标签归档:AI

AI Agent Harmony: Composing The Future Of AI Collaboration

转载一下Forbes的文章

https://www.forbes.com/councils/forbestechcouncil/2025/02/07/ai-agent-harmony-composing-the-future-of-ai-collaboration/

Daniel Knauf is the Chief Technology Officer, Americas at Merkle.

getty

We are at a turning point in artificial intelligence. While single-function chatbots once sufficed, today’s landscape is dominated by specialized AI agents that can manage travel, process payments or even draft proposals. However, as more brands launch their own AI agents, customers face an overwhelming maze of interfaces and interactions, threatening the very purpose of AI: to simplify lives.

The solution lies in agent-to-agent orchestration, a paradigm where AI agents communicate and collaborate to address complex needs. This approach offers a unified, streamlined experience, eliminating the need for users to manage multiple systems.

The Next Step: Agent-To-Agent Orchestration

Agent orchestration allows personal agents to collaborate with others, even across brands and ecosystems. Instead of managing multiple tools, users interact with a single “conductor” agent, which delegates tasks to specialized agents in the background. This creates a seamless, integrated experience that transforms complex ecosystems into unified workflows.

By enabling agents to interact and share capabilities, organizations can offer efficient and consistent experiences, restoring simplicity and enhancing customer satisfaction.

Scaling Human-Like Intelligence

AI agents must replicate the nuanced decision making of human representatives who blend intuition, domain expertise and guided procedures. Agent orchestration achieves this by dynamically coordinating tasks using a modular architecture. Each specialized service, such as payment processing or troubleshooting, operates as a microservice, while the orchestration layer connects these services logically to resolve complex issues.

This orchestration layer mimics human adaptability, ensuring that AI systems not only automate repetitive tasks but also navigate intricate workflows, addressing user demands without frequent human intervention.

Broadcasting Capabilities: Agent Directories

For agents to collaborate effectively, they must understand each other’s capabilities. Future ecosystems will feature standardized directories that list agent functionalities, required inputs and outputs. These directories allow agents to identify the best collaborators for specific tasks.

By exposing capabilities in machine-readable formats, organizations maintain control while enabling authorized agents to negotiate and delegate. This turns isolated services into interconnected networks of expertise, reducing complexity and enhancing flexibility.

Transforming Customer Experience

Agent orchestration revolutionizes the customer experience. Instead of juggling multiple chatbots or apps, users issue a single, natural language request (a prompt). Their personal agent consults capability directories, identifies appropriate agents and oversees task completion. This unified approach simplifies interactions, saving time and effort.

Brands adopting this model gain a competitive edge by becoming synonymous with efficiency and reliability. Over time, public directories could lead to “Agent Stores,” where brands list agent capabilities for broader collaboration. For instance, an airline’s agent might coordinate with hotel and rideshare agents to deliver a seamless travel experience.

Orchestration also redefines personalization. Beyond remembering purchase histories, advanced systems tailor entire processes to individual needs, proactively assembling agents to meet evolving demands. This creates a level of support that feels intuitive and proactive, driving loyalty and trust.

Proposed Architecture For Orchestration

• User Interaction Layer: A single interface where users submit requests, leaving the complexity to the orchestration system.

• Orchestration Layer: Interprets user intent, consults directories, applies rules and coordinates agents.

• Capability Directory: A registry of agent functionalities, ensuring seamless collaboration.

• Context/Policy Engine: Stores user data, enforces privacy and shapes outcomes based on policies.

• Interoperability Layer: Ensures agents adhere to consistent protocols for compatibility.

• Specialized Agents: Execute domain-specific tasks assigned by the orchestrator.

• Response Aggregation: Combines results into a unified response for the user.

This architecture transforms today’s fragmented systems into integrated solutions, offering simplicity and efficiency.

Preparing For Agent Orchestration

To prepare for agent orchestration, organizations must focus on laying a strong foundation for modularity, integration and interoperability. The first step is to ensure that existing systems and services are modular, with clearly defined inputs, outputs and dependencies. This modular architecture is essential for creating an ecosystem where agents can seamlessly collaborate. Organizations should also begin cataloging the capabilities of their AI agents and microservices in structured directories. These directories should include metadata and access policies, enabling agents to quickly identify and collaborate with the appropriate partners.

In addition to building modular systems and directories, organizations must address interoperability by adopting standardized communication protocols. This ensures that agents across different brands or ecosystems can integrate easily without requiring custom configurations. By focusing on these foundational elements, businesses can position themselves to fully embrace agent-to-agent orchestration and deliver a better customer experience.

Roadblocks To Watch For

While the benefits of agent orchestration are compelling, organizations must address several challenges to unlock its potential. One significant hurdle is ensuring data privacy and compliance. As agents collaborate, they must operate within strict boundaries, accessing only authorized information. Strong governance frameworks and policy enforcement are critical to mitigate risks and maintain trust.

Another challenge is overcoming interoperability gaps. Many organizations operate in siloed environments where systems are not designed to work together. This lack of compatibility can hinder the seamless integration needed for orchestration. Finally, businesses should prepare for the upfront investment required to build orchestration frameworks, including infrastructure upgrades, capability directories and standardized APIs. These efforts, while resource-intensive, will be instrumental in driving long-term success.

The Path Forward

Agent orchestration is the next evolution in AI. By turning complexity into a competitive advantage, it allows organizations to meet customer demands with precision and agility. Users no longer need to navigate tools or interfaces—they can focus on goals, trusting the AI ecosystem to handle the details.

This vision ultimately leads us to “agent harmony,” representing a future where AI agents collaborate dynamically to deliver intuitive and effective results. It is a shift from managing tools to managing outcomes, with technology acting as an invisible helper. As organizations embrace this model, they pave the way for AI systems that are not only efficient but also deeply fulfilling for users.

Daniel Knauf 是 Merkle 美洲区首席技术官。


我们正处于人工智能的转折点。虽然单一功能的聊天机器人曾经足够了,但如今的市场主要由专门的人工智能代理主导,它们可以管理旅行、处理付款甚至起草提案。然而,随着越来越多的品牌推出自己的人工智能代理,客户面临着令人眼花缭乱的界面和交互,威胁到人工智能的真正目的:简化生活。

解决方案在于代理到代理的编排,这是一种人工智能代理沟通和协作以满足复杂需求的范例。这种方法提供了统一、简化的体验,消除了用户管理多个系统的需要。

推广
下一步:代理到代理的编排
代理编排允许个人代理与其他人协作,甚至跨品牌和生态系统。用户无需管理多个工具,而是与单个“指挥”代理交互,该代理将任务委托给后台的专门代理。这创造了一种无缝、集成的体验,将复杂的生态系统转变为统一的工作流程。

通过使代理能够交互和共享功能,组织可以提供高效一致的体验,恢复简单性并提高客户满意度。

扩展类人智能
AI 代理必须复制人类代表的细致入微的决策,这些代表融合了直觉、领域专业知识和指导程序。代理编排通过使用模块化架构动态协调任务来实现这一点。每项专业服务(例如支付处理或故障排除)都作为微服务运行,而编排层将这些服务逻辑地连接起来以解决复杂问题。

该编排层模仿人类的适应性,确保 AI 系统不仅可以自动执行重复任务,还可以导航复杂的工作流程,无需频繁的人工干预即可满足用户需求。

广播功能:代理目录
为了使代理能够有效协作,他们必须了解彼此的能力。未来的生态系统将具有标准化目录,列出代理功能、所需的输入和输出。这些目录允许代理识别特定任务的最佳合作者。


通过以机器可读的格式公开功能,组织可以保持控制,同时使授权代理能够进行协商和委派。这将孤立的服务转变为相互关联的专业知识网络,从而降低复杂性并增强灵活性。

改变客户体验
代理编排彻底改变了客户体验。用户无需同时处理多个聊天机器人或应用程序,只需发出一个自然语言请求(提示)。他们的个人代理会查阅功能目录,确定合适的代理并监督任务完成情况。这种统一的方法简化了交互,节省了时间和精力。

采用这种模式的品牌通过成为效率和可靠性的代名词而获得竞争优势。随着时间的推移,公共目录可能会出现“代理商店”,品牌会在其中列出代理功能以进行更广泛的协作。例如,航空公司的代理可能会与酒店和拼车代理协调,以提供无缝的旅行体验。

编排还重新定义了个性化。除了记住购买历史之外,先进的系统还可以根据个人需求定制整个流程,主动组装代理以满足不断变化的需求。这创造了一种直观且主动的支持水平,从而推动了忠诚度和信任。

建议的编排架构

  • 用户交互层:用户提交请求的单一界面,将复杂性留给编排系统。
  • 编排层:解释用户意图、查阅目录、应用规则和协调代理。
  • 功能目录:代理功能的注册表,确保无缝协作。
  • 上下文/策略引擎:存储用户数据、实施隐私并根据策略塑造结果。
  • 互操作性层:确保代理遵守一致的协议以实现兼容性。
  • 专用代理:执行编排器分配的特定于域的任务。
  • 响应聚合:将结果组合成对用户的统一响应。

这种架构将当今分散的系统转变为集成解决方案,提供简单性和效率。

为代理编排做准备
为了准备代理编排,组织必须专注于为模块化、集成和互操作性奠定坚实的基础。第一步是确保现有系统和服务是模块化的,具有明确定义的输入、输出和依赖关系。这种模块化架构对于创建代理可以无缝协作的生态系统至关重要。组织还应该开始对其 AI 代理和微控制器的功能进行分类服务在结构化目录中。这些目录应包括元数据和访问策略,使代理能够快速识别并与适当的合作伙伴协作。

除了构建模块化系统和目录之外,组织还必须通过采用标准化通信协议来解决互操作性问题。这可确保不同品牌或生态系统中的代理可以轻松集成,而无需自定义配置。通过关注这些基础要素,企业可以定位自己,以完全接受代理到代理的编排并提供更好的客户体验。

需要注意的障碍
虽然代理编排的好处引人注目,但组织必须解决几个挑战才能释放其潜力。一个重大障碍是确保数据隐私和合规性。当代理协作时,他们必须在严格的界限内运作,只能访问授权信息。强大的治理框架和政策执行对于降低风险和保持信任至关重要。

另一个挑战是克服互操作性差距。许多组织在孤立的环境中运营,系统不是为协同工作而设计的。这种缺乏兼容性可能会阻碍编排所需的无缝集成。最后,企业应为构建编排框架所需的前期投资做好准备,包括基础设施升级、功能目录和标准化 API。这些努力虽然耗费大量资源,但将有助于推动长期成功。

前进的道路
代理编排是人工智能的下一个发展方向。通过将复杂性转化为竞争优势,它使组织能够精准而灵活地满足客户需求。用户不再需要浏览工具或界面——他们可以专注于目标,相信人工智能生态系统会处理细节。

这一愿景最终将我们引向“代理和谐”,代表着人工智能代理动态协作以提供直观有效的结果的未来。这是从管理工具到管理结果的转变,技术充当了隐形助手。随着组织采用这种模式,它们为不仅高效而且对用户来说非常令人满意的人工智能系统铺平了道路。

一本书读懂AIGC

2023年出的书,基本上也把疫情期间的AIGC说清楚了,除了ChatGPT至今的一系列LLM的长足发展。

书中也提到各种AIGC app的兴起和消亡,如果放在今年或者明年总结的话,可能清单更为壮观。

但是关注大方向还是有意义的,比如端侧AI的演进,元宇宙的内容生成,AR/VR,AI作为生产力工具的存在,等。

生成式AI的民主化

考虑一下生成式AI不应垄断于大企业、高算力+能源的拥有者手中,我们需要让它更民主化,普惠化。

  • 获取成本低,而且不应因为地缘政治的原因导致墙外或另一边的人用不了
  • 界面、工具简单,学习门槛低
  • 开源,让更多的人可以参与
  • 有相关的教育以及培训,当然,这些也可以成为本地化的一些商业机会
  • 支持多样性,残障人士访问等
  • 可去中心化,不依赖于一个特定的中心,比如算力、能源、政策等
  • 提供全球合作的机会

AI小摘录

AI如果对标人脑的话,可参考人脑的神经元数量:850亿,同样地,GPT3的参数量是175B,两倍于人脑神经元数量。

于是后面再累加参数量意义就不大了。相反,应遵循“小即是大”的原则,针对特点领域做小模型。

目前再吹嘘更大参数可能是资本的炒作需要。

AI落地方面,需要业务专家,他们可以指出问题的关键。

数据的贬值速度相当快,避免持有容易变质的数据而不及时利用。


数字化转型中,AI/算法/软件的战略投入,如果被公司层面认为是IT cost,将是一种失败的信号。

AI的发展趋势:检索–>搜索–>探索

AI的真正意义是释放生产力,让人类不要将时间浪费在重复操作上。

来自参加某商学院的的课程时的一些摘录。

AI 对于 解放企业家思想、精神和创新能力的帮助

选kimi的答案吧,我比较赞赏的是我标注颜色的部分:

人工智能(AI)作为一种强大的技术力量,对企业家精神和创新能力有着深远的影响。以下是几个关键方面,展示了AI如何解放企业家精神和创新能力:

  1. 自动化日常任务: AI可以自动化许多重复性高、耗时的任务,如数据录入、客户服务和财务报告等。这使企业家能够从日常琐事中解放出来,将更多时间和精力投入到战略规划和创新活动中。
  2. 数据分析和洞察: AI在数据分析方面的能力远超人类,能够快速处理和分析大量数据,识别模式和趋势。这为企业家提供了更深入的市场洞察,帮助他们做出更明智的决策。
  3. 个性化和定制化服务: AI技术使得企业能够提供更加个性化的产品和服务,满足客户的个性化需求。这种定制化服务不仅提高了客户满意度,也为企业家开辟了新的市场机会。
  4. 风险管理: AI在风险评估和管理方面的能力可以帮助企业家识别潜在的商业风险,并采取预防措施。这降低了创业失败的风险,鼓励了更多的创新尝试。
  5. 创新加速器: AI可以作为创新的加速器,通过机器学习和深度学习等技术,快速迭代和优化产品设计。这大大缩短了产品从概念到市场的时间,加快了创新的步伐。
  6. 跨界融合: AI促进了不同行业和领域之间的融合,为企业家提供了跨界创新的机会。例如,AI与医疗、教育、金融等行业的结合,催生了许多新的商业模式和服务。
  7. 资源优化配置: AI在资源优化配置方面的能力,如供应链管理和能源管理,可以帮助企业降低成本,提高运营效率。这为企业提供了更多的资源来支持创新活动。
  8. 智能助手: AI作为智能助手,可以协助企业家进行项目管理、日程安排和会议记录等,提高工作效率。同时,AI助手还可以提供决策支持,帮助企业家在复杂情况下做出更好的选择。
  9. 持续学习和自我提升: AI技术的发展也推动了企业家自身的学习和成长。通过与AI的互动,企业家可以更快地获取新知识,提升自己的专业技能和管理能力。
  10. 开放创新平台: AI技术的发展促进了开放创新平台的建立,企业家可以利用这些平台与全球的开发者、设计师和研究人员合作,共同开发新的产品和解决方案。

总之,AI为企业家精神和创新能力提供了强大的支持,不仅提高了企业的竞争力,也为社会带来了更多的创新产品和服务。随着AI技术的不断进步,其在解放企业家精神和推动创新方面的作用将越来越显著。

客户终身价值

整理笔记发现这一条,觉得这比ESG之类更值得深入,毕竟是to B的生意啊。

kimi的表现不错,你问他,他就抽取几条搜索到的相关结果,然后用大模型去分析这几个结果的文本,总结出来作为回答。

这样避免了对互联网内容的过度检索和分析。只是根据需要去做事。

找到了 3 篇资料作为参考:正在尝试为您在互联网搜索相关资料…开始获取资料…找到了第 1 篇资料:计算客户终身价值(CLV)必须了解的五个公式-知乎找到了第 2 篇资料:客户终身价值(CLV)如何计算|运营派找到了第 3 篇资料:客户终身价值(CLV)如何计算|人人都是产品经理一共找到 3 篇资料,正在阅读…找到了 3 篇资料作为参考:

客户终身价值(CLV,Customer Lifetime Value)是衡量企业在整个业务关系中可以从单个客户帐户中合理预期的总收入的指标。识别客户终身价值对于企业来说至关重要,因为它可以帮助企业了解客户的价值,并据此制定相应的市场策略、提高客户满意度和忠诚度、优化客户服务和产品开发等。以下是识别客户终身价值的一些关键步骤和方法:

1. 数据收集与分析

首先,企业需要收集有关客户交易的历史数据,包括购买频率、平均购买价值、购买时间等。这些数据可以帮助企业了解客户的购买行为和偏好。

2. 计算客户价值

客户价值可以通过以下公式计算: 客户价值 = 平均购买价值 * 平均购买频率

3. 估算客户生命周期

客户生命周期是指客户与企业保持关系的平均时间长度。这可以通过以下公式计算: 平均客户寿命 = 客户总寿命 / 客户总数

4. 计算CLV

结合客户价值和平均客户生命周期,可以计算出CLV: 客户生命周期价值 = 客户价值 * 平均客户寿命

5. 使用预测模型

除了基于历史数据的计算,企业还可以使用预测模型来估算未来的客户价值。这些模型可能会考虑市场趋势、客户行为变化等因素。

6. 提高CLV的策略

识别CLV后,企业可以采取一系列措施来提高客户的终身价值,例如:

  • 优化客户引导流程:确保新客户能够快速熟悉产品和服务。
  • 超额交付承诺:提供超出客户期望的产品和服务,以增加客户满意度。
  • 增加平均订单价值:通过交叉销售和推荐相关产品来提高每笔交易的价值。
  • 与客户建立关系:通过社交聆听、客户反馈和个性化服务来增强客户忠诚度。
  • 改善客户服务:提供卓越的客户服务体验,包括全渠道支持和灵活的退货政策。

7. 持续监测与调整

企业应持续监测CLV的变化,并根据市场和客户行为的变化进行相应的调整。这可能包括更新预测模型、调整市场策略或优化客户服务流程。

通过上述步骤,企业可以更准确地识别和理解客户终身价值,从而制定更有效的业务战略,提高客户满意度和忠诚度,最终推动企业的长期增长和成功。

大力出奇迹的sora

本来我对专注于视频生成的sora并没有非常大的兴趣,中文自媒体太high了,动辄中国全面落后云云。其实以stable diffusion之前的表现来说,剩下的再创新只是在窄小的领域里面逐渐调优的过程,不存在大的突破。

sora被顶会退稿也是出于这个原因。那为何sora要出及能出如此惊艳的生成视频效果呢?

应该还是资本使然,资本需要在AI领域上绑架各种资本加大投入,以进一步推动泡沫的盛宴。Open AI应该是已经完全被资本左右,不惜动用大量的算力资源去驱动一个并不具备创新的方向,而只是工程上的堆叠(大白象工程)。

说一下sora没有太大意义的地方在于,我们看过独立日(Independent Day),第一次看的时候觉得太震撼了,原来天地冲撞是这样的场景。

今天,如果你让sora生成一个天地冲撞的视频,它应该是没问题的。

但假如电影史上从来没出现过独立日或者类似的电影,这时候让sora(幻想)生成这样的场景,能做到什么样的效果?

这就是基于已知信息训练出来的结果,它无法超越前人,只是模仿,组合模仿,这种AI最大的对手是China?//laf

转djq师兄(97广东理科状元,FreeWheel CTO)朋友圈的评论:

比如说Sora爆红,几篇中文文章基本都是要么车轱辘话说了等于没说,要么就几个名词狗屁不通的拼凑一起,毫无AI痕迹。其实各种基于Stable Diffusion的创新还是不少来自国内的,IP adapter, LCM什么的,但是都算技巧派的。而Sora某种程度上就是Stable Diffusion的升级版本,完美体现了OpenAI大力出奇迹的精神。
Sora的技术报告有13个作者,带头的是两个博士刚毕业和一个本科工作几年的,都是年轻人,据说肝了一年撸出来的。这个项目相当多的数据处理和计算,到PB规模都不奇怪,体力要求不是一般的高,过程还很不确定。Stable Diffusion其实不是一个模型,而是一个带三个模型的pipeline。它的核心就是先用CLIP(也是OpenAI的作品)先把文字转成一个类似于图像模子的东西,然后用U-net(一个类似于U型锁的网络,也是广泛应用的结构)做Diffusion,大致是逐步无中生有根据模子把图像生成出来(但是在一个所谓Latent空间),最后用VAE(这个应该是stability ai训练的一个auto encoder)恢复到像素空间。Diffusion是一个相对比较坚实的数学模型,所以名字带了stable字样。CLIP和VAE都是单独训练的。而Sora估计也是类似的结构,只不过三个模型都换了。VAE对应的他们叫视频压缩网络,U-net则被换成了基于transformer的扩散模型,虽然叫Diffusion Transformer,其实是个误导人的名字,因为本质上是transformer based diffusion,同时把视频分解成时空小块然后tokenize,都是基本操作。而对应CLIP那个condition的生成模型可能也差不多,还用GPT做了增强。所以一年搞这么多,虽然可能没有特别高深的东西,但都是超多工作量。
所以网文说什么这是个transformer多么先进都是胡扯,transformer是个基础模块,OpenAI的模型就没有不用的。Google发明的时候还有encoder和decoder,一个decoder block还有两个注意力层,都被OpenAI简化掉了,就一个注意力加个MLP,然后就往死里加参数和数据,奇迹就出现了。然后condition也不是条件,而更像是用模子来引导或者塑造最终结果的意思,conditioning这个词很难用中文描述。总之Stable Diffusion那一套可以再玩一次。反正就还是attention is all you need。OpenAI主打一个暴力美学碾压一切包括人类。

sora指出一个方向,国内也可以在stable diffusion的基础上把几层结构再按需优化,中国也是大力出奇迹的好地方。

图解人工智能

这本书是跟着贵系二代群一起团购马老师的亲笔签名版本。

马老师在贵系一直人气和口碑都不错,也确实是人工智能方面传道授业的老师。

这本书总体来说还是通俗易懂,前提是要有较扎实的中学数学知识,理解会简单很多。

由于是初版,会有一两个错字。

也适合家长带着小学高年级到初中的小朋友一起看。

近期AI…5

海尔的case

看起来海尔是AWS的一个大客户。展示了AIGC的几个例子:

  • 文生图(没看明白跟海尔的产品有什么关系)
  • 图生图,通过输入设计线稿,生成产品概念图
  • 批量图,用于家装的,从3D数据到效果图
  • 全场景图,生成产品图、营销图

主要受益是加速设计。

西门子的case

内部业务助手,以及打通业务数据分析的平台。

店匠科技的case

产品模特图的生成(真人模特图替换模特与背景场景)

总结的几个难点有点意思,比如:服装区域的精准分割,残缺人台的骨骼检测优化,精准控制生成过程

近期AI…4

企业在介入生成式AI应用时会思考的问题,这一页归纳得挺好,当然了,这也是来参加这个会的目的吧?

  • 什么样的User Case能帮到业务?(重点是“真”)
  • 如何衡量一个生成式AI User Case的成功?(投入产出,未来,明的利益,暗的优势等等)
  • 如何选择大模型去构建应用?(企业自身必须要有靠得住的AI咨询方)
  • 如何保证企业私有数据不被大模型吸收?(这些问题开始就有较多的技术解决方案了)
  • 我们缺乏高质量的数据怎么办?(买吧,但是还是要有质量标准)
  • 构建生成式AI应用工程化的挑战有哪些?如何克服?
  • 如何去购买xx加速去做生成式AI User Case的实验?(还是实验,现在让资本市场很短视的,不大允许费资源只是做个实验)
  • 模式适配/调优,Prompt Engineering/RAG/Finetune用哪种方法合适?(细节,专业的问题,还是要有专业咨询或内部专家)
  • 如何设定Guardrail(护栏)为负责任的生成式AI应用?(先把合规性准备好)
  • 构建生成式AI应用需要团队的Skills有哪些改变?(目前的回答是有的,但是答案本身也在动态更新中)

不得不说,是不是刻意留了不少英文单词在里面,导致读起来不大爽。

接着是讲端到端构建AIGC应用的关键路径

  1. 应用范围:定义使用场景与用例
  2. 模型选择:选择现有基础模型或预训练自己的模型
  3. 模型适配和模型调整:Prompt Engineering + 知识增强 + 微调 –>评估效果
  4. 应用程序集成:部署模型及运行推理 –> 构建由基础模型驱动的应用程序

几种适配调整的成本与效果的排列,原图是平面坐标图,改成顺序排列:

  • 成本:RAG < Prompt Engineering < 预训练 == 微调
  • 效果:PE < RAG = 微调 < 预训练

预训练当然好,但优质数据贵啊

AIGC的业务风险

法律/监管/偏见/幻觉/隐私保护/问责制/业务透明度/滥用/有害内容/知识产权保护

ISV和SI就不罗列了。天天变的东西。

AIGC工程化“最后三公里”的挑战

UI用户界面开发(用户体验) / 工具链 / 模型调优(持续的?) / 数据工程(提取、清晰、治理、数据模型) / 云基座(这里就涉及到AWS提供的系列支撑了)