本页要点：智能体能单独成为一个大类议题，这件事本身就是"从概念走向落地"的最强信号——因为如果不落地，就不会有这么多人来讲实践。工程上就两条：先定义合格线（评测），再按风险分档放权。金融、工业、科研，是今年最活跃的三个场景。
这是落地议题的灵魂之问。它给出的核心判断是：Ready 不是 Benchmark 强、也不是会做演示，而是能否胜任真实工作、值得托付。三个子议题：岗位胜任力、人-Agent-机器怎么分工、可信机制怎么建。说白了——能不能让它独立干活、出了事能不能兜底。
这一场点出了落地的三大瓶颈：知识、策略、信任——不是模型不够聪明，而是知识接不上、策略难优化、信任难建立。同时首发了一个金融对话评测基准 FinJourneyBench：用时序用户画像模拟、跨阶段交互、三维评估，是今年最完整的落地样板。
从 Demo 到生产的差距有多大？这一场讲稳定性、可观测、灰度与运维——都是"看起来不酷、但不上就崩"的工程细节；"智能体即服务"（Agent-as-a-Service）则把 Agent 变成可交付的服务产品。
金融是落地最谨慎、也最有价值的行业。这一场抛出金融场景三问：谁决策、谁执行、谁担责——治理结构要走在技术前面。金融不敢乱放权，所以评测和责任边界是第一位的。
"理论—系统—现场"的议题链：航空制造、装备工程、源网荷储这些高约束场景。工业的特点是容错率极低，所以更强调仿真先行、离线评测先行，先在数字孪生里试错，再上现场。
覆盖更广：数据智能体进产业、智能体进政务（比如智慧党建）、以及 AI4S 科研智能体与 AutoResearch 自主科研——AI 自己读文献、提假设、做实验。
Demo 能跑通，离能上线还很远。从这些论坛里可以提炼出四条上线必做项：
自主度不是"全自动"或"全人工"二选一，而是按风险分档：
| 自主度 | 运行方式 | 适用 |
|---|---|---|
| 辅助 | 给建议/草稿，人决定 | 高风险、非标准化 |
| 半自动 | 执行，关键节点人工审核 | 中等风险 |
| 规则内自动 | 明确规则与权限内自主 | 低风险、高频 |
做法是：先低自主度起步，用辅助模式积累轨迹和评测数据；达标后再逐步升到半自动，最后才在低风险高频场景放开"规则内自动"。这跟会议上"从能够执行，走向可以托付"的判断是一致的——信任是一步步攒出来的。
从"辅助"起步 → 攒轨迹与评测数据 → 逐级放权，信任是一步步攒出来的