AI 中台的构建和智能体调优实践

AI 是长在业务里的，不是挂在旁边的插件

作为一家每天用 AI 处理大量客户预算的广告企业，我今天想分享的是，智能体如何真正接管一条完整的广告业务链路。它不只是一个聊天窗口，而是可协作、可进化的。

这张图主要说明一件事：AI 是长在业务里的，不是挂在旁边的插件。最上层大家可以看到 Cyberklick、Yeahmobi、GridAds、zMaticoo 各自跑着自己的 Agent；中间层是统一的 AI 中台和数据中台，业务产生的数据沉淀进数据中台，再由 AI 中台进行分析，指导业务下一步的动作；底层由智能化多云管理平台支持。

在数据沉淀方面，大家可以看右边：日活 Agent 100 多个，MCP 130 多个，Skill 1500 多个，二季度 Token 环比增长 3 倍多。这是实际业务场景里沉淀下来的生产用量，我们把它称作广告投放领域的 Agent 黑灯工厂，7×24 小时在转。

广告业务典型痛点驱动智能体深度介入

Agent 能帮助我们解决广告业务典型的四个痛点：投放链路长，Agent 接入多，异常靠经验，创意需要适配很多平台。

怎样评估它的价值？

我们只确定一件事：能不能按照流程调用能力，把任务做完，再把结果交回来。到了涉及核心配置的节点，它知不知道停下来让人判断？

发展路径我们分四步：工具化、Agent 化、协同化和自主化。具有共性的模型、工具、Skill、观测，不能每条业务线都建一套底座，我们要怎么建设？这会在第四部分展开来说。

GridAds 智投引擎：从单点Agent到跨线协同

我们重点看 GridAds 智投引擎这个案例。GridAds 负责我们中长尾广告这一核心场景，上面六步抽象为一次广告投放链路：竞品调研、渠道接洽、投放配置、实施监控、策略调优、结算对账，最终进行结果回流。在哪一环错过了窗口，烧的都是真金白银。

我们按照广告链路去拆解，哪一部分给 Agent，哪些环节需要人来确认，再串成一个闭环。整体由 AI 驱动业务，人工为辅。例如，渠道在技术层聚合好了，Agent 按客户需求去匹配组合；客户进了 Agent 的群，日报、周报、待办、问题响应可以自动触达，但对外出口我们依然需要人工审核。模型出现的幻觉还不能直接触及客户。上面那条路径，就是从单点 Agent 走到内部联动，再走到多 Agent 协作，达到客户和我们的广告系统实时联动。

联动成什么样？

分三个层级。实践过程中，其实一层比一层困难。客户侧运营的内部测单分析、待办在角色里串起来，不需要人过多干预；媒介侧运营的内部配置、监控、调优，同样在自己的角色里闭环。这两类解决的是这个岗位能不能自己跑通。最难的是跨业务线，客户侧与媒介侧的智能体相互协作，将投放全流程接管，必要时再由人工审批。

大家可以看右侧的图。在闭环实景里，Agent 在跑；素材确认、策略拍板、结算复核、核心配置相关的地方，我们还是需要人来点头。结果再回流到下一轮。所以还是那句话：Agent 跑流程，人来守关口。关口也不会一直那么密，下一页就会讲关口怎么越做越少。

三层结构和八个步骤相呼应：认知层把问题看清楚，构建层把解法做成流程并预置下来，运营层让能力在生产里活下来。其中最关键的是 Skill 化，把老师傅的经验判断拆成有输入、有步骤、有标准的能力，把每一次误报都收回规则和评测，下一轮就会更准，经验会持续累积下来。

方法一跑通，业务侧最先看到的是速度和效率。我们的异常诊断从小时级到分钟级。但是我们更在意后面的三件事：每一步能回溯，新人来了可以直接调用 Skill，智能体可以为我们的客户带来服务。所以收益不只是效率提升，而是我们的托管从说不清变成可以验证的服务。

统一AI中台：避免重复投入的必然选择

讲到这儿，大家很容易以为这是 GridAds 一条线的事，其实不是。整合营销需要把全流程贯穿，程序化需要把监测、分析、对账串起来，数字化广告要从测单走到对账，三条线都需要将智能体与管理体系结合起来。如果各建一套，明天就是几倍的重复投入。所以我们的答案不是再招一队人马，而是把它收成统一的 AI 中台。

GridAds 跑通以后，我们没有给每条线重造一遍，而是将共性能力收进了易点天下 AI 中台。大家可以看下图，五层中台能力都和我们的业务绑得很紧。

最底下的模型层，负责多模型的接入、路由走的是 AI Hub。比如异动诊断，我们走推理更强的模型；日报摘要，我们就走更便宜的模型。按照复杂程度自主切换，不用人工操作。

再看能力层，是我们的工具库，我们的 Skill、MCP、知识库这些工具都在这里放着。像投放策略的 Skill、渠道接口收成 MCP，业务流程里真正干活的工具都在这一层。

再看 Agent 层，意图来了，先判断这是调参还是对账，再交给对应的 Agent 去执行，不是所有任务都塞给同一个助手。

再看协同层，多 Agent 要编排协作，遇到关键节点需要人确认。策略拍板、结算复核，就是这一层需要的人工确认。

最上面的观测与安全层，我们采用了阿里云的 AgentLoop，负责链路的观测和评估。安全和策略则由我们的 AdClaw 兜着。这些过程中，阿里云的能力也在持续帮我们的中台进化。

此外，AgentCore 通过核心能力助力我们构建和治理业务流程；AgentLoop 同样依靠运行时的观测，对 Agent 进行评估和优化，帮助我们的 Agent 真正进入生产，并且看得见、评得了、改得动。

观测与调优：构建“看得见、评得了、改得动”的飞轮

上一页说的“看得见”，对客户其实就是一句话：预算交到你手里，就是要随时看清楚钱和效果跑到哪，每一步怎么走，而不是等事后的一张报表。AgentLoop 做的其实就是把这个黑盒打开，把推理、工具调用、记忆、子 Agent 轨迹接进来，每次调用的输入、输出、耗时都能跟得上。如果发散了、失败了，问题出在哪一步，能在图上定位。

上方这张图就是生产环境 Agent 的总览。但是看见它不是终点，底下三个环节才是飞轮：先留痕，再定义好坏，最后回灌到生产。转起来之后，智能体才会越用越准。所以下一页我们先把留痕讲清楚。

先把每一步留下痕，才谈得上信任。出了问题，我们就有迹可循。上面的三张卡片讲的是留痕的过程。左边这张，数据先进来，Trace、日志、数据集，能接多少进多少。再看，如果要看多深，那取决于埋点做得完不完整。中间这张，轨迹要结构化，我们的任务、工具调用走了哪条 Agent 轨迹，放在一起看。底下左边这张就是标准化之后的执行轨迹。

右边是审计审批，依然走 AdClaw 业务流程和 AgentLoop，把运行轨迹和人的角色放在一起。底下中间这张就是会话级的审计事件流。所以从 GridAds 的实例看，阈值判定和调参有 Trace 审计，可编排，结果可回放。下一页我们会关注这些轨迹怎么定义好坏。

轨迹有了，还得定义什么叫好，否则这个 Agent 看似很忙，但并不是真正的成功。上面的三张卡片，就是从有数据到能回灌的三步。左边这张是评测资产化，历史轨迹沉淀成 Golden Set 和 Bad Case。AI 评估器再结合业务规则来打分。中间两张截图就是生产里的评估任务和预制评估器，得分怎么分布，一眼就能看出是否有偏差。

中间的是回归评测当门禁，Skill、Prompt、模型版本每变一版，先过这道关口，过不了我们不让它发布。再看右边，持续优化。如果要改 Prompt、更新 Skill、调整模型路由和阈值，必须人确认后再回灌。智能体再能干，也不能让它自己去做决定。

右下角的四条是我们真正盯闭环的指标：诊断准不准？定位要走几步？误报多不多？Token 有没有花亏？

多智能体协作：技术收口与底座稳态

这里是阿里云 AgentCore 助力我们各业务线协作的场景：模型、Skill、MCP、Agent Team，再加上凭证和权限。谁能调、调什么、以什么身份调，AgentCore 都会作为底层参与，帮助我们完成技术收口。前面讲的 AgentLoop 是跑在 AgentCore 上面的。运行看得见，评估、诊断，人工确认后再改 Skill，底座稳了，飞轮才能转起来。

JOTO 企业落地观察

• 对企业部署意味着，AI中台不能仅作为能力容器，而必须与业务流程强耦合。易点天下将AI中台嵌入广告投放六步闭环，说明企业部署需从「模型可用」转向「流程可接管」，中台的价值体现在能否支撑真实业务链路的端到端自动化，而非孤立功能演示。
• 这类系统的取舍在于人工关口的动态收敛机制。文中强调「Agent跑流程，人来守关口」并持续减少关口密度，表明企业智能体工程的核心挑战不是完全替代人，而是建立可度量、可审计、可回滚的人机协作边界——这要求观测层必须覆盖全链路轨迹，且评估标准须由业务规则与AI打分共同定义。
• 对RAG知识工程而言，Skill化本质是结构化经验沉淀。将老师傅判断拆解为有输入、有步骤、有标准的能力，并将误报持续回收至规则与评测，说明企业知识复用不能依赖非结构化文档或向量检索，而需构建可执行、可验证、可迭代的原子能力单元，形成闭环的知识进化路径。
• AI安全治理在此实践中体现为双轨制：AdClaw负责业务流程合规与权限控制，AgentLoop负责运行时行为可观测。这提示企业不应将安全视为附加模块，而需在架构设计初期就将审计审批、阈值判定、结果回放等能力内嵌于协同层与观测层，确保每个关键决策点均有留痕与回溯依据。