本文介绍了天猫技术统一建设的 AI 端到端交付架构“数字员工”。它以群聊为统一入口，与产品、前端、后端及测试等角色共享需求上下文，实现从 PRD 到发布的全链路接力交付。系统底层采用主子 Agent 结构，结合确定性流程与动态规划，通过独立沙箱隔离运行环境，并建立严格的身份权限委托机制确保安全可控。目前该架构已在所有业务线推广，月均活跃交付超百条。其核心价值不仅在于提升编码速度，更在于将散落的业务认知沉淀为可复用资产，推动研发组织向 AI Native 演进。
继 Model、Harness 后，DeepSeek 再次开源了推理框架 DeepInfer，帮助企业彻底玩转智能体的进度条上新增了一块重要拼图，同时也将推理框架一词推向公众。虽然 Model、Harness 的概念已深入人心，但推理框架这个算法工程师才会使用的概念似乎还略显陌生。不过，它和我们使用模型的费用和体验息息相关，例如为什么的输出价格是输入的4倍，缓存命中的价格是未命中的1/50(以 DeepSeek 当前的定价为例)等等，相信本文对这些疑问会提供一些通俗易懂的解答。
本文探讨了天猫技术构建的 AI 端到端交付架构——“数字员工”，旨在解决 AI 时代研发协作中信息传递失真、等待检索耗时及隐性知识流失等痛点。区别于传统AI编码工具，数字员工以钉钉群为入口，与产品、开发、测试等角色共享同一份需求上下文，贯穿从 PRD 到发布复盘的全流程。文章提出通过“协作”与“资产”两大核心解法，将散落的业务认知沉淀为可复用资产，推动组织协作从职能分工向任务驱动演进，最终实现异步化的大规模协作，让 AI 真正成为全程在场的同事而非单纯的工具。
本文总结了淘特 App 从 3 月到 8 月在端侧模型建设上的全链路实践。为解决用户实时意图识别及云端大模型延迟与成本问题，团队选用 QWen3-0.6B 作为基础模型，通过两代数据集迭代将真机准确率提升至 80% 以上。在工程实现上，采用 LoRA 微调、基于 ShortGPT 的深度剪枝以及 AWQ 量化技术，大幅优化了模型体积与推理性能；同时结合 Prompt 精简、Prefix Cache 和增量推理等手段显著降低了端到端延迟。最终该端模型成功落地于信息流重排序与流失前权益挽留场景，实现了 GMV 的正向增长，并针对 CDN 下载等隐形成本提出了按需下载等优化策略。
