在AI领域，“人为编排”困境普遍存在。系统设计对人工规则的过度依赖，不仅灵活性不足，而且难以满足毫秒级决策需求以及复杂动态场景。近期，中国AIoT头部企业特斯联打造全新智能体系统——HALI，将端到端强化学习技术与高质量行业数据相结合，不断攻克困扰行业多年的“人为编排”困境，更在长期记忆与多智能体协同领域取得关键突破，推动机器智能向类人思考迈出实质性步伐。

特斯联创始人兼CEO艾渝于Web Summit发布通用智能体
传统智能体系统需要人工预先设定每个任务的运转逻辑，将复杂任务分解为预设子任务的模式，虽能在限定场景下稳定运行，却使系统沦为按图索骥的“提线木偶”。近年来，伴随大语言模型能力的不断突破，智能体正在通过多模态工具整合、复杂决策闭环、动态环境交互，弥补大模型在空间智能中的局限性，推动其从“知识提供者”向“自主行动者”角色的进化。
2024年底，特斯联曾在科技顶会Web Summit联合国际轻奢品牌Buttons发布由特斯联AI技术驱动的多模态通用智能体，其具备四重能力——“类人”思考，长期记忆，“团队”协作，及高维感知能力。特斯联全新智能体系统——HALI的设计亦延循此思路。
为了攻克“人为编排”困境，特斯联采用端到端强化学习方法，使用高质量数据微调训练出HALI智能体系统，通过奖励函数而非依赖人工，引导模型在与工具/设备/环境的交互中不断优化策略。
引入端到端强化学习是特斯联针对提升智能体底层模型能力做出的初步尝试，通过该方法，智能体系统HALI无需外部人工编排系统、定义流程，能够直接依据用户的输入进行推理、规划、执行任务，实现自行决定外部工具的调用、子任务的分解、自我校验，获得了良好的简洁性，又增强了系统的鲁棒性、泛化能力和准确性。
此外，特斯联在HALI引入高效数据压缩方法，可从用户的对话数据中提取关键有效信息，提高存储数据的信息密度，并构建用户的知识图谱，提高系统对用户意图的理解和检索结果的准确性，降低系统的时延和计算成本，使具备超长记忆能力的陪伴式智能体成为可能。
最后，特斯联还在HALI中采用并行多模型执行技术，使用微调的移动端小模型和服务器端大模型混合方案。对于用户的复杂指令，该方案通过部署在服务器端的高性能大模型来同步理解和执行，以确保对复杂指令的准确处理。
随着特斯联针对智能体技术研发的持续推进，未来，HALI有望打通更多感知终端及垂域场景，沉淀更高质量、更多维度的数据，进一步攻克机器向类人思考技术难关。