在大模型海潮中，腾讯似乎大多处于一个奥妙的地位

。它占有国内最齐全的互联网生态之一，也占有混元大模型、元宝等产品

。但与行衣凤那些不休造作话题和声量的 AI 大公司相比，腾讯似乎总给人一种「不够快」的印象——它很少站在聚光灯最亮的地位，却又始终没出缺席任何一场关键竞争

。 险些所有人都在讨论 AI 下半场

。但当越来越多人把这个词挂在嘴边时，它反而起头变得吞吐——到底什么是下半�

�？是 Agent？是 Coding？是具身智能？还是下一轮模型较量？ 在腾讯集团高级执行副总裁、云与智慧产业事业群 CEO 汤路生，与腾讯首席 AI 科学家姚顺雨的这场对谈里，姚顺雨在开场就抛出了一句：AI 下半场这个词，在被滥用

。 从前几年，大模型的发展蹊径似乎异常清澈：预训练、后训练、强化进建、Agent、Coding Agent，所有人都在沿着统一条主线前进

。与此同时，中国 AI 圈也形成了一种熟悉的竞争文化——热衷刷榜、追赶指标、抢夺排名

。 但在姚顺雨看来，当步骤论已经逐步成熟之后，真正难题的事件已经不再是寻找技术蹊径，而是寻找值得解决的问题

。相比 benchmark 上几个百分点确当先，模型若何进入真实产品、获得真实反馈、解决真实需要，在变得越发沉要

。 这也是为什么这场对谈里更值得关注的，是模型与产品之间越来越缜密的 Co-Design

。从元宝、WorkBuddy 到 Coding Agent，从 ReAct 提出的早期设想，到《Language Agents: From Next-Token Prediction to Digital Automation》中对于智能体时期的预判逐步兑现，姚顺雨反复强调一个看似朴素却常被忽略的事实：大模型最沉要的能力始终是泛化性

。 而对于腾讯是否「慢了」、AI 下半场到底从何时起头这些争议，他给出的回覆是——若是下半场才刚刚起头，那么索求过程中走过弯路并不成怕，真正沉要的是能否恳切面对自己，看到反馈，并持续调整方向

。 首先我想先诠释一下「下半场」这个概想——我发现这个词最近被用得有些泛滥，它其实是我在去年的一篇博客中提出的

。具体来说，在去年之前，AI 已经发展了数十年，行业的主题是寻找解决问题的有效步骤
；但如今，步骤论已经趋于成熟，找到真正有价值的问题反而变得越发难题

。 我举个例子，从前我们为了下围棋研发出 AlphaGo，但这套步骤仅合用于棋类领域
；为了机械翻译开发专属模型，也只能实现翻译工作，无法拓展到其他场景

。而预训练与后训练技术出现后，我们相当于占有了一把「全能锤子」，形成了一套通用步骤论，可能解决各类分歧的问题

。因而，找到真正值得解决的优质问题，成为了当前行业的主题挑战

。我选择参与腾讯，很沉要的一个原因就是这里占有海量的产品和丰硕的真实问题场景，这一点在 AI 下半场会愈发沉要

。 一方面，优质产品可能回覆「预训练和后训练技术到底要利用在何处能力产生价值」这个主题问题
；另一方面，产品构建的生态环境至关沉要——若是没有点表卖的工具接口，智能体就无法实现点表卖的操作，好多工作都无法落地

。 但我以为更主题的是高低文（Context），无论是企业还是幼我场景都是如此

。正如我上次在 AGI Next 大会上所说，高低文的沉要性会与日俱增：模型越来越善于将复杂输入转化为输出，企业的竞争壁垒将越来越多地起源因而否把握最原始的输入数据，是否相识用户的真尝试为与企业的主题信息，而腾讯在这方面占有极强的优势

。 但这只是我选择腾讯的第二大原因，最沉要的其实是企业文化

。我第一次和你以及总办其他高管互换时，最深刻的印象就是各人都极度坦诚：哪里做得好、哪里有不及，城市直白表白，不会刻意覆盖

。这种疑神疑鬼的态度，是我最看沉的一点

。 其次，腾讯整体是一家基于信赖而非单纯依附指标运行的公司，这一点对于做 AI 而言至关沉要

。同时，腾讯文化中低调求实、谦虚踏实的特质，以及对持久主义的对峙，都是构建一个持久 AI 组织不成或缺的基础

。 在我看来，今天的 AI 重要由三个部门组成：第一是基础层，若何把预训练、后训练这些最主题的技术做得足够扎实
；第二是产品层，若何将技术真正落地，为幼我和社会创造价值
；第三是前沿索求层，若何索求新的钻研范式与产业机遇

。我们必要构建一个这三者平衡发展的三角形组织架构

。 对于基础层而言，最沉要的是充足的资源投入和正确的做事方式，这与我刚才提到的企业文化高度符合
；对于产品层而言，优良的产品嗅觉和做产品的基因是主题
；而对于前沿索求层，目前国内的索求还不够充分，我也但愿能将这种前沿索求的心灵更多地注入到CA88组织中

。 你刚才提到，产品为模型提供了运行环境和高低文数据

。我想问一个我们内部时时会商的问题：协同设计（Co-Design），也就是若何让产品与模型实现深度融合？目前我们有好多依赖模型能力的产品，好比和我们合作缜密的元宝谈天机械人、AI 搜索，企业端的智能客服、智能营销，还有近期热度很高的类 Lobster 产品，好比 CodeBuddy、Workbuddy

。你是若何思虑协同设计这种模式的？ 我以为重要有三点

。首先，协同设计的前提是模型自身要足够扎实，必要做好大量的基础工作

。预训练是一个相对产品无关的环节，把它做扎实，就能为所有下游工作提供壮大的通用基础，并且预训练的进取可能持续为各类下游工作带来价值提升

。 其次，后训练阶段最沉要的是成立正确的评测（Eval）系统

。国内此刻有一个不好的偏差，就是过度钻营刷榜

。我们应该疑神疑鬼，基于真实的产品和利用场景，构建更切近现实的评测尺度

。这一方面必要有好的产品出口，另一方面也要明确：实用性的价值弘远于刷榜的价值

。 我们和各类产品团队发展了深度的协同设计，而协同设计最关键的一点是成立相互信赖

。我们为此做了大量工作，蕴含若何用好产品数据、若何实现数据回流、若何做好评测对齐等，这里就不发展赘述细节了

。 第三点，也是大说话模型（LLM）时期与从前 AI 最性质的区别，就是泛化性

。在大说话模型出现之前，做翻译产品只必要打磨好翻译数据，做围棋法式只必要打磨好围棋数据
；但此刻，哪怕只想做一个代码智能体（Coding Agent），也必要模型具备优良的谈天能力、搜索能力、指令遵循能力和推理能力，这是一个极度复合的能力系统

。 这就带来一个推论：占有系统化产品矩阵的企业会具备显著优势

。好比我们和元宝的协同设计，让模型打磨出了壮大的谈天和搜索能力，而这些能力又能够迁徙到 ima、Workbuddy 等其他产品中

。分歧产品可能提供分歧维度的数据，这些数据之间又能够相互泛化，形成一个网络状的价值系统，这种价值会越来越凸显

。 第一，可能发现模型的好多底线问题

。我们颁布预览版模型的主标题标之一，就是获取真实世界的用户反馈，建复各类榜单中无法发现的底线问题，这会让正式版模型的阐发有质的提升

。 第二，可能让我们对真实的用户提问散布有更深刻的理解

。举个例子，基准测试中的标题往往表述极度精确，有很长的高低文描述，且大多是单轮问题
；但在现实场景中，用户的提问通常比力吞吐，可能只有一两句话，还会不休追问

。这种场景差距，可能领导我们更有针对性地发展模型训练

。 第三，可能从产品中获得灵感，推动现有榜单未覆盖领域的技术进取

。好比我们近期做的好多高低文进建有关工作，就很大水平上受到了元宝产品的启发

。所以说，产品与模型的相互成就，是 AI 行业越来越沉要的话题

。 对，我记得早期做元宝的时辰，我们还遇到过多轮指令遵循的问题，用户在产品中现实使用的提问方式，和基准测试中的差距的确极度大

。真正的产品场景对模型能力的要求，和榜单评测的侧沉点齐全分歧

。 你问了我这么多问题，我也反过来问你几个吧

。我记得第一次和你谈天时，你给我讲了好多过往的经历，从 QQ 空间、QQ 秀——那但是我幼学时辰最喜欢的产品，到 QQ、腾讯音乐，再到腾讯云，以及此刻的元宝、ima

。你做过 To C 和 To B 的各类产品，覆盖了互联网分歧发展阶段

。我很好奇，你做产品的第一性道理是什么？哪些经验和价值是不变的？哪些器材又产生了变动？ 我以为做产品最终的主题，始终是萦绕用户需要，解决用户痛点，为用户和客户创造价值

。无论在哪个时期、哪个行业，只有能为用户带来价值的产品，才会被用户使用和买单

。从 PC 互联网时期的 QQ 空间，到移动互联网时期的各类内容产品，再到产业互联网时期的腾讯云，我们始终花大量功夫倾听客户的声音，尝试助他们解决现实问题，这个底层逻辑从未扭转

。 不外，PC 互联网、移动互联网时期做产品，和今天 AI 时期做产品，的确有好多分歧之处

。首先是产品范式的变动：在 AI 时期之前，我们做产品重要是通过预设职能来满足用户需要，产品方想明显要提供哪些能力，用户通过界面、菜单进行选择，就像在预造菜菜单里点餐一样

。 但在 AI 时期，产品的服务状态是盛开式的，这带来了全新的要求和挑战

。用户通过天然说话、语音等单一的交互方式提出需要，产品方无法提前预判用户会问什么

。这就必要我们充分利用模型的能力去理解用户需要，同时为模型提供各类工具接口，借助模型的逻辑推理和工具挪用能力，来应对这种盛开式的需要

。 甚至蕴含你刚才提到的评测，从前做产品有极度清澈的需要规格说明书，有明确的职能细节描述，从设计、研发到测试的瀑布式流程极度清澈

。但做 AI 产品时，整个流程都必要沉新设计

。 尤其是今年，大部门代码都能够由 AI 天生，工程师会把更多功夫花在架构设计上，写代码的工作交给 AI，只必要定期进行领导和建改

。同时，测试工作也要前置，必要提前想明显各类测试案例、评测环境，以及对盛开式答案的要求，还有若何让模型的输出风格与用户预期对齐

。整体而言，AI 时期对产品人的能力要求更全面，做产品的难度也更大了

。 其实做大模型的主题流程并没有太多奥秘，关键是把基础设施、数据这些基础工作做扎实，算法部门反而相对单一

。Hy3 的主题改进重要有三点：第一，我们沉建了整套基础设施，蕴含预训练和强化进建的基础设施
；第二，我们在数据和 Eval 层面做了大量优化，蕴含若何界说更真实的问题、若何丰硕数据的分类系统、若何持续提升数据质量——这是一个永无终点的过程
；第三，好多决策其实没有清澈的公式可循，好比若何招人、若何设定模型的迭代节拍、若何在各类衡量中做出选择，这更多是一个依赖行业判断和品尝的事件

。 说到这里，我也很好奇，你刚才和我会商了协同设计的概想，那你对协同设计是怎么看的？你以为哪些事件应该由模型团队做，哪些应该由产品团队做？ 我以为协同设计的内涵在从前两年一向在变动，这种变动很大水平上是随着模型能力的升级而产生的

。同时，行业、市场和用户需要的变动，也要求模型和产品团队更好地协同共同

。 给我最深的感触是「对齐」的沉要性

。在结合做产品、发展对齐工作时，会涉及好多分歧的角色：产品团队要明确要解决的问题和方向，模型团队要思虑若何通过技术满足需要
；同时还要回到数据层面，明确数据应该若何标注、标注到什么颗粒度、什么是好的标注、什么是不好的标注，以及哪些行为必要嘉奖、哪些必要惩治

。 还有评测环节，若是产品团队以为好的产品履历，和评测系统的尺度不一致，最终做出来的产品就会出现误差

。所以在我看来，协同设计更多是指项目组内分歧角色共同参加产品设计，共同造订产品指标和方向，让各人对各类盛开式问题达成共识

。若是没有做好这种对齐，模型的输出行为就会不成预测，甚至出现随机性，由于模型在训练过程中会被分歧的尺度混合

。这是我这两年和模型团队做协同设计最深的感触，你感触呢？ 极度认同

。协同设计最难的一点就是成立信赖，同时同理心也极度沉要

。说到底，模型团队和产品团队的指标有一致的部门，也有不一致的部门：模型团队但愿模型的通用能力越强越好，而产品团队但愿用户的需要能被最好地满足，这中央天然存在吩扃

。所以换位思虑的能力至关沉要

。 你刚才问我们和元宝是若何一步步发展协同设计的，有一个很沉要的细节：其时我们自己的预训练模型还没有筹备好，但我们知路，守护好元宝这款产品及其日活跃用户（DAU），对我们后续做模型、成立持久合作关系都至关沉要

。所以我们派出了后训练团队最强的骨干力量，先援手元宝把后训练工作做好

。 其时好多算法同学不理解这个决策，我花了好多精力去诠释，但此刻看来，这些致力都得到了回报

。这个作为让产品团队真切感触到，模型团队是真在为产品着想，这为我们后续的合作，以及 Hy3 在元宝上的成功上线，奠定了极度沉要的基础

。当然这里面还有好多技术细节能够探求，但我以为最难的部门始终是若何成立信赖、若何换位思虑

。 前几天我沉读了自己的博士论文，感伤万千，似乎回到了很久以前

。我的博士论文标题是《Language Agents: From Next-Token Prediction to Digital Automation》，写于 2019 年，也就是 7 年前

。那时辰还是 GPT-2 的时期，模型只能天生下一个 token，输出的一段话往往不连贯，还有好多谬误

。其时各人很难设想，这项技术有一天会成为扭转世界的力量

。 那时辰稍微有设想力的钻研，也只是验证模型能回覆「中国的首都是北京」这类知识型问题，能做到这一点各人就已经很开心了

。但我其时感触，GPT 是一个极度柔美的范式，天生下一个 token 是一种极简且通用的逻辑，它的潜力绝不止于此，终有一天可能实现全世界所有事件的自动化

。其时我想的还只是数字自动化，此刻看来，它甚至可能实现数字与物理世界的双沉自动化

。 我博士期间的工作重要分为两部门：第一部门是成立智能体的步骤论，钻研若何把一个只能天生下一个 token 的机械，造成一个可能实现自动化工作的智能体

。 如你所说，其中最沉要的一项工作就是 ReAct 架构

。我还记得 2022 年 7 月的一个晚上，我第一次把 PaLM 2 的 API 和我手写的维基百科 API 衔接起来，它第一次可能基于网页内容回覆问题，并进行多轮交互

。那一刻的感触，就像幽微的电灯丝忽然被点亮了

。据我所知，这是人类第一次把大说话模型和真正的互联网衔接起来，实现多轮交互

。 其时我感触这项技术可能会在 5 到 10 年内扭转世界，但现实发展速度比我设想的还要快

。蕴含我们第一次提出 SWE-bench 的设法时，我就知路若是能实现，肯定会带来巨大的价值——其时我预估是几百亿、上千亿的市场，此刻看来，这可能是数万亿、数十万亿级此外市场，我还是想得太幼了

。 第二部门工作是界说数字自动化的工作，好比 Webshop 是第一个基于互联网的网页智能体工作，Intercode 和 SWE-bench 是最早的代码智能体工作

。此刻看来，智能体技术最沉要的两个方向，的确就是网页智能体和代码智能体

。 前几天我还在群里和各人说，我看我博士论文结尾，就是我在 2024 年写 future work，第一个是 train models for Agent，第二个是 shift and robust deployment，第三个是 scientific discovery，第四个是怎么样去 help human，我很感伤，我说我此刻很幸运确切实做其时列的 future direction

。 技术的发展往往超乎CA88预期

。再深刻问一个问题，此刻各人都说智能体的运行会亏损大量的 Token，这对于混元下一代模型的研发来说，你的侧沉点会放在哪里？哪些方向是最沉要的？ 毫无疑难，智能体尤其是代码智能体，就像昔时的预训练一样，是所有模型厂商都必须攻克的基础能力

。我以为代码智能体极度性质，一个很沉要的原因是它具备图灵完整性——当模型可能节造文件系统、占有运行容器时，它就成为了一个齐全的系统

。 智能体是当下所有模型厂商的发力沉点，CA88做法重要有三个分歧之处：第一，即便代码智能体是当前的主题，我们依然强调能力系统的全面性

。我始终以为，要做好代码智能体，必要的远不止代码数据，还必要谈天、指令遵循、推理等各类通用能力，由于泛化性是大模型最主题的优势

。 第二，产品的作用越来越沉要，若何利用好线上产品的数据回流，是每个模型厂商都在思虑和应对的问题

。而我们之前堆集的大量协同设计经验，会在这方面阐扬关键作用

。 第三，我们必要维持更多的设想力

。无论是技术演进、产品演进，还是下一个范式的演进，都必要我们去做一些索求性的、存在不确定性的工作

。 从产品侧来看，此刻行业内普遍存在「Token 焦虑」，Token 成本呈发作式增长

。我听到好多客户、用户甚至身边的同事，都在亲昵关注积分或 Token 的亏损

。若何让模型在解决问题、实现工作时，实现最高的 Token 效能？好比有些工作，模型会尝试一些显著走不通的方向，浪费大量 Token，这方面有哪些优化空间？ 此刻国内会商性价比，更多是聚焦在模型架构上，但性价比其实是一个复杂的系统问题

。我以为最沉要的首先是模型机能

。好多人跟我说，最后发现用 Claude Opus 这类高机能模型，反而迸酌机能较差的模型更省钱——由于它能一次把事件做对，既节俭了 Token，也节俭了人力成本

。所以机能才是性价比的主题，尤其是今年，提升单一工作的鲁棒性，让模型一次就能把相对单一的工作做对，比单纯优化模型架构更能提升性价比

。 第二才是成本节造

。在成本优化方面，中国其实是当吓宗世界的，我们已经做了大量工作来降低模型运行成本

。但成本优化的主题，是若何用更幼的模型实现高价值工作

。在此基础上，模型架构创新、长文治理、脚手架优化等工作也必要持续推动

。 我幼我以为，在当前的中国市场，打造一个机能比肩大模型、且在大部门工作上具备强鲁棒性的幼模型，比在少数复杂的长程工作上实现一两个点的机能提升，更有现实价值

。 我也很好奇，你是什么时辰意识到智能体是一个全新的产品机遇的？你此刻对智能体的认知是什么？你以为打造一个好用的智能体，主题瓶颈在哪里？ 我们针对分歧场景打造了分歧状态的智能体产品

。智能体的设计，性质上是要最大化阐扬模型的能力

。随着模型能力的不休迭代，智能体必要做的工作反而越来越少

。我们有好几款产品，在从前这段功夫里，都随着模型能力的提升不休简化产品设计，更多的是为模型提供各类工具接口，打造更多技术，让模型可能更高效地实现工作

。 同时，我们会为模型提供「影象」能力：提取用户过往的使用习惯和偏好信息作为高低文，输入给模型

。好比在代码开发场景，要提供有关的代码高低文
；在 Workbuddy 的办公合作场景，用户造作 PPT 时，要提供有关的内容和资料高低文

。所以做分歧场景的智能体，最沉要的是理解该场景下哪些信息是有关且沉要的，把这些信息正确地提供给模型，让模型可能充分阐扬自身能力

。 近期我们推出了 Workbuddy 这类口碑很好的智能体产品，我也观察到好多幼团队在急剧迭代产品

。我很好奇，和传统的产品研发相比，智能体时期的产品研发和组织治理，产生了哪些变动？你有哪些思虑？ 前阵子我助 Workbuddy 团队写组织规划时，把稳到他们选取了极度扁平化的组织架构，和我们从前其他产品的组织大局有很大差距

。他们更多是 3 到 5 人组成一个幼分队，萦绕某一个具体领域攻坚，同时必要支持好 AI 基础设施，保险各类尝试顺利发展

。 智能体产品的研发必要大量的尝试，而大部门尝试可能都不会得到正向反馈，这就必要组织可能包涵试错，通过大量尝试提炼出对用户留存、产品指标有正向援手的方向

。这是智能体时期、原生 AI 产品对组织状态的主题要求

。 另表，从前工程师会花大量功夫写代码，但此刻这项工作根基能够交给 AI 实现

。这带来了角色的融合：每幼我都要像产品经理一样，深刻理解用户需要，设计产品状态
；每个工程师更像是有设法的掌管人，驱动多个代码智能体实现研发工作

。同时，正如我之前所说，测试、评测、对齐工作都要大幅前置，并且要充分利用 AI 能力来保险产品质量

。 再问一个各人比力关切的问题：好多自媒体都提到，腾讯在 AI 上的措施慢了，没有实时抓住一些机遇

。你感触我们真的慢了吗？你能不能再具体说说，AI 下半场到底是什么？ 我感触首先要明确两个主题判断：第一，AI 是一场短期游戏还是持久游戏？此刻硅谷舒展着一种感情，以为两年后所有人城市失业，AI 会取代所有工作，所以应该连忙赚两年钱就退休

。但CA88判断极度明确：AI 是一场持久游戏

。 从某种水平上来说，AI 才刚刚起头，下半场也才刚刚拉开序幕

。我不以为 ChatGPT 和 Claude Code 会是唯一的超等利用，若是真是那样，这个世界会非�
；野�

。未来肯定会有源源不休的新机遇诞生，此刻的 AI 行业，就像上世纪 70 年代幼我电脑刚刚诞生的阶段，还有无数的事件等着我们去做

。 第二，未来的 AI 行业会是更单一还是更多元？从前几年，行业的确有一条极度清澈的主线：预训练、后训练、强化进建、智能体、代码智能体，所有人都在沿着这条主线复造，这其实也是一件很灰暗的事件

。但我幼我以为，未来的 AI 行业肯定会走向多元化

。 毫无疑难，代码智能体带来的出产力刷新会越来越沉要，这才刚刚起头，这个市场还罕见万亿美元的空间期待挖掘

。同时，多模态、具身智能等好多新的方向也在急剧发展

。从这个角度来说，若是我们以为下半场才刚起头，那就不存在「晚了」的说法

。 当然，从前我们在模型和产品上做了好多索求，也走了一些弯路，这是很正常的——第一次做一件事件，必然会有崎岖

。但更沉要的是，能否恳切地面对自己，能否正视反馈并实时调整，能否维持耐心

。这些品质，在 AI 下半场会越发沉要

。 对

。各人总是喜欢挑腾讯的某一个点来品评，当然我们也欢迎各人对我们提出更高的要求

。腾讯是一个占有多业态、多产品的公司，好多团队在分歧赛路同时推动分歧的项目

。在这样一个复杂的组织里，必然有些处所做得快，有些处所做得慢，也有些索求会失败

。这些提醒对我们来说都极度贵重，我们也的确有好多处所能够做得更好

。 但正如你所说，这是一场长跑，一场马拉松

。腾讯占有极其丰硕的场景，就像你一路头提到的，AI 必要高低文，模型必要大量的真实数据

。腾讯从前多年在分歧产品、分歧赛路的堆集，都能为模型提供各个场景下的有效高低文，让技术真正阐扬价值

。 在这场长跑中，模型会不休迭代，用户需要会不休变动，新的产品状态也会不休涌现

。好比今年岁首龙虾这一波热潮，CA88反映就很快
；而像 Workbuddy 这样的智能体产品，我们其实几年前就已经起头布局，从最初面向法式员的 CodeBuddy，到后来发现犯法式员群体也有强烈的需要，我们也急剧实现了产品的迭代升级

。 此刻好多客户都对CA88产品组合抱有很高的等待，但愿我们能将分歧产品的能力整合起来

。我们会持续在这场长跑中稳步前进，也欢迎各人多给我们提定见和建议，多用CA88产品，给我们提供有建设性的反馈

。 我们刚才萦绕模型研发、产品落地，探求了协同设计、智能体演进、组织刷新以及行业机遇等多个话题

。从前一年，好多企业都面对着类似的猜疑和挑战：产品落地成效欠安、无法持续投入、投资回报率（ROI）不高档，这些问题城市影响 AI 在企业中的遍及进度

。 为此，我们今天正式颁布腾讯效能智能体工具集，援试祗业更安心、更高效地部署和利用智能体

。这套工具集依附腾讯的三大主题能力： 第一是场景衔接能力，通过微信、企业微信、元宝等高频场景触点，将大模型融入真实业务流，实现与用户、数据、生态的深度衔接
； 第二是工程驾驭能力，基于齐全的混元研发系统，保险智能体不变、可信、可持续运行，同时依附壮大的 AI 基础设施，蕴含高速网络、高吞吐存储和高机能智能体运行时，实现 GPU 的高利用率
； 同时，我们将启动腾讯 AI 共创营第二期，携手独立软件开发商（ISV）、治理服务提供商（MSP）等合作同伴，共同打造行业解决规划，设置更多标杆案例

。