨论语义 ID 的服务架构,以及十亿级物料库上的请求约束解码。

  • 从新硬件到新方法,讨论不止于推理:第一场论文环节将讨论基于 CXL 内存池的向量检索,以及昇腾 NPU 上的 LLM 服务性能预测;第二场则进一步关注推荐训练系统、RL 后训练中的权重同步,以及借助 Agent 优化系统的方法。

  • 真实生产约束,走进学术讨论:13篇论文均有企业作者参与,其中4篇作者均来自企业,9篇由高校与企业共同署名。

快手团队入选的5篇论文——OneLA、Taming Wide Beams、FlagCD、KAISync 和 RobustSGPO——分别围绕推理效率、约束解码、权重同步与智能体优化展开。FRecSys 2026 也希望以这些具体问题为切入点,促进系统领域与推荐领域的交流合作,推动更贴近真实负载的基准、Trace 与评测方法等共享资源建设,让研究更严谨、更可复现。

Session 1|生成式推荐的高效解码

09:10–10:00

论文1|OneLA: Scaling Linear-Attention Decoding to Large Beams in Generative Recommendation

作者单位:香港大学、快手、北京大学

论文2|RIG: GPU Inference Framework for Long-Context, Short-Decode, Large-Beam Generative Recommendation

作者单位:NVIDIA

论文3|Taming Wide Beams: Request-Adaptive Inference for Generative Recommendation

作者单位:中国人民大学、南京大学、快手

论文4|FSBO: Fusing Vocabulary Projection and Beam Selection for Efficient Generative Recommendation

作者单位:郑州大学、中科曙光、清华大学

论文5|FlagCD: Exact Request-Constrained Decoding over Billion-Scale Item Catalogs

作者单位:北京大学、香港大学、快手

Session 2|训练、推理和Agentic阶段优化

10:30–11:50

论文1|Token-Native Serving Architecture for Generative Recommendation with Semantic IDs

作者单位:Meta

论文2|ServerlessANN: Low-Latency Serverless Vector Search with CXL Memory Pools

作者单位:华中科技大学、小红书

论文3|NaviPerf: Architecture-Aware Performance Prediction for LLM Serving on Ascend NPUs

作者单位:北京航空航天大学、小红书

论文4|RecIS: Unifying Sparse and Dense Computation for Efficient Recommendation Training

作者单位:阿里巴巴、中国科学院大学

论文5|SparseRec: Predictive GPU Sharing and Data-Aware Scheduling for Recommendation Model Training

作者单位:北京航空航天大学、小红书、利兹大学

论文6|KAISync: Characterizing and Optimizing Weight Synchronization in Co-Located RL Post-Training

作者单位:北京航空航天大学、快手

论文7|TALOS: Torch Acceleration through a Loop-Driven Optimization Skill for Recommendation Systems

作者单位:NVIDIA

论文8|RobustSGPO: Search-Space Control for Agent Harness Evolution

作者单位:快手

「快手技术展台」

11 月 16—18 日,快手技术团队将在展台与大家见面。如果你关注生成式推荐的工程落地,或正在思考推荐系统在推理效率、训练系统和智能体优化方面的挑战,欢迎来到快手展台,与我们交流实践经验和研究思路。现场还准备了丰富的互动活动和快手技术周边,期待与你见面。

「组织委员会」

  • General Co-Chairs: Yiming Qiu (The University of Hong Kong)、Renyu Yang (Beihang University)、Chen Yang (Kuaishou Technology)

  • Steering Committee: Yuan Xie (Hong Kong University of Science and Technology)、Ceyu Xu (Hong Kong University of Science and Technology)

  • Program Committee: Xiaofei Liao (Huazhong University of Science and Technology)、Xiang Chen (Peking University)、Yibo Huang (Oracle)、Minhui Xie (Nanjing University)、Ang Chen (University of Michigan)、Jieming Zhu (Huawei 2012 Labs)、Hao Peng (Beihang University)、Zuming Jiang (The University of Hong Kong)、Hao Wu (The University of Hong Kong)、Yuning Chen (Meta)、Yunming Xiao (The Chinese University of Hong Kong, Shenzhen)、Qiang Su (Xiamen University)、Teng Ma (Alibaba Cloud)

  • Publication & Web Chair: Xiangrui Yang (The University of Hong Kong)

  • Media Support: PaperWeekly

👇 点击【阅读原文】,查看官网!

阅读原文

跳转微信打开

HCRS@WWW 2027 征稿|当推荐系统遇上 AI Agent,如何坚持「以人为本」?

2026年11月11日 19:51

原创 快手技术 2026-11-11 19:51 北京

第三届以人为本推荐系统 Workshop(HCRS@WWW 2027)正式征稿!

图片

从看到一条视频、学习新知识,到做出一次消费决策,推荐系统正在影响人们获取信息与做出选择的方式。随着生成式 AI 与智能体(AI Agent)的发展,推荐系统也在发生变化:Agent 可以理解用户目标、保留交互记忆、调用工具,并通过多步行动协助完成任务;智能体工作流则开始参与推荐模型的修改、评估与部署。

当推荐从一次排序走向持续协作,“以人为本”也有了新的研究命题:Agent 究竟在为谁的目标服务?用户能否理解、检查和纠正它的行为?系统在持续演进的过程中,能否真正创造长期价值?

围绕这些问题,第三届以人为本推荐系统 Workshop(HCRS@WWW 2027)正式征稿,诚邀推荐系统、信息检索、人机交互、负责任 AI、社会计算等领域的研究者与技术实践者参与,共同探索 Agent 时代人本推荐的新方法、评估体系与保障机制。

继 WWW 2025、WWW 2026 两届研讨会之后,以人为本推荐系统 Workshop 将迎来第三届,持续汇聚相关领域的研究者与技术实践者,推动跨学科交流与长期合作。本届 HCRS@WWW 2027 由来自快手、中国人民大学、中国科学院计算技术研究所、复旦大学、莱顿大学、香港浸会大学、中国科学院大学的研究者共同组织。Workshop 将于 The Web Conference 2027 大会期间(2027 年 5 月 10—11 日),在爱尔兰都柏林线下举办,具体日期待后续公布。

从工业实践出发,快手在短视频、搜索、电商等多个场景相继研发并部署高性能生成式推荐大模型和 Agentic 解决方案,近年来形成了 OneRec 系列、GoalRank、AgentX、PlatformBid 等代表性研究与实践成果。这些工业实践也带来了新的研究命题:当推荐系统更加智能、具备更强的自主行动能力时,如何保障用户的控制权、持续对齐人的意图,并创造长期价值?带着这些来自真实业务场景的问题,快手消费策略算法部连续三届参与组织 HCRS@WWW,并积极支持相关方向的高校合作研究与学术社区建设,推动工业实践与学术研究相互启发,共同探索“以人为本”推荐系统的设计与评估方法。

本届 Workshop 围绕「Agent 时代如何让推荐系统更好地服务于人」这一核心问题,聚焦主体性、对齐与长期价值三大主题,进一步推动推荐系统、人机交互与 AI 安全等领域的交流,探索如何将技术进展转化为对用户、创作者和社区的实际价值。活动将设置主题报告(Keynote)、论文口头报告、海报(Poster)交流与最佳论文颁奖环节,为学界与工业界搭建分享研究成果、交流实践经验与探索合作的平台。

主题报告嘉宾(Keynote Speakers):

  • Maarten de Rijke(意向确认):阿姆斯特丹大学人工智能与信息检索杰出教授,ACM Fellow、荷兰皇家艺术与科学院院士。

  • Yupeng Hou(已确认):Google DeepMind 研究科学家,主要研究方向为生成式推荐与大语言模型(LLM),研究成果发表于 ICML、KDD、WWW 等国际学术会议。

*嘉宾出席情况及报告安排以研讨会官网最终公布的信息为准。

「投稿征集」

我们欢迎围绕以下三大主题、立足具体推荐场景提交研究成果,包括实证研究、理论研究、观点论文,以及系统演示、数据集和用户研究等贡献。录用论文将以口头报告或海报形式在 Workshop 展示,并参与 Best Paper Award(最佳论文奖)评选。

1. Agency(主体性)

人如何掌控目标与授权。面向发现与决策支持的个人 Agent;目标表达与修正;混合主动交互;用户对记忆、工具、数据、权限的控制;同意与纠正机制;平台准入与用户选择。

2. Alignment(对齐)

系统如何对齐人的意图与价值。模糊、冲突、漂移下的偏好获取;人类与 Agent 反馈;奖励模型;推荐系统开发部署中的可验证 Agent 机制;用户与 Agent 记忆的溯源与污染;Reward Hacking 与能力漂移;可复现性;公平性审计和可信推荐。

3. Long-term Value(长期价值)

超越单步相关性与短期参与。长时程用户建模;满意度、学习、福祉、自主性;延迟反馈;对用户、创作者、社区的长期影响;仿真与纵向评估;操纵与依赖;信息茧房与伤害。

「重要日期」

*相关截止时间均采用 AoE(UTC−12);线下活动时间以最终议程为准。

  • 投稿截止:2027 年 1 月 4 日

  • 录用通知:2027 年 2 月 1 日

  • 终稿提交(Camera-ready):2027 年 2 月 16 日

  • Workshop 举办:2027 年 5 月 10—11 日期间,具体日期待公布

「投稿与参与方式」

在 Agent 加速融入推荐系统的背景下,如何保障用户的自主性、让系统持续对齐人的意图,并创造可衡量的长期价值,值得学界与工业界共同探索。我们期待通过 HCRS,让更多研究问题得到深入讨论,让前沿方法与真实场景相互启发。

欢迎投稿、参与交流,期待在都柏林与你相聚,共同推动推荐技术更好地服务于人!若你对快手在相关领域的工作和团队感兴趣,也欢迎加入我们!

团队介绍

消费策略算法部是负责快手短视频推荐的核心算法团队,致力于用强化学习、因果推断、增益模型、跨域学习、元学习、图模型、运筹优化、博弈机制、端上智能等前沿技术持续优化用户的内容消费体验,提升用户对平台粘性和大盘 DAU,不断改进冷启动和大盘流量分配机制,促进社区生态的长期繁荣与多种营收指标共同提升。

团队负责场景覆盖快手单列、双列、关注、同城等核心页面。技术成果在KDD/SIGIR/WWW/NeurIPS/ICLR/WSDM/CIKM 等顶会上发表,并获得 CIKM Best Paper 和SIGIR Best Paper Award Honorable Mention。

成员多来自国内外顶尖高校硕博毕业,很多有国内外头部大厂核心团队经历,不乏头顶快Star/阿里星/天才少年/ACM 金牌等光环者,同时团队积累了业内领先的人才和充足的算力,期待加入一起探索AI时代的新推荐系统。

岗位介绍

  • 职位名称

  • 大模型Agent算法工程师-短视频推荐方向

  • 推荐算法工程师-【主APP】

  • 推荐算法工程师-【极速版单列推荐】

  • 推荐算法工程师-【内容生态算法】

  • 推荐算法工程师-【多业务混排】

  • 推荐算法工程师-【创新孵化&评论生态】

  • 推荐算法工程师 -【日常实习】

  • 职位描述

  • 负责短视频推荐场景算法迭代与大模型Agent能力建设,优化推荐召回、排序、重排全链路,探索生成式推荐、模型Scaling、用户长序列建模等技术,落地LLM智能推荐新范式;

  • 打造具备自主规划(Planning)、工具调用(Tool Use)、长短期记忆(Memory)、多 Agent 协同(Multi-Agent)等能力的智能推荐 Agent;

  • 结合大语言模型、多模态模型与传统推荐算法,完成用户理解、内容理解、个性化策略生成,提升推荐精准度、用户体验与内容生态质量;

  • 探索Agent在推荐场景的落地应用,覆盖内容消费、策略优化、实验迭代、算法辅助研发等场景,推动传统模型推荐向Agent智能推荐升级;

  • 基于用户行为与多模态数据,研究大模型与推荐模型的融合方案,包括表征学习、奖励建模、强化学习优化,持续提升时长、留存、互动、VV等核心指标;

  • 跟进Agent、大模型、强化学习、世界模型等前沿技术,结合短视频业务完成技术验证、方案迭代与线上落地。

  • 加入我们,你将获得

  • 探索推荐系统的下一代技术范式:从传统推荐模型迈向 Agent 驱动的智能推荐,参与行业前沿技术创新;

  • 拥有丰富的真实业务场景: 面向亿级用户、千万级创作者及海量内容,在真实推荐场景中验证和迭代 Agent 能力;

  • 充足的数据与算力资源:依托大规模推荐系统和大模型基础设施,探索 LLM、Agent 与推荐融合的最佳实践;

  • 技术成长空间广阔:深度参与大模型、推荐系统、强化学习、多模态、Agent 等多个热点方向,推动科研成果快速转化为业务价值。

  • 投递方式

扫描下方二维码投递,或投递简历至邮箱:chenyuxi09@kuaishou.com

👇 点击【阅读原文】,即可投稿!

阅读原文

跳转微信打开

快手电商智能补贴实践:从经验发券走向目标驱动的智能营销托管

2026年11月10日 18:10

快手技术 2026-11-10 18:10 北京

从“发券”到“经营”:快手电商如何让补贴带来真实增量。

图片

每次电商大促启动前,运营团队都需要回答一连串具体问题:预算怎样分配,消费券发给谁,门槛和面额怎样设置,什么时候放量,效果不及预期时又该调整哪里?

这些问题看似分散,背后指向的是同一个经营目标:在预算和钱效约束下,让补贴带来更多真实增量。

回看快手电商这几年的营销技术建设,营销补贴的重点也在持续演进:从支撑活动快速上线和大规模覆盖,到基于人群与场景的精细化运营,再到围绕经营目标开展增量预估、预算优化与智能决策,并逐步推进营销托管。

一、从人工经验发券到智能决策:为什么“发得多”不等于“长得好”

1.1 粗放式营销:先把活动感知打出去

先看一组数据:2023年年货节大促,10天活动时间,累计发放优惠券数十亿张,触达近亿用户,平均每位用户发放数十张优惠券。这个数字能够体现当时的券投放规模,统一券包、统一门槛、集中投放,可以快速把活动推起来,让用户感知到平台在做大促。对技术团队来说,这个阶段的重点是把券配置、券发放和券核销链路做好,支撑大规模投放。

在业务早期,运营制定一套规则,系统将优惠券发给用户,发券量、领取率和核销率成为最容易观察的指标。随着业务规模扩大,更关键的是判断:这些优惠券究竟带来了多少额外购买?哪些用户原本就会下单,哪些用户需要优惠才能促成购买,又有哪些用户即使获得优惠也不会购买?同一张券作用于不同用户,产生的增量可能相差很大,需要进一步区分自然转化与补贴带来的真实增量,如下图的营销四象限所示:

  • 营销敏感:不发券时则不买,发了优惠券则购买

  • 自然转化:不论是否发优惠券均会购买

  • 无动于衷: 不论是否发优惠券均不会购买

  • 反作用: 不发优惠券会购买,发了优惠券反而不买

这一阶段主要解决了营销活动的用户覆盖问题,但对于哪些营销投入真正促成了增量购买,仍缺乏清晰的判断。

1.2 精细化营销:让不同人群匹配不同策略,也让复杂度快速上升

随着用户标签、场景识别和营销配置能力逐步完善,我们开始围绕人群与场景制定差异化策略:针对新客、回流用户和活跃用户采用不同的补贴方式,结合直播间、短视频和商城的消费路径,以及用户的类目偏好、消费能力和价格敏感度,调整触达方式、券门槛和面额。这一步将运营经验沉淀为系统可执行的规则,也通过策略配置、实验验证和效果复盘,为后续智能化积累了数据与执行能力。

但“人群 × 场域 × 券档 × 时间段”的组合不断扩大,策略之间可能交叉,同一人群内部也存在需求差异,人工调整难以持续跟上大促期间流量、货盘和用户行为的变化。

差异化策略改善了发券效果,但策略的生产和迭代仍然高度依赖人工,专业壁垒和人力产能逐渐成为规模化的瓶颈:

一轮完整的策略迭代涉及8个阶段、30多个环节、5类以上角色,周期往往在一个月以上:八成操作依赖人工,多角色协作增加排期与沟通成本,分散的历史方案和实验结论又难以复用。

  • 基本靠人力:八成操作依赖人工执行,重复工作占用了大量时间,也增加了配置和执行出错的风险

  • 协同成本高:全流程涉及5+角色参与,核心人力资源紧,各环节排期难以对齐,策略从分析到上线需要反复协调

  • 经验难复用:历史策略、实验结果和判断依据较为分散,难以追溯和复用,人员变动后容易重复摸索(以触达时机策略为例,2024年前后开展的8次实验中,有4次因人员变动重复进行了策略实验)

发券业务的复杂度,更多集中在消费者看不到的地方。消费者侧的券展示、领取和使用流程已相对成熟,运营侧却仍需反复完成数据洞察、人群圈选、券档匹配、时机选择和实验调优。差异化策略改善了发券效果,但高度依赖人工的生产与迭代方式,限制了有效策略向更多场景推广。

因此,精细化营销继续向前,需要同时提升两项能力:一是策略决策能力,更准确地判断要不要发券、发多少、何时发;二是策略生产与迭代能力,降低分析、配置和协同成本,让经过验证的策略能够快速落地、持续优化并跨场景复用。这也是我们走向智能补贴与营销任务托管的出发点。

1.3 智能化营销:围绕经营目标决定补贴怎么花

进入智能补贴阶段,系统以经营目标、预算上限、候选券档和业务约束为输入,结合用户状态与场景信息,预估不同投放动作可能带来的增量收益及成本,在预算和钱效约束下选择合适的方案,并通过实验验证与效果反馈持续优化。

智能补贴决策围绕三个核心问题展开:要不要发券、发多少、什么时候发。系统需要判断补贴能否有效促成购买、怎样的补贴力度更合适,以及何时发券更有效,让有限的预算带来更多增量收益。

这三个阶段体现了营销能力的持续积累:统一规则保障活动体验,精细化运营沉淀人群与场景认知,智能决策在此基础上进一步优化补贴力度、投放时机与预算分配。技术团队的职责也随之拓展,从支撑策略配置与执行,逐步延伸到参与策略决策、验证业务收益和推动持续优化。

二、一张消费券背后,不只是“满多少减多少”

消费券看起来只是“满足门槛后减免一定金额”,背后却连接着用户需求、商品供给、触达场景和营销预算。同一张券,发给不同的人、匹配不同的商品、在不同的时机触达,带来的效果可能截然不同。

  • 先看人:

补贴能否影响用户的购买决策。用户当前有没有购买需求,对价格和用券门槛有多敏感,都会影响一张券的作用。购买意愿很强的用户,即使不发券也可能下单;正在犹豫的用户,可能因为一张合适的券完成购买。判断补贴是否必要,需要进一步看这张券能在多大程度上改变用户原本的选择

  • 再看货:

优惠能否被合适的商品承接。用户领到了券,还需要找到想买、能用券、券后价格又有吸引力的商品。如果用券门槛与商品价格不匹配,或适用范围内缺少合适的商品,优惠就很难转化为成交。因此券的门槛、面额和适用范围,需要与商品供给、价格及用户需求一起考虑

  • 还要看场:

优惠能否在合适的时机触达。直播间、短视频和商城的消费路径不同,用户所处的决策阶段也不同,有的用户刚被内容吸引,有的正在比较商品,有的已经准备下单。同一张券,在不同场域、不同时间出现,可能产生不同的作用。策略需要结合用户当下的行为,判断在哪发、何时发,以及本次是否有必要发券

  • 最后看预算和节奏: 

有限的补贴应该如何分配。大促经历预热、爆发和返场,不同阶段的流量、货盘和需求都在变化。流量上涨时,需要判断新增流量的补贴价值,再决定是否加补;预算消耗偏慢时,也需要先分清是触达不足、券档不匹配,还是商品承接不足,再决定如何调整。每一次投放,都要兼顾当前机会、剩余预算和后续活动节奏

因此一套消费券策略需要协同回答:要不要发、给谁发、发多少、何时发、在哪发,以及预算如何分配。这些决策相互影响,共同决定补贴的实际效果。

一张券看似简单,真正复杂的是它背后的经营判断:用户、商品、场景、券档、时机和预算,任何一环错位,都会影响补贴效率。

举个简单例子:一位用户最近在看180元左右的商品,业务侧准备了「满100减10」和「满200减25」两档券。如果他没有凑单需求,200元的门槛可能增加购买负担和决策成本,低门槛的券反而更容易促成下单。券的面额更大,并不意味着效果一定更好,关键在于它是否匹配用户当下的需求。

但券被使用,只是效果评估的起点。如果用户原本就会购买,核销也未必意味着补贴带来了新增交易。我们还需要继续追问:相比不发券,这张券额外带来了多少购买?为这部分增量付出的补贴,是否值得?在同样的预算下,还有没有更好的选择?

这正是智能补贴要解决的核心问题:结合人、货、场和预算约束,判断补贴能带来多少增量,并将有限的预算优先用在增量价值更高的地方。

三、预算有限,怎样把钱花在真正有增量的人身上?

要回答这个问题,需要先区分“用户会不会购买”与“补贴能额外带来多少购买”。

一个容易混淆的判断是:购买概率高的用户,是否应该优先获得补贴?下面用一个简化示例说明,假设向两类用户发放同一张券:

只看发券后的购买概率,A类用户更容易成交;但从补贴带来的变化看,B类用户的预计增量更高。在预期补贴成本和订单价值可比的前提下,优先覆盖B类用户,更有可能提高补贴的增量产出。因此智能补贴需要关注的核心是:相较于不发券,这次优惠能够多带来多少购买或GMV,为这些增量需要付出多少成本。

围绕这一目标,我们结合不同场景的预算规模、效果要求和运营约束,逐步形成了三类互补的智能补贴能力:

  • Uplift专用模型:面向预算规模大、对补贴效果要求高的核心场景,针对具体业务训练专用模型,精细预估补贴增量,持续优化钱效

  • 营销大模型:面向新场景和多样化业务需求,复用用户、商品与营销场景理解,提升跨场景泛化能力,加快策略冷启动

  • 营销Agent:面向策略快速生产和营销全托管需求,在运营设定的目标与约束下生成可执行方案,串联投放、评估与迭代

三类能力可以根据场景需要组合使用,共同兼顾补贴效果、场景覆盖和运营效率。

这套体系可以概括为:大模型保覆盖,小模型保效果,Agent保效率。

3.1 营销 Uplift 专用模型:在大预算核心场景中深耕补贴效果

如果说传统模型更擅长判断“谁更可能买”,Uplift 模型关注的是“补贴让谁发生了变化”。

对于预算规模大、持续投放且对钱效要求高的业务场景,补贴效率的细微改善,也可能带来可观的整体收益。这类场景值得投入更充分的数据、实验和建模资源,围绕专属业务训练和迭代模型。

增量建模(Uplift Modeling)关注的是:对于具有相似特征的用户,在接受某种补贴和未接受补贴时,预计会带来多大的行为变化。借助随机对照实验等数据,模型学习不同用户对补贴的响应差异,帮助系统识别更值得投入预算的机会。以消费券为例,需要围绕“用户—场景—候选券档”进行联合判断,结合近期浏览与购买行为、历史用券情况、商品价格和触达场域等信息,回答三个问题:

  • 要不要发:

相较于不发券,这次补贴是否有足够的预计增量

  • 发多少:

不同门槛和面额分别能带来多少增量购买或增量GMV,继续加补是否划算

  • 成本多少:

不同动作对应的预期补贴成本是多少,是否满足当前钱效要求

增量预估还需要与成本预估、预算优化配合。补贴成本不能直接等同于券面额:同一张券发给不同用户,核销概率、实际抵扣金额和平台承担比例可能不同,需要结合业务规则估计实际支出,再在预算约束下选择合适的动作。

这条路线的重点,是围绕高价值业务场景持续深耕,用专用模型提高决策精度,让大规模预算花得更有效。

3.2 营销大模型:通过泛化能力,加快新场景冷启动

这条路线关注的是:如何复用大模型对用户、商品和场景的理解,加快新场景的策略冷启动。

营销场景众多,业务目标、商品特点、用户需求和优惠规则各不相同。如果每个场景都从头积累样本、设计策略和训练专用模型,建设成本与覆盖速度就会成为限制。

营销大模型的价值,在于复用对用户、商品和营销场景的理解,将已有知识与策略经验迁移到新的业务环境中,帮助新场景更快形成可验证的初始方案,并随着反馈积累持续优化。

围绕“冷启动与泛化”,实践中可以从两条技术路线展开。

3.2.1 路线一:LLM语义表征+Bandit,让发券策略在反馈中持续调整

这条路线将大模型的理解能力与 Bandit 的在线学习能力结合:LLM 将用户、商品和场景信息转化为可复用的决策特征,Bandit 在预算、准入和频控等约束下选择券档,优先采用表现较好的方案,同时保留适度探索,并根据投放反馈持续调整。新场景由此降低启动成本,并通过在线学习逐步改善策略。实际增量收益与补贴钱效,仍需通过对照实验验证。

3.2.2 路线二:基于用户理解的LLM营销定价,生成个性化券

这条路线通过奖励模型评估用户对优惠的潜在响应,再训练一个更小、更快的策略模型,将大模型的用户理解转化为在线可用的候选券生成能力。

这条路线通过奖励模型(RM)结合用户、商品和场景信息,利用领券、核销等行为反馈,学习判断“什么券更适合用户”;策略模型(PM)则利用这些评估反馈进行训练,在业务规则允许的范围内,为当前用户生成少量个性化候选券。实际投放时,再由后续决策系统综合预期效果、补贴成本和预算约束,确定最终发券方案,让大模型对用户的理解通过轻量策略模型进入线上发券。补贴是否真正带来增量,仍需通过对照实验验证。

两条路线分别侧重“语义表征+在线学习”和“用户理解+候选生成”,共同服务于“大模型保覆盖”的定位。随着场景规模扩大、实验数据积累,也可以进一步引入或强化专用模型,在覆盖基础上持续提高钱效。

3.3 营销 Agent:在运营约束下快速生产策略,推进营销全托管

模型解决的是单次决策质量,Agent解决的是策略从分析、配置、投放到复盘的生产效率。

营销业务中,还有一类需求具有鲜明特点:策略需要快速上线,运营约束较多,而且分析、配置、投放和复盘往往需要人工逐步串联。

例如,运营已经明确预算、人群和商品范围,同时要求券门槛、面额、补贴率及投放频次满足特定规则。此时,需要将这些目标和约束快速转化为可执行策略,并组织后续执行和效果回收,营销Agent正是这一过程的主要承接者。

发券策略Agent首先理解业务目标与策略边界,再调用数据查询、知识检索、效果预估和预算测算等工具,分析历史策略表现、用户消费特征与商品价格,生成发券方案。在这一分工下,运营负责确定目标和边界,Agent在边界内组织分析、生成策略并推进执行。业务约束需要写入结构化策略配置,在方案生成和实际发券时统一校验,确保最终优惠券符合要求。

方案形成后,由券投放系统承接执行,完成用户与商品信息获取、资格和预算校验、实验分流及发券。对于动态出价策略,系统根据当前请求信息执行相应规则,计算最终门槛和面额。投放产生的策略记录、效果数据和实验结果持续回流,知识沉淀Agent进一步整理效果差异、适用条件和调整依据,更新知识库,为下一轮策略生成提供参考,逐步形成“目标输入—策略生成—配置投放—效果评估—知识沉淀—策略迭代”的营销托管闭环。

这就是“Agent保效率”的具体落点:在运营约束下加快策略生产,减少营销流程对人工串联的依赖,并将经过验证的策略沉淀为可复用能力,支撑更多场景和团队开展营销。

3.4 三类能力协同:大模型保覆盖,小模型保效果,Agent 保效率

从实践看,智能补贴需要兼顾场景覆盖、补贴效果和策略效率。我们将大模型、Uplift专用模型与Agent结合起来,形成“大模型保覆盖、小模型保效果、Agent保效率”的协同体系,根据不同业务场景选择合适的能力组合:

三类能力的侧重点不同,也可以在同一场景中协作:新场景借助大模型形成初始策略,Agent根据运营约束组织方案并推进投放;随着预算规模扩大和数据积累,再通过Uplift专用模型深化增量预估,持续优化补贴效果。这套体系的价值在于:持续优化核心场景的补贴钱效,加快新业务的策略落地,并将策略从生产到迭代的全过程逐步纳入智能托管。

四、让决策与执行形成可验证的活动闭环

智能补贴的价值,既体现在每一次“要不要发券、发多少、何时发券”的决策中,也体现在整场活动的持续优化中。活动前,将经营目标转化为预算安排和策略方案;活动中,让用户决策与预算消耗协同;活动后,通过实验验证增量,将有效经验沉淀为下一轮策略依据。这三个阶段相互衔接,才能让补贴效果持续积累。

4.1 活动前:明确目标与约束,形成可执行、可验证的方案

首先要回答三个问题:希望获得什么增量、最多投入多少预算、需要守住什么钱效底线。例如,在预算上限内提升活动期增量 GMV,并对增量 ROI 设置最低要求。在此基础上,结合历史活动表现、流量与货盘情况及活动节奏,测算预期增量和预算需求,安排各阶段投入并预留调整空间,后续根据实际效果与预算消耗持续校准。

4.2 活动中:协同用户决策与预算分配,根据反馈调整投放

活动开始后,系统需要同时处理两个层面的决策:面向用户选择合适的补贴动作,面向全局控制预算节奏与投向。用户侧先完成资格、已领权益和频次检查,再结合用户状态、场景信息及候选券档的预期效果与成本,决定是否发券、发哪个档位,以及何时触达。全局预算则结合阶段目标、实际消耗和新增投入的预期回报滚动调整:扩量既要看当前钱效,也要判断继续投入还能带来多少增量,避免仅凭局部高 ROI 持续放量。

4.3 活动后:验证真实增量,将复盘结论转化为下一轮策略

活动复盘需要将转化链路分析与实验评估结合起来:曝光、领券和核销数据帮助定位问题,实验结果用于判断补贴是否带来了额外成交、新增投入是否值得。几种典型情况:

  • 领取高、核销低:需要检查券门槛与货盘是否匹配

  • 核销高、增量低:需要关注是否过多补贴了原本就会成交的用户

  • 扩量后钱效下降:分析新增人群、场域和券档的边际效果,识别策略适用范围及扩量边界

复盘结论应进一步转化为下一轮可验证的策略假设,明确调整方向、验证方式和判断标准;同时将策略配置、适用条件、实验结果及调整原因关联沉淀,支持运营复用、模型优化和 Agent 生成后续策略。

让每轮活动都留下可复用的经验与证据,减少重复分析,持续提升决策效率与质量。

五、智能策略要进经营,工程底座必须跟上

智能补贴最终要进入真实的交易与资金链路。从判断“要不要发券、发多少、何时发”,到完成权益发放、预算扣减和效果评估,每一步都需要工程系统承接。数据是否完整、策略是否可控、资金是否准确、服务是否稳定,共同决定了智能策略能否在业务高峰下持续运行,并通过真实反馈不断优化。

5.1 打通数据链路,让决策依据可查、效果可评估

数据建设围绕“业务场景 → 决策请求 → 曝光 → 转化 → 效果评估”展开。目前,营销智能补贴已沉淀用户行为、偏好、券、主播、商品等 9 类以上维度的数据集、1000+ 原子特征,统一埋点覆盖直播间、短视频、商城、店铺四大场域及 10 多个核心流量入口。通过关联活动、实验分组、策略版本、优惠券和订单,既能还原每次决策的依据与动作,也能追踪后续的领券、核销和成交结果。同时保证时间与口径一致:保留决策时实际可用的特征,统一数据晚到、延迟核销和退款回流的处理规则,让训练、评估和复盘建立在一致的数据基础上。

链路打通后,还要保证时间与统计口径一致:保留决策时实际可用的特征,避免将事后信息混入决策特征;统一数据晚到、延迟核销和退款回流的处理规则,减少反馈遗漏与统计偏差,让训练、评估和复盘建立在一致的数据基础上。

5.2 统一策略管理,让每次调整可追溯、可灰度、可回滚

将人群规则、候选券档、出价规则、预算配置和模型版本纳入统一管理,记录每次调整的内容、原因、生效时间与覆盖范围。无论策略来自运营配置、模型优化还是 Agent 生成,都需要经过统一的约束校验和发布流程。策略上线先经过实验与灰度验证,再逐步扩大覆盖;效果波动时结合实验分组与版本记录排查影响,出现异常时及时收敛新增投放,或回退到经过验证的策略。随着策略生产和迭代速度提升,发布与回滚能力也需要同步跟上。

5.3 用确定性的执行机制,守住资金与权益准确

模型和 Agent 形成投放方案后,需要由优惠券、预算等执行服务完成最终校验:用户资格、券档范围、门槛倍数、补贴率上限、发放频次和可用预算等约束,都必须在实际发券时生效。资金链路需要明确预算预占、核销扣减、到期释放以及退款后的处理规则,并通过状态管理、幂等控制和对账机制保障账实一致;跨场域触达还需要做好权益去重与互斥校验,避免同一用户重复获得不应叠加的补贴。

5.4 做好高峰保障与异常降级,让在线服务稳定、补贴风险可控

高峰保障围绕发券、预算和权益等关键链路开展容量评估与压测,配合限流、隔离和监控告警,及时识别流量突增、服务延迟与预算消耗异常。降级根据异常类型分别处理:特征缺失、模型超时或推理服务异常时,在资格与预算校验通过的前提下,回退到经过验证的规则策略;资金或资格状态无法确认时,暂停相关发放;预算消耗或策略效果异常时,及时收紧投放,必要时停止新增补贴。

智能策略越靠近交易和资金链路,越不能只追求“聪明”,还必须足够可控、可查、可回滚。

六、实践检验:智能策略的收益如何评估

在2026年818大促消费券阶段复盘中,智能策略在两个观察窗口内的增量 ROI 均高于人工策略:

累计窗口的结果呈现出积极信号,短期窗口则反映了特定阶段的效果差异,不能据此判断收益会持续扩大。后续仍需结合样本量与置信区间、策略版本、预算消耗,以及人群、货盘和活动节奏变化,分析收益来源与策略适用条件,并通过更长周期和更多活动验证效果的稳定性。

七、从智能发券走向营销全托管

算法提高了单次补贴决策的质量,但运营仍需要完成目标设定、数据分析、策略配置、实验放量和效果复盘。各环节如果持续依赖人工串联,策略的生产和迭代效率仍然受限。营销任务托管要进一步解决的,就是让系统围绕一个经营目标,持续组织和推进这些工作。

在这套体系中,模型负责预估不同补贴动作的效果,运筹模块负责资源分配,优惠券服务负责资格、权益与资金校验,Agent 则负责理解目标、制定方案、调用工具和跟进任务。例如,运营提出“在既定预算内提升活动期增量 GMV,并保持钱效底线”,Agent 会将其拆解为明确的指标、预算和策略约束,形成方案并组织投放;投放后持续回收效果、定位问题,在授权范围内推进调整,并将每轮策略和实验结论记录下来,为后续迭代提供依据。

营销云舵系统正在将这些能力整合为面向运营的一体化营销托管平台。目前,我们已围绕营销策略生成、效果分析、知识沉淀等方向建设多个专家 Agent,并在首个智能发券场景中跑通“目标理解→策略设计→策略配置→投放执行→效果回收→分析诊断→策略迭代”的最小闭环。现阶段,运营负责明确经营目标、划定策略边界并把握关键决策,Agent 在授权范围内承接分析、配置、投放和复盘工作。随着能力稳定性和场景覆盖逐步提升,再扩大可托管的任务范围,让运营把更多精力投入供给组织与经营判断。

八、智能补贴实践中,容易踩的几个坑

1、核销高、购买概率高,都不等于补贴增量高

用户用了券,不代表这笔购买由补贴促成;用户本来就容易购买,也不意味着补贴能带来更大增量。判断策略价值,需要同时看额外成交与相应的补贴成本。

在一次消费券策略实验中,相比常规投放,叠加额外优惠的方案投入了更多补贴,但阶段性估计显示,增量成交未同步提升,补贴钱效反而呈现下降迹象。这提醒我们,无论选择补贴人群还是增加优惠,都不能仅凭核销和成交表现判断效果,而应通过对照实验识别真实增量,持续验证投入是否值得。

2、单点模型优化,需要放到完整投放链路中验证

模型预估只是决策的一部分。效果预估、成本预估、预算分配和实验评估需要协同,才能判断策略是否值得投、可以投多少,以及扩量后钱效能否保持。因此,单点模型的改善,最终仍需放到完整投放链路中检验,不能直接等同于整体补贴效率的提升。

3、Agent 生成的方案,必须满足业务约束

券门槛、补贴率、预算、频控和适用范围等要求,不能只停留在给 Agent 的文字指令中,还需要转化为系统可执行的规则,在方案生成与实际投放时统一校验。Agent 负责在边界内组织策略,执行系统负责守住约束,确保资金与权益准确。

4、实验做过,不代表经验就能留下来

在2024年前后开展的8次触达时机策略实验中,有4次因运营人员变动重复开展。历史方案、实验结果和判断依据分散,让接手的人难以复用已有结论,只能重新摸索。

因此,复盘不能只记录“效果好不好”,还要关联保存策略配置、适用条件、实验结果和调整原因,让后续团队与 Agent 能够理解方案为什么有效、在什么条件下有效,减少重复试验。

5、智能策略能否稳定运行,取决于工程底座

数据链路完整可追溯、资金与权益处理准确、策略发布支持灰度和回滚、高峰与异常场景具备明确的降级机制,这些都是智能策略进入真实业务的前提。决策能力提升的同时,执行与保障能力也必须跟上,才能让策略持续运行、效果持续验证。

九、写在最后:补贴的终点不是发券,而是经营能力

回到文章开头的问题:有限的营销预算,怎样创造更多真实增量?关键在于建立一套围绕经营目标、能够持续判断、验证和迭代的决策机制:识别哪些用户和场景能够通过补贴带来增量,在预算与业务约束下决定是否发券、发多少、何时发,再通过对照实验区分补贴带来的增量与自然成交,将评估结果用于下一轮策略调整。

从规模化发券到精细化运营,再到智能决策,技术团队的职责也在逐步延伸:从保障活动稳定执行,到将业务经验沉淀为可复用的规则,再到参与效果预估、资源分配和策略迭代,对业务结果承担更多责任。在这一过程中,模型提升决策质量,Agent 提高策略生产与任务协同效率,工程系统保障资金安全、权益准确和服务稳定。三者协同,才能让智能策略进入真实经营,形成可执行、可评估、可持续改进的闭环。

现阶段的实践已经呈现出积极信号,也提出了下一阶段需要回答的问题:增量收益能否在更多场景、更长周期中稳定复现?策略适用的条件与边界是否清晰?策略生产和执行的效率提升,能否转化为整体经营效率的改善?这些问题需要通过持续的对照实验、效果跟踪与经营复盘来验证,并据此调整模型、策略和执行机制。

让每一轮投放都留下可验证的结果、可复用的经验和下一轮改进的依据,补贴才能从一次次活动投入,逐步沉淀为可以持续优化的经营能力。

【推荐阅读】

跳转微信打开

沙龙回顾|快手披露万人组织的企业AI生产力实践路径

2026年11月2日 20:25

快手技术 2026-11-02 20:25 北京

文末领取讲师PPT!

图片

10月31日,快手技术沙龙第六期在北京举办。本期沙龙以“从研发效能走向企业AI生产力”为主题,来自快手、OPPO及软件工程领域的多位技术专家,共同探讨AI如何从个人提效工具走向企业级生产力,并分享组织建设、智能体工程化、业务规模化提效与智能评测等一线实践。

沙龙现场,快手企业AI生产力副总裁王诩在致辞中表示,AI在带来研发生产力变革的同时,也面临Token费用持续上升、重复建设与安全风险等现实问题。大模型存在不确定性,需要通过工程手段保证安全、稳定与效果;企业AI生产力同样需要通过工程、组织与管理手段,让AI走进研发、业务场景乃至HR、财务等工作领域。他将快手AI在企业中的发展总结为实践、产品与工具推广、岗位职责调整、自上而下组织变革四个阶段,今年9月成立的企业AI生产力(iWork)组织,正是组织变革这一步的落地。

快手企业AI生产力副总裁 王诩

从工程师到全员、从团队到组织,快手iWork演进路径

快手企业智能体建设负责人、企业AI生产力专家沈浪介绍,快手的企业AI生产力实践最初是从工程师提效切入的。2025年起,快手围绕本地AI Coding工具CodeFlicker和云端研发平台KATE,逐步把需求分析、代码评审、测试用例和线上监控等能力Agent化,并将研发范式分为由人主导AI辅助的L1,强调人机协同完成需求交付的L2,以及由AI承担更多自主开发、人负责审核的L3。沈浪透露,该阶段目标是在2026年底把快手所有线上交付需求的80%提升到L2水平,当前已超过70%。

沙龙活动现场

转折发生在2026年Q2,AI开始从服务工程师走向服务更多员工。大量非技术用户开始借助CodeFlicker做演示文稿、调研和数据分析,快手由此将编程助手与Work形态产品整合为通用Agent MyFlicker,面向全员开放,截至2026年7月,MyFlicker周活跃用户数较2025年末增加约2.5倍。 

随着使用范围扩大,Token成本也成为企业规模化应用AI需要关注的问题。快手通过推行“Token积分制”,将预算折算成积分下发至员工,让员工自主选择如何使用;并通过“AI蹭饭研判官”“AI贪吃蛇大赛”“PDE集结令”等“全民AI”活动降低使用门槛,PDE集结令最终收到4000余个作品,验证了非技术人群构建工具的可能性。

年中复盘时,沈浪发现个体提效不等于组织提效,有两大问题制约组织效率,一是“孤岛区”,强AI能力员工的方法未沉淀,无法辐射团队;二是“空转区”,团队引入大量数字员工却因协作链路上下文不完整导致效率平平。

此后,快手将探索重点从个体推进到团队。沈浪将其核心规律概括为“先蒸馏,再折叠”,先把团队经验沉淀为AI可消费的知识、Skill和工作流,让AI进入真实工作,再招募数字员工在团队中独立完成重复性、确定性工作,最后再基于新的工作方式调整人与人之间的分工,让更多人聚焦到更多创造类、高价值工作上。基于这些实践,把MyFlicker升级到了2.0,可以为每个团队建设团队Agent。目前,团队AI已在快手内部规模化推广,约有500多个团队Agent、1000多个数字员工独立工作,几乎覆盖技术、销售、设计等所有团队。

到2026年Q4,快手的探索开始从团队走向组织。面对数百人规模的组织,单纯复制团队Agent无法解决复杂工作流与多系统协同问题。快手由此成立iWork,并探索MyFlicker 3.0,通过增加“AI工作台”,将原本分散的系统、流程和企业上下文转化为AI可调用的能力,建立企业级AI基座,推进全组织AI化。

从Demo走向生产,工程体系成为关键

沈浪用快手的实践印证了 "个体提效不等于组织提效",《软件工程3.0》作者、同济大学特聘教授朱少民则从第一性原理出发,回答了“AI落地为什么需要工程体系”。他指出,企业AI落地需要警惕三个假象:生成不等于完成,个人效率不等于组织吞吐,Demo成功也不等于生产可靠。在此基础上,他提出一个生产力公式:企业生产力=可交付客户价值÷总投入。如果效率提升伴随着质量、可交付率和可治理性下降,企业生产力未必真正提高。

《软件工程3.0》作者、同济大学特聘教授 朱少民

“大模型决定了智能研发的天花板,而工程体系决定了我们能摸到多高。”朱少民认为,未来企业智能研发的竞争焦点将不再只是模型能力,也包括工程体系是否完善。为此,企业需要建立“规约工程、驾驭工程、质量门禁”三位一体的工程体系:用可验证的方式明确目标、上下文、禁止事项和验收标准;利用记忆、工具权限和Agent框架约束执行;在代码、测试、交付和运行阶段建立失败升级与回滚机制。

对于具体演进路径,朱少民提出可以分三步推进:首先进行架构清理和知识沉淀,为Agent参与研发打好基础;其次搭建Harness框架,为Agent自主执行任务提供工程环境;最后构建质量门禁和反馈闭环,让Agent在可验证、可治理的前提下逐步提高自主执行能力。

随着Agent承担更多生成和执行任务,研发团队的能力结构也将发生变化。在朱少民看来,业务需求、系统架构和质量判断等能力将更加重要,产品经理、架构师与质量专家的价值也会进一步凸显。

从“超级个体”到“臭鼬工厂”,快手探索组织变革新模式

个人能力和平台能力具备之后,如何让AI真正改善端到端交付,成为下一道难题。快手磁力引擎风控技术负责人王东旭分享了所在团队从“OPC超级个体”走向“液态组织”,再到“臭鼬工厂”的探索过程。

快手磁力引擎风控技术负责人 王东旭

王东旭所在团队规模超百人,覆盖产品、运营、研发、算法和测试等职能,团队最初选择少数成员在真实业务中验证AI能否帮助个人跨越原有专业边界。例如,一名应用算法工程师独立完成AI深伪检测平台,另一名成员在25天内全栈交付反作弊洞察平台。

但超级个体的出现并没有自动解决排期等待和跨角色协作问题。团队随后推进算法与工程边界融合、技术让渡和前后端全栈转型,将部分Prompt配置与交互式运营能力交给更接近业务的运营人员,算法与工程人员则转向更复杂的算法和系统架构工作。

“全栈不是多做一份工,而是少等一个人。”王东旭表示。即使编码效率大幅提升,只要需求分析、协作、测试和发布等环节仍存在等待,局部提速就很难变成端到端收益。他借助阿姆达尔定律解释,如果编码环节只占端到端耗时的20%,即使将其压缩至接近零,整体交付速度增幅也只有约25%。“技术的天花板是数学题,组织的天花板是决策题。”

为进一步减少协调成本,团队借鉴洛克希德·马丁“臭鼬工厂”的组织思路,通过“绑目标、缩节点、搬工位”三类动作,让产品、运营、研发、算法和测试围绕同一目标集中协作,并将需求流转节点从12个缩减至6个,减少纯协调环节。在一项局部试点中,29名成员覆盖3个业务方向,需求吞吐率由36%升至84%,需求交付周期压缩至原来的五分之一,全栈交付需求数增至此前的9倍,并完成19个PDE需求。

王东旭同时强调,“臭鼬工厂”并非适用于所有场景。复杂存量核心系统、强跨团队依赖,以及无法保证人员集中投入或缺少合适负责人的场景,现阶段并不适合采用这一模式。在他看来,“一个臭鼬工厂是特例,一群臭鼬工厂才是能力”。

构建需求测试分级体系,让AI更好地测试AI

当研发速度被AI大幅拉快,质量如何守住?快手磁力引擎风控质量负责人吕冬冬给出了“需求测试分级、风险挖掘与Agentic AI Testing”的实践框架。

快手磁力引擎风控质量负责人 吕冬冬

吕冬冬指出,传统质量体系面临全量验证难以持续、人力无法线性扩张、过程指标难以代表真实质量等问题。快手相关大部门据此构建了基于“云帆”平台的智能分级体系,把是否涉及资金、主链路、历史故障和安全等判断注入Agent,形成高中低三类策略:高风险需求由人工主导、AI辅助;中风险需求采用人机协同;在其所在风控业务中,部分低风险需求由AI承担更多验证,人工负责抽检与异常升级。

更关键的是“AI测AI”的同源闭环问题:如果写代码、写用例和判质量均由Agent完成,测试通过可能只说明系统内部自洽,并不必然意味着结果正确。吕冬冬介绍,相关实践正在通过异源模型分工、固定评测集与黄金真值、差分及变异测试和人工校准等方式降低同源偏差,并坚持“依据证据而非结论”的门禁原则。他强调,未来质量团队的角色将从执行者转向质量规则制定者,在策略定义与最终准出上保留人的责任。

随着AI能力演进,吕冬冬指出,质量责任正在沿交付链路前移,从人工测试和工程自动化进一步走向AI与PDE协同。测试工程师的价值正从“做得快”转向“判断得准”,从执行者转变为规则制定者。

OPPO互联网的AI Native落地实践

OPPO产研提效产品负责人郝刚则分享了OPPO互联网业务在AI Native组织演进中的探索:从工具普及、个人提效,到组织提效,再进一步探索AI Native组织。

OPPO产研提效产品负责人 郝刚

在工具普及阶段,OPPO互联网业务将AI引入编程、测试、运营、审核、游戏和设计等日常工作,并通过AI README让项目代码和规范更容易被AI理解,同时逐步搭建研发数字人、模型广场、知识库,以及Skill和MCP中心等平台能力。

随着AI工具逐渐普及,OPPO也发现,个人效率提升并不意味着团队交付效率同步提高。为此,OPPO开始提高研发流程中AI能够参与和掌控的环节占比,并重点推进两件事:建设高质量知识库,以及打造能够持续演进的AI交付工作流,以扩大AI协同交付的覆盖范围,减少重复交接和等待。

在组织层面,OPPO先选择部分人员开展AI转型试验,再逐步推进业务流程重构、专业能力沉淀和平台底座建设。其CoMind智能体协同交付平台尝试组织需求、方案、研发与验证等环节的Agent协同,并在部分B端场景继续向发布链路延伸。郝刚同时指出,复杂C端及多端发布仍有较多人工参与,AI Native改造尚未完成。

对于如何走向AI Native,郝刚认为,需要自上而下与自下而上两条路径共同推进:管理者既要亲自上手,也要判断转型方向;员工则需要从超级个体走向协同的“蜂群”,让判断、执行和经验彼此连接,形成团队复利。

从研发提效到组织跃迁,从超级个体到臭鼬工厂,从人工验证到智能评测,本场沙龙五位嘉宾的分享指向同一判断:AI的价值不只取决于单点工具的提效幅度,更取决于组织能否把分散在个体身上的经验沉淀为可复用的团队资产,并进一步升级为面向组织的生产力基础设施。当模型能力逐渐成为通用基础能力,谁能率先完成知识、流程与协作方式的系统性重构,谁才更有可能把AI的技术红利转化为可持续的组织生产力。

左右滑动查看更多

欢迎加入【快手技术沙龙第6期交流群】

⬇️ 点击【阅读原文】,获取讲师PPT!

阅读原文

跳转微信打开

评审结果公示丨2026年度CCF-快手大模型探索者基金

2026年10月27日 19:08

快手技术 2026-10-27 19:08 北京

2026年CCF-快手大模型探索者基金已完成评审,现予以公示。

图片

10月27日,2026年CCF-快手大模型探索者基金完成评审,共18位学者获资助,现予以公示。

2026年,CCF与快手联合发布第三期"CCF-快手大模型探索者基金"(以下简称“快手大模型探索者基金”)。本年度基金项目延续聚焦于大模型技术基础研究与应用探索,加速技术成果产业化转化;同时致力于培养该领域科研与工程人才,通过为全球学者搭建产学研合作平台,促进学术界与工业界深度交流合作,助力科技进步与社会发展。

2026年度快手大模型探索者基金围绕"智能体(Agent)与自主进化"、"多模态大模型理解与生成"、"大模型安全与可信治理"、"大模型训练与推理优化"、"数据科学与实验科学"五大重点研究方向,于2026年9月2日至10月7日开放申请,共发布18项研究课题,收到来自海内外105所高校及科研单位的303份课题申报书。

基金项目组邀请了30余位专家组成评审委员会,从申请课题的研究意义、创新性和可行性、申请者(及团队)的学术水平和科研能力、快手业务与技术方向的匹配程度等维度对申报书进行综合评估。经过多轮严格评议,最终遴选出18位优秀学者,以下是本年度入选学者名单:

图片

恭喜以上入选学者!期待与各位在产学研深度合作中共同推动大模型技术的创新与发展!

【活动推荐】

跳转微信打开

如何从构建AI到驾驭AI?快手8场工程实践亮相QCon 2026

2026年10月21日 19:57

原创 快手技术 2026-10-21 19:57 北京

Harness AI 时代的工程实践!

图片

模型能力持续跃迁,企业的真实瓶颈正从模型本身转向系统工程:既要构建可靠的 Agent Runtime、多 Agent 协同机制与海量推理基础设施,也要让 AI 系统可观测、可评估、可治理,在性能、成本、安全与稳定性之间达成平衡。AI 需要与现有软件架构、研发体系及组织协作方式深度融合,才能真正转化为生产力。

在此背景下,QCon 全球软件开发大会·2026(上海站)将于 10 月 22 日–24 日举行。本届大会聚焦 Harness AI 时代的工程实践,围绕「构建 AI」到「驾驭 AI」的命题,汇聚全球技术社区与产业一线实践者,分享 AI Native 时代最具价值的工程经验。

立足 Harness AI 时代的工程实践,快手技术团队将携 9 位技术专家深度参与 QCon 2026·上海站多个专题与议题分享:内容覆盖 AI Native 架构演进、AIGC 内容工业化、智能运维、Data Agent、移动端稳定性、端云协同、电商导购 Loop、安全合规与广告素材修复等方向。快手将结合一线业务实践,系统呈现 AI 从“构建”走向“驾驭”过程中,在架构、效率、成本、稳定性与治理上的工程化探索。

以下为本次快手技术团队带来的分享简介:

【专题出品人】

专题:《AIGC 内容工业化》

出品人:鲜嘉麒|快手电商智能体技术负责人

专题时间:10 月 24 日 14:00-17:40

专题简介:

本专题将聚焦于 AIGC 技术在真实业务场景中的“工程化落地”与“价值转化”,共同探讨工业级 AIGC 基础设施与降本增效、AIGC 生产流的安全、合规与确定性治理、复杂业务场景下的 AIGC 流程编排与流水线、AIGC 工业化落地的量化评估与闭环演进以及端侧 AI 与多模态落地等核心议题。旨在为探索者拨开迷雾,拒绝纯理论的“纸上谈兵”,分享源于一线实践、经过大规模业务验证的落地方法论,帮助技术团队构建可落地、可参考的 AIGC 落地蓝图。

【专题演讲】

《AI 时代架构往哪走?——快手 AI 时代的架构演进思路》

演讲嘉宾:刘中兵|快手架构治理团队 & AI 架构演进负责人

演讲时间:10 月 23 日 10:25-11:10

演讲摘要:

AI 时代架构如何演进,已成为快手乃至行业的核心命题。随着 AI 应用爆发,Agent 烟囱化、Token 成本失控、ROI 难衡量、代码生成缺少规范等问题不断显现,传统“先建设后治理”的路径已难以为继,AI 原生架构演进成为公司级必答题。

为解决方向不清、共识不足、标准缺失和治理难规模化等挑战,我们联合各业务领域架构师,通过“发散研讨→收敛共识→规范制定→能力建设→业务落地”五步闭环,形成快手 AI 原生架构演进打法:守安全底线、通 Agent 能力、建 CLI 规范、推治理 AI 化,最终让 AI 用得通、稳、省、好、久。本次演讲将结合快手实践,分享 AI 架构演进从规划到落地的整体路径。

演讲大纲:

    • 行业趋势与认知:AI 把架构改成什么样子? 业界是怎么做的?

    • 公司现状与痛点:公司遇到了什么问题? 挑战在哪里?

    • AI 架构蓝图规划:AI 原生架构应该怎么建?AI 架构与传统架构的共生关系?

    • AI 架构如何演进:看到什么重点问题?用什么方案解决?

    • AI 架构如何落地:先做什么后做什么?各方如何共建?

《从接住警告到自我进化:快手智能运维助手实践》

演讲嘉宾:吴垚|快手 AgenticOps 研发负责人

演讲时间:10 月 23 日 11:20-12:05

演讲摘要:

运维并不缺数据和工具,真正的问题是事件处理链路割裂:告警、巡检、变更、应急发生后,仍依赖人跨平台拼接上下文、判断原因并推动处置。我们把运维事件做成一等公民,通过确定性 pipeline 预取上下文,再由 Agent 完成归因推理、方案生成和状态更新,将分散的数据、工具与流程串成可执行的处置链路。

同时,我们构建了运维 Agent 的持续进化闭环:从事件处理中沉淀经验,在同类场景中召回复用,并通过线上反馈、回归验证与可回滚机制持续迭代。目前该体系已在核心业务线的大盘巡检、告警初判和应急定位中落地。本次分享将介绍这套运维事件驱动的 Agent 架构及其持续进化路径。

演讲大纲:

    • 为什么工具都齐了,运维还是这么累

    • 事件驱动而非对话驱动:运维助手的架构内核

    • 领域经验怎么进助手:Skill 与记忆的双层沉淀

    • 运维助手的自进化

    • 总结与展望

《Data Agent - 快手大数据智能化探索之路》

演讲嘉宾:韩江|快手生产平台研发中心研发负责人

演讲时间:10 月 23 日 14:55-15:40

演讲摘要:

AI 时代,通过结合 AI 技术重构大数据生产、分析等场景的工作模式,使得数据生产、分析更高效、更智能,实现从“数据驱动”到“智能驱动”的转变。为此快手进行了众多的数据智能化(AI for Data)的建设探索,构建了专注于数据领域 & 兼顾通用场景的企业级 Agent —— Data  Agent,具备数据全链路智能化能力,包括找数取数、数据开发、归因报告、人群洞察、AB 分析、埋点分析等能力。建设过程中除面临 Mutil-Agent 协同、上下文管理、执行可靠性等通用问题,还面临知识规模大歧义多准确性难保障、数据安全要求高等数据领域特色问题。

演讲大纲:

    • 背景:快手大数据智能化发展历程

    • 实践:基于 Mutil-Agent + Skill 的整体框架

    • 实践:知识工程

    • 实践:效果评测

    • 实践:生产 & 分析场景落地应用

    • 总结与展望

《AI 时代的移动端稳定性保障 —— 柯南 AI Agent 实践》

演讲嘉宾:王泽锋|快手技术专家

演讲时间:10 月 23 日 14:55-15:40

演讲摘要:

AI Coding 正在提升软件研发的代码生产效率,但在真实复杂的工程环境中,研发瓶颈正从“写代码”转向稳定性分析、问题定位、风险治理、上线保障和经验沉淀等研发后链路。与此同时,鸿蒙生态和 KMP 等多平台技术栈的发展,让移动端研发进入 Android、iOS、HarmonyOS 并行的新阶段,也带来了跨语言运行时、多技术栈协同、复杂异常分析等新的稳定性挑战。

在这一背景下,快手移动端稳定性 Agent「柯南 AI」尝试让 AI 从代码辅助工具升级为参与稳定性治理的数字同事:通过 Agent Workflow、Context Engineering、Agent Harness 和 Agent 友好型工程基建,自动完成异常现场聚合、证据补齐、根因分析、处置建议、自动修复和知识沉淀等流程。本次分享将介绍 AI 如何在鸿蒙、KMP 等复杂工程场景中解决疑难稳定性问题,并探索 Agent First 的稳定性研发新范式与 AI 驱动研发体系演进方向。

演讲大纲:

    • AI 时代移动端稳定性保障面临的新挑战

    • AI 如何重构稳定性研发流程:Agent First 工作范式

    • AI 驱动复杂稳定性问题治理实践

    • 总结与展望

《端侧优先,云端兜底:端云协同调度在 B 端应用的工程实践》

演讲嘉宾:李东东|快手资深技术专家

演讲时间:10 月 24 日 09:30-10:15

演讲摘要:

B 端应用接入 AI 后,需要在云端推理的延迟、成本、合规风险与端侧推理的算力限制之间取得平衡。为此,我们构建了端云协同调度系统,通过“规则引擎短路→端侧推理→云端推理”的三层机制,结合任务复杂度、设备性能、网络质量等因素动态选择执行路径,并支持混合流水线和失败降级。

该系统已在 B 端桌面端落地,规则引擎覆盖 60% 以上高频场景,端侧推理延迟稳定在 100ms 以内。本次分享将介绍调度器设计、端侧模型选型、混合流水线实现,以及“端侧优先”下的工程取舍。

演讲大纲:

    • 为什么 B 端场景需要端云协同?

    • 端云协同调度器的设计

    • 端侧模型选型与性能优化

    • 落地效果与未来规划

《复杂业务 Agent 的持续进化:快手电商导购的 Harness Loop 实践》

演讲嘉宾:包磊|快手电商 AI 基座工程团队负责人

演讲时间:10 月 24 日 10:25-11:10

演讲摘要:

电商导购并非简单的问答或商品检索,而是一个横跨导购决策、搜索推荐、营销优惠、商品信息、交易履约与售后服务等多个业务域的复杂 Agent 场景。我们基于 Agent Loop 范式构建生产级导购助手,通过统一 Tool 协议、动态上下文管理、任务规划与多域工具编排,让模型能够理解用户隐含需求,并在复杂链路中完成信息查询、商品筛选、优惠计算与服务决策。实践中重点解决了工具数量膨胀、跨域信息冲突、链路超时、错误传播及模型与 Harness 问题难以区分等挑战,并通过轨迹观测、评测回归和策略治理持续优化效果。实践表明,复杂业务 Agent 落地的关键,不只是模型能力,而是构建一套可编排、可观测、可评测、可持续迭代的 Harness 工程体系。

演讲大纲:

    • 问题背景:复杂导购 Agent 为什么不能只靠一次性优化

    • 基础建设:让每一次线上执行都可观测、可回放

    • 线上轨迹:从海量执行中识别真正的问题

    • Bad Case 归因:判断问题到底出在哪里

    • 策略变更:从失败原因生成可执行的优化方案

    • 回归评测:证明优化不是只修复了一个 Case

    • 灰度上线:让每次变更安全进入真实业务

    • 实施效果与核心结论

《Agent 规模化上线,安全底线怎么守:快手 Agent 安全实践》

演讲嘉宾:曹一凡|快手安全专家

演讲时间:10 月 24 日 14:55-15:40

演讲摘要:

AI 基模能力增强,harness 工程日渐完善,AI Agent 产品呈现爆发式增长。相较于传统产品,AI Agent 具备自主规划的能力,加之各类 tools 极大丰富了 AI Agent 能力边界,对其安全保障也面临新的挑战。

本次分享会结合快手内部 AI Agent 产品形态,介绍快手安全对 AI Agent 产品进行的安全保障实践。主要分享 AI Agent 产品所面临的安全风险,应对安全风险探索的安全保障方案全貌,重点会介绍安全护栏能力、安全沙箱、身份权限问题的解法,还会介绍 AI 建站的安全管控。

演讲大纲:

    • AI Agent 产品形态及安全风险

    • AI Agent 安全保障体系

    • 痛点问题及应对

    • AI 建站安全管控

《生成即合规:Agentic AIGC 驱动的广告素材修复实践》

演讲嘉宾:袁瑗|快手磁力引擎安全与生态算法专家

演讲时间:10 月 24 日 14:55-15:40

演讲摘要:

AIGC 快速发展大幅降低广告内容生产门槛,也对合规治理带来新挑战。传统“审核反馈 + 手工修复”链路冗长、通过率低,商家为规避风险常主动弱化表达,导致合规与营销难以兼容。

为此,我们构建了基于 Agentic AIGC 的素材修复架构:将审核结论解构为结构化任务,通过对文字、图像、视频的局部精准编辑与片段生成/替换消除风险、保留素材价值,并借助多目标强化学习在合规与营销吸引力之间动态求解。本次演讲将围绕风险理解、编辑与生成协同、多目标优化等技术实践展开,探讨合规与营销的对抗、千万级素材吞吐下的质量与成本权衡,帮助企业构建安全与增长兼得的柔性内容治理能力,助力商家实现长期经营增长。

演讲大纲:

    • AIGC 时代下的广告素材合规难题

    • 把 AIGC 塞进修复链路,为什么没那么简单?

    • Agentic AIGC 修复架构:理解、决策、生成的协同

    • 未来展望:生成即合规

【活动推荐】

👇 点击【阅读原文】,查看会议详情!

阅读原文

跳转微信打开

从工程师到全员,从个体到组织:快手企业AI生产力实践

2026年10月20日 20:31

原创 快手技术 2026-10-20 20:31 北京

文末领取PPT!

图片
在 QECon 全球软件质量&效能大会上,快手科技副总裁、快手企业AI生产力负责人王诩在主论坛带来了《快手企业 AI 生产力:从研发提效到组织跃迁》主题分享,回顾快手过去两年用 AI 重构研发效能、推进"全民 AI",并进一步走向企业 AI 生产力(iWork)的实践路径。
从研发流程中的 AI 工具,到面向全员的通用 Agent,再到团队级知识库、多 Agent 协作链和企业语义框架,快手的核心判断是:AI 提效不能只停留在个体层面,真正的生产力跃迁来自组织协同。
王诩表示:"研发效能从来不是个体的事情,是各个协作部门和组织一起发力的结果。因为系统有很多模块,它一定会被最慢的那个模块限制。"这也是快手成立企业 AI 生产力(iWork)的初衷。

【演讲视频回顾】

以下内容整理自现场演讲,在保留原意的基础上略有删减。

研发效能从来不是一个孤立的话题:它和产品、设计、质量、行政、HR 等上下游群体紧密关联。2025 年初,我们把各条线的 CTO 聚在一起形成"CTO 效能"机制,以两周一次的频次密集探讨 AI 如何赋能研发效能,并形成了"三位一体"的策略:先有人持续做实践,再把实践中沉淀出来的先进能力固化,最后从组织自上而下推动转型。

快手科技副总裁、快手企业AI生产力负责人王诩

这条路径已经走完了三个阶段,我们刚刚开启第四阶段的探索。

一、阶段1:AI x 工程师——把 AI 嵌进研发流程

2025 年全年到 2026 年 Q1,快手整体遵从经典的研发链路——从产品需求提出、拆解、设计、架构、编码、测试到运维——尝试在每个环节用 AI 工具做提升。

在实验中,团队发现个体差异巨大,于是我们总结出L1、L2、L3的分类:

  • L1:把代码片段贴给 AI,让它改完再拿回来嵌入代码库——经典的"片段级"用法;

  • L2:以任务级粒度交给 AI,比如定义一张数据库表、给出完整语句——任务级;

  • L3:把 PRD 或 Spec 直接丢给 AI,引导它完成自主的全链路开发(SDD 方式)。2025 年下半年到 2026 年 Q1 的时候,我们已经看到很多内部同学已经这样做了。

我们没有把 L3 当作群体要求(当时基模和 Harness 能力还不够好)。于是,我们以L2 覆盖度作为度量指标,目标 2026 年底达到 80%。工具侧则用 Coding IDE、需求与 CR 管理、重度编码助手等产品串联各环节,把 AI 能力嵌进原有流程。

二、阶段2:AI x 所有员工——让 AI 从工程师走向所有员工

2026 年 Q2,当红的通用智能体产品"小龙虾"让团队意识到:门槛更低的通用智能体,才是更大的机会。快手把原来的 Coding Agent(CodeFlicker)转型封装成通用智能体(MyFlicker),插入大量领域知识和 Skill,服务的不再只是技术人员——HR 用它做招聘和人岗匹配,行政同学用它把全量服务透明化(订餐、班车、理发),普通员工也能直接享受 AI 化的服务。

面对“全民 AI”的浪潮,我们审慎地做了很多测算,这个阶段最关键的机制创新是我们提出了一套Token 积分体系。公司给员工发放积分,员工可在通用智能体上选择不同模型消费(每个模型有不同积分倍率),自行安排用度。这套体系有两个目标:一是让大家优先选择品质高的产品,二是规避重复建设——接入积分体系后,你的 AI 产品有没有人真正在用、消耗多少 Token,一目了然,相当于"用脚投票"。

数据验证了方向:MyFlicker 从去年年底的技术群体专属工具,到 Q2 “全民 AI”阶段爆发式增长。在推进全面 AI 的过程中,我们通过多场大型活动,帮助快手员工提升 AI 认知与实践技能。以下分享三个“全民 AI”的典型案例。这些活动分别对应了三类目标:降低 AI 使用门槛、提升全员 AI 技巧、验证非技术人群构建工具的可能性。

  • AI 蹭饭研判官——从工具到伙伴,能聊天、能干活 

“全民 AI”最热闹的一次实践,是快手内部做的一场“免费午餐”活动。规则很简单:每天提供一批免费午餐名额,但你得先说服 Agent 请你吃饭。对话轮次越短,拿到午餐的概率越高;每天取前一两百名,持续一周。在相对轻量的投入下,这场活动吸引了五六千名员工参与。

对快手来说,这场活动既验证了员工参与 AI 的热情,也提前暴露了 AI 产品走向真实场景时绕不开的问题:权限边界、对抗式提示、防 hack 机制,都必须成为产品设计的一部分。

  • 司庆 AI 贪吃蛇大赛——用好AI需要提升个人认知和技巧,从各业务线 PK → 全员PK → 新人必会

“全民 AI”的另一个高光时刻,是快手司庆期间的一场“AI 贪吃蛇大赛”。规则并不复杂:官方提供贪吃蛇 PK 平台和公共接口,各业务线组队,用 Vibe Coding 构建自己的贪吃蛇程序,先在内部研究策略、相互对抗,再把最强版本带到决赛现场公开 PK。

结果很有意思,前三名里有一个来自非技术团队,财务拿到了第三名。AI 把编码门槛降下来之后,决定胜负的不再只是“会不会写代码”,还有策略设计、问题理解和快速迭代能力。

因为参与度很高,这场比赛后来被转化为校招培养项目。新同学入职后,也会在使用 AI 工具的过程中参与类似比赛。更让团队惊喜的是,很多校招生做出的贪吃蛇,已经能够轻松打败公司里各领域专家构建的版本。

这背后传递出的信号很明确:在 AI 工具足够成熟的场景里,经验优势会被重新定义。谁更会使用 AI、更能快速试错和迭代,谁就可能做出更好的结果。

  • PDE 集结令:全员用 AI 完成日常工作 

我们还做过一次更接近“能力转型”的实验:让非技术同学也成为 PDE(Product Design Engineer)。随着 AI 工具的发展,国内外不少公司都开始关注这类岗位,快手内部也在讨论:这种能力结构,是否会成为未来组织里的新常态?

于是,我们设计了一场活动:以一位日常工作繁忙的运营同学为原型,邀请大家为他构建 AI 工具,让他的工作变得更简单。活动面向非技术人群开放,既是一次 AI 工具使用训练,也是一场真实业务场景下的工具共创。最终,内部提交了 4000 多个作品。某种程度上,最先被“提效”的不是运营同学,而是评审团队——因为光是判卷就已经成了一项巨大工程。

这场实验说明,AI 带来的不只是效率提升,也在重新划分组织里的能力边界:过去只有工程师能做的工具,现在更多业务同学也可以参与构建;而真正优秀的作品,还有机会沉淀为公司内部可推广的 AI 工具。

三、从个体提效到组织转型:AI 生产力的认知升级

但真正的转折点,并不是大家都开始用 AI,而是快手意识到:个体提效并不会自动带来组织提效。“全民 AI”的热潮之后,我们在 H1 做了一次冷静复盘。好消息是,AI 的使用已经被快速拉起来,认知初始化基本完成,内部也沉淀了大量 Skill。

但问题也随之暴露。

1、Skill 良莠不齐,存在"Token 黑洞":Skill 数量不是关键指标,有同学写的一个 Skill 能消耗掉几千积分。AI 应用一旦规模化,成本、效率和治理都会变成真实问题。

2、个体的提效并没有带来端到端的效率提升:AI 能力在变强,但 Token 消耗大、成本对不齐;更核心的是,个体提效受限于原有工作流——PRD 以前写好几天、现在半天搞定,如果研发、设计、测试等协作链条没有同步变化,整体交付速度依然不会明显提升。

3、个体差异巨大:高手一两句话就能产出很好的东西,很多同学还在反复调教和试错阶段。如何把优秀实践变成公共知识和公共能力,是当时最棘手的问题。对组织来说,真正要解决的问题变成了:如何把高手经验沉淀为团队能力,把个体技巧变成公共资产。

这也是快手后来从“全民 AI”走向“组织级 AI 生产力”的关键转折点。

在年中复盘时,我们把问题进一步抽象成了一张“个体提效 × 组织提效”的坐标图。核心判断是如果组织层面不发生变化,个体提效的天花板依然很低。

只有组织设计、个体能力跟不上,机制落不了地;只有一批“超级个体”,彼此之间没有连接和协作,也只是一个个效率孤岛。真正有价值的路径,是让个体能力和组织能力同步提升。

快手由此把 AI 生产力的演进拆成几步:先完成冷启动,让员工愿意用、开始用;再把少数高手的使用经验沉淀为团队基线;进一步,把团队里的公共知识、业务资产和协作规则沉淀下来,让 Agent 可以快速消费;最终,让 Agent 在具备优秀实践和完整上下文后,成为独立工作单元,进入人与 Agent、Agent 与 Agent 的协作链。

这意味着,AI 的下一阶段不再只是“每个人更会用”,而是组织能否形成可沉淀、可复用、可协作的 AI 生产力。

四、阶段3:AI x 团队——让 Agent 进入团队协作链

Q3,我们把 AI 提效的重心从“个体”推进到“团队”。核心做法有两件事:

一是知识库建设。与业务共建并沉淀过往项目、代码和核心工作流,让 Agent 能直接消费团队上下文,放进公共基建平台。团队新成员一进来就有起点,过往项目、代码对 AI 透明可见。

二是把公共知识和 Skill 封装成能独立工作的 Agent,并让多个 Agent 形成协作链。基于开源项目构建了一个超级 Agent 做全局协调:产品经理、设计师、全栈开发等子 Agent 注册进 pipeline,需求输入后7×24 小时日不落迭代;同时设了安全闸门,遇到质量、权限、幻觉问题会唤醒人来介入。也正是在这一阶段,Agent 从“个人助手”进一步走向了“团队工作单元”。

从 4 月至今,累计完成 2000 多个任务,AI 一次任务率(一次完成且通过独立验收)超过 60%,80% 的任务两次内完成(一次 AI + 一次人工校准),这个指标还在持续改进。

在非技术场景中,内容运营团队已经基于这套体系搭建了运营专属工作台。快手把运营同学的高频工作流 Skill 和相关知识库集成到 Flicker 背后,让他们可以直接完成热点拆解、内容分析等任务。目前,这一工作台已经沉淀为标准产品,并在内容运营线推广使用。这也说明,AI 的价值正在从“个人助手”走向“团队专属生产力工具”。 

五、阶段4:AI x 组织——从分散实践走向企业 AI 生产力(iWork)

9 月,我们成立了企业 AI 生产力(iWork)组织,开始把分散在各团队里的 AI 实践,推进为公司级能力建设。

在前一阶段的探索中,越来越多优秀实践不断涌现,但也暴露出新的挑战:这些经验如何变成公司标准?如果每个团队都基于自己的业务出口和数据各自构建 AI 应用,短期看能快速解决问题,长期却容易造成重复建设、上下文割裂和安全风险。

因此,快手将企业内部通信平台、在线文档协同、通用 Agent 以及内部信息系统能力整合在一起。其核心思路有两个:

  • 一个强大的通用 Agent:具备更强推理能力,同时做到安全、受控、可监测,并持续提升员工个体效率;

  • 统一的企业语义框架:把文档、数据、代码、流程状态、会议记录等分散信息组织成可被 Agent 理解和调用的上下文。

这样一来,Agent 不再只是在单点系统里完成任务,而是能够看见更完整的企业上下文;底层信息系统也会逐步开放可调用接口,让 AI 真正进入业务流程。基于这套能力,快手将继续以 FDE(Forward Deployed Engineer)的方式向业务赋能,内容运营、内容理解、安全、直播等场景都会是下一阶段重点探索方向。

这背后的判断是:研发效能从来不是个体问题,而是组织协同问题。一个系统的效率,最终会被最慢的模块限制。企业 AI 生产力(iWork)要解决的,正是如何让 AI 从个人工具,变成组织级生产系统。

如果希望进一步了解快手企业 AI 生产力(iWork)的技术实践,欢迎关注 10 月 31 日快手技术沙龙第 6 期。届时,我们将带来更完整的架构拆解与案例分享!

【欢迎报名】

👇 点击【阅读原文】,获取演讲 PPT!

阅读原文

跳转微信打开

从快手iWork实践出发:5场分享共探企业AI生产力规模化之路

2026年10月19日 19:37

快手技术 2026-10-19 19:37 北京

参与文末互动,送「快手联名充电宝」!

图片

当 AI 从“会写代码”走向“能交付需求”,企业研发体系正在进入一个新的拐点。真正的 AI 生产力,不再只是让个人更快完成某个任务,而是深入需求、研发、测试、交付与业务运营的完整链路,重构团队协作方式,推动业务工作流从“人驱动工具”逐步走向“人与智能体协同”。

快手技术沙龙第 6 期将聚焦「从研发效能走向企业 AI 生产力」,结合快手企业 AI 生产力(iWork)建设实践与真实业务场景,探讨 AI 如何从辅助编码扩展到组织级端到端交付,如何重塑需求交付链路,并进一步沉淀为可复用、可协同、可持续进化的生产力基础设施。演讲嘉宾们也将围绕企业级 AI 落地中的工程体系、组织协同、质量保障与规模化推广等关键问题,分享一线实践与方法思考。

【活动报名】

01

《快手企业 AI 生产力:从研发提效到组织跃迁》

  • 分享人:沈浪|快手企业智能体建设负责人、企业 AI 生产力专家

  • 议题概要:

    本议题将从企业全局视角,系统介绍快手 AI-Native 组织转型的实践路径。围绕 2025—2026 年快手 AI 提效范式变化,重点梳理从“AI x 研发效能”到“企业 AI 生产力”的升级过程,包括: 

    • AI实践:如何从技术人员扩展到全员与组织

    • AI基建:如何从 CodeAgent 演进为通用 Agent,并持续扩展各垂直领域的AI能力与企业上下文。

    • AI政策:如何从分摊制升级为 Token 积分制。

通过快手真实实践,呈现万人级企业推进 AI 组织转型的方法、经验与未来判断。

02

《基于第一性原理:企业级智能体工程化落地路径》

  • 分享人:朱少民 |《软件工程 3.0》作者、同济大学特聘教授

  • 议题概要:

    在“从研发效能到企业 AI 生产力”的主题下,大模型能力迭代很快,但不少企业发现:Demo 惊艳、上线艰难,AI 提效停留在个人和局部,难以沉淀为组织级生产力。一线实践也表明,单纯堆工具、追模型,并不能自动跨越从原型到生产系统的鸿沟。本次分享将回到第一性原理,提出“规约工程—驾驭工程—质量门禁”三部曲,探讨企业 AI 生产力如何从工程体系中真正生长出来。

03

《从 OPC 到臭鼬工厂:AI 提效的规模化增长之路》

  • 分享人:王东旭|快手磁力引擎风控技术负责人

  • 议题概要:

    技术团队面对「需求碎、链路长、服务对象在一线」的交付困境,在千人规模研发部门做到交付效率 Top1 的前提下,仍会撞到新的天花板——瓶颈不在写代码慢,而在跨职能的等待与协调。为此,团队组建「臭鼬工厂」(10 人以内、产运研算测五职能、零汇报线、物理同坐、厂长单点负责)+ PDE(产运自己交付需求)模式,用「消除 > 简化 > 加速」的思路从组织设计上消灭协调,重新获得效率提升的第二增长曲线,并成为快手公司级 AI 样板间。

04

《OPPO 互联网 AI Native 落地实践》

  • 分享人:郝刚 | OPPO 产研提效产品负责人

  • 议题概要:

    OPPO 互联网业务体量大、迭代快、链路长,单靠个人用 AI 辅助编码,难以提升组织效率:需求传递信息损耗、上下文碎片化、验证成本上升、智能体输出难以控制,都是规模化落地中的真实瓶颈。OPPO 互联网确立了知识驱动与工作流驱动并重的路径:智源知识库承载规则与经验,CoMind 平台承载智能体协同与交付,按流程重构、能力沉淀、平台底座三层推进。团队先在特战队中基于真实需求验证,再向组织全量复制;人工负责判断与验收,智能体承担可重复环节,并以人工门禁与评测闭环保障质量。目前,特战队场景已取得可量化成效,AI 需求协同占比与智能体一次通过率持续提升。本次分享将覆盖实现路径、机制与阶段成果,为同类互联网组织的 AI Native 落地提供可借鉴参考。

05

《从人工验证到智能评测:AI 规模化应用中的质量保障实践》

  • 分享人:吕冬冬 |快手磁力引擎风控质量负责人

  • 议题概要:

    当研发单兵借助 AI 把交付速度抬高一个量级,质量工程师必须重新回答:Agent 深度介入软件生命周期后,质量交付权应当如何重新分配?质量保障体系又应该如何搭建?本次分享将围绕四条线索展开:一是质量人力投入结构的实测拆解,量化 AI 介入前后产能边界与能力模型迁移;二是职能边界模糊化背景下的需求测试分级与风险挖掘机制;三是 Agentic AI Testing 的整体架构;四是工程化落地难题——当被测对象不确定、测试工具自身置信度不足时,“AI 测 AI”的判定如何成立。最后,分享还将给出短期链路升级、中期人机协同、长期 Agentic SDLC 的三阶段演进判断。

【预约直播】

「参与互动,赢取好礼」

报名活动并在评论区留下你对这场沙龙的期待和建议,我们将抽取一位幸运朋友,赠送一份「快手联名充电宝」!

活动截止时间:2026 年 10 月 29 日 17:00

👇 点击【阅读原文】,免费报名!

阅读原文

跳转微信打开

❌