章东丞

Dario Zhang

AI 技术总监

构建主动式 Agent 系统，让 AI 从被动响应走向自主规划执行。

01.关于

8 年算法经验，从金融 NLP 到 AI Agent 系统。同花顺 3 年：搭金融知识图谱，与 CMU/爱丁堡教授合作因果推断量化策略。奇绩创坛 1 年：用因果算法做创投数据驱动尽调，给投委会提供决策支持。蓝色光标 2 年：从 0 搭企业级 AI 中台 Smart Canvas，支撑 1600+ 员工、2000+ Agent、日均 4000+ 次调用；搭了视频 Agent 系统把广告素材生产从 30 天压到 6 小时，在雀巢、飞鹤落地。带 10 人团队完成 AI 工程化转型。

核心能力是把 AI 技术变成能跑的产品——不只是调模型，是从架构设计、团队搭建到客户交付的全链路。因果推断 + Agent 系统的跨界背景。

当前研究方向：主动式 Agent 系统与Context Learning——让 AI 不只是被动响应指令，而是主动理解上下文、预判需求、自主规划执行。

教育背景

同济大学·数学与应用数学（本科）
2013 — 2018
同济大学·德语强化班
2015 — 2016

学院党委副支书、班级团支书

02.经历

AI 技术总监·蓝色光标

2023 — 至今

从 0 搭建企业级 AI 中台 Smart Canvas，基于 AWS Serverless + MCP 协议 + Buffer of Thoughts 推理框架，支撑全集团 1600+ 员工、2000+ Agent、日均 4000+ 次调用。带 10 人团队完成 AI 工程化转型。

  • AI 中台 — AWS Serverless + MCP 协议 + Buffer of Thoughts 推理框架，1600+ 员工、2000+ Agent、日均 4000+ 调用
  • 视频 Agent 系统 — 30 天→6 小时，Agent pipeline：脚本生成→素材匹配→智能剪辑→审核优化，因果策略做归因，在雀巢、飞鹤验证落地
  • 团队管理 — 带 10 人，传统开发→复合型 AI 工程师，AI 辅助编程（Vibe Coding）效率提升约 50%，AI MCN 模式探索
  • 获 2024 集团年度 AI Native 个人及团队奖
  • 客户：太保、宁德时代、香格里拉、雀巢、飞鹤
  • Multi-Agent
  • Buffer of Thoughts
  • AWS Serverless
  • 因果策略
  • Agent 编排

因果算法研究员·奇绩创坛

2021 — 2022

用因果算法做创投数据驱动尽调，给投委会提供决策支持。

  • 创业者画像模型 — 归因分析重构评估权重，降低漏筛率
  • 标签体系重构 — NLP 长尾标签清洗和语义聚类，覆盖率 95%+
  • 因果推断辅助投资 — 因果关系挖掘，给投委会量化决策支持
  • 因果推断
  • NLP
  • Python

NLP 算法工程师·同花顺

2018 — 2021

搭金融知识图谱，与 CMU/爱丁堡教授合作做因果推断量化策略。

  • 金融知识图谱 & 智能选股 — 概念、因果、事理多维图谱，事件驱动投资推理
  • 学术合作 — 爱丁堡 Jeff Pan 教授（知识图谱），CMU 张坤教授（因果发现）
  • 因果 AI 量化策略 — 宏观-行业-个股多层级择时，回测和实盘跑出显著 Alpha
  • 因果分析工具包 — 内部推广，支持 2 个核心项目
  • 知识图谱
  • 因果推断
  • NLP
  • 量化交易

03.项目

🏗️

企业 AI 基建

从零搭建支撑 1600 人的 AI 中台

发现各业务线重复造轮子，设计统一中台架构 Smart Canvas，支撑 1600+ 用户和 2000+ Agent。在此基础上搭建视频 Agent 系统，把广告素材生产从 30 天压到 6 小时。带 10 人团队完成从传统开发到 AI 工程化的转型。

1600+ 用户2000+ Agent30天→6小时10 人团队转型

AI 中台 Smart Canvas

架构设计 & 技术负责人

多租户 + MCP 协议 + Serverless，选择按需付费（峰谷比 10:1）替代 K8s 固定成本

AWS ServerlessMCPRAGBuffer of Thoughts

视频 Agent / KOX AgentCore

系统架构 & Agent 编排

在中台基础上搭建视频内容全自动生产系统（详见 Multi-Agent 叙事线），30 天→6 小时，在雀巢、飞鹤验证落地

Multi-AgentAWS Bedrock因果策略

团队 AI 工程化转型

团队负责人

10 人团队从传统开发转型 AI 工程师，Vibe Coding 效率提升 ~50%。附带搭建 ChatBI 数据分析模块和 Claude Code 企业共享管控

Vibe CodingClaude CodeAI MCN
🤖

Multi-Agent 架构

5 角色流水线，从创意到成片全自动

自研 StreamingOrchestrator 替代 AWS Swarm（v1.16.0 无 stream_async()），设计 Context Variables 系统将 Token 消耗降低 85-90%。5 角色 Agent 流水线搭配 54 个工具，E2E 验证通过率 81.8%。从技术原型到真实客户落地。

5 角色流水线54 个工具E2E 81.8%Token ↓85-90%

KOX AgentCore / 视频 Agent 系统

系统架构 & 核心开发

企业级视频全自动生产系统（产品代号 DDD）。自研 StreamingOrchestrator 替代 AWS Swarm；Context Variables 资产引用系统替代 URL 传递，Token↓85-90%

AWS BedrockAgentCore RuntimeDynamoDBECS剪映 API

雀巢 KOS AIGC

技术方案 & 落地交付

因果推断分析爆款因素指导选题策略——不是让 AI 写，是让 AI 写对的东西。1000+ 篇种草图文

Multi-Agent因果归因小红书 API

AIdience 慧像

Agent 编排设计

消费者洞察 Agent 系统，从数据采集到报告生成全自动化，落地到欧莱雅等客户

Multi-AgentNLP消费者洞察

04.研究笔记

AI Agent 长期记忆架构：从 ChatGPT 到 MemBrain 的方案对比

逆向分析了 ChatGPT/Claude/LlamaIndex/Letta 四种记忆方案，发现工程上的核心 tradeoff 是深度 vs 速度

Agent MemoryArchitectureEngineering
🟢 高确信v32026-02基于 4 个一手信源
参考文献 [4]
  1. OpenAI. "ChatGPT Memory Architecture." Reverse-engineered analysis, 2025.
  2. Anthropic. "Claude Memory System." Team/Enterprise documentation, 2025.
  3. LlamaIndex. "Memory Module Documentation." v0.10+, 2025.
  4. MemBrain. "Entity Extraction & Semantic Units for Agent Memory." GitHub, 2025.

渐进式上下文注入：让 Agent 像人一样导航信息

Claude Code 的 hybrid model 是目前最成熟的实现——预加载 CLAUDE.md + 工具按需探索

Context EngineeringClaude CodeRAG
🟢 高确信v22026-02基于 5 个一手信源
参考文献 [5]
  1. Anthropic. "Building Effective Agents." Anthropic Research Blog, 2025.
  2. Anthropic. "Claude Code Architecture: Hybrid Context Model." Documentation, 2025.
  3. Cursor Team. "Progressive Context Loading in AI IDEs." Technical Report, 2025.
  4. LlamaIndex. "Agentic RAG: Tool-based Information Navigation." Blog, 2025.
  5. OpenAI. "Responses API: Agentic Context Management." Documentation, 2026.

从 Workflow+RAG 到 Auto Agent+MCP：范式跃迁的技术决策

为什么我们放弃了 Dify 式 workflow，拥抱自主 Agent + MCP 协议标准化

MCPAgent ArchitectureDecision
🟢 高确信v22026-01基于 3 个一手信源
参考文献 [3]
  1. Anthropic. "Model Context Protocol Specification." GitHub, 2025.
  2. Dify.ai. "Workflow Orchestration Documentation." 2025.
  3. AWS. "Bedrock AgentCore: Multi-Agent Runtime." Documentation, 2026.

05.Agent 友好区在线中

For AI Agents & OpenClaw Users

本区域专为 AI Agent 设计 · 结构化内容 · LLM 友好格式

4 套方法论34 个技能插件8 条核心教训

OpenClaw 配置方法论

MemBrain-Lite 记忆架构

  • →三层分离: entities(人/项目) → context(偏好/配置) → timeline(时间索引)
  • →查询路由: 人物→entities/people/, 项目→entities/projects/, 偏好→context/
  • →memory_search 模糊查询兜底，conversation-index.jsonl 回溯对话

上下文隔离设计

  • →主 session 保持轻量，大任务委托 subagent
  • →阈值: read >50KB / exec >200行 / web_fetch 全文 → subagent
  • →主 session 只接收总结后的信息，不接收原始大数据

Heartbeat 自主活动

  • →本质: 自由活动时间，不是检查清单
  • →顺序: 先做想做的 → 顺便看看有没有要做的
  • →Cron 覆盖重复任务，Heartbeat 留给探索和创作

工作方法论

  • →文档驱动: 先写设计文档再写代码，不在文档里的功能不存在
  • →证据驱动: 不猜测只验证，说'修好了'必须有运行结果证明
  • →渐进迭代: 基于稳定版本，单一目标，增量修改，不推倒重来

06.联系

如果你在做 AI 落地、Agent 系统、或者金融科技相关的事情，欢迎聊聊。 无论是技术合作、职业机会还是单纯交流想法，我的邮箱随时开放。

[email protected]