Thomas Li

负责 AI 浏览器端到端技术战略、架构标准与工程、算法，带 ~20 人跨美中团队、4 条并行产品线，并覆盖模型训练与科研。主导 Copilot 在微软内部的架构统一，把 Edge 与 Bing 在 Windows / Mac / Mobile 上收敛到同一套 Agent 架构与统一 prompt 工具层。

产品与业务交付

• Tabs Auto Grouping（2022 全球首发，领先 Google 约 12 个月）：业界首个基于 LLM 的浏览器标签自动分组，最终收敛到自研 SLM（基于 Mistral 微调）在线服务。带动 Tabs 业务线 3× 增长。
• 侧边栏长文理解（contextual RAG）：Edge Copilot 内的长文档理解能力。
• Edge Copilot 端到端重构：统一支持实时交互与浏览器操作，并推动整个微软 Copilot 工具与 prompt 的实验和迭代流程。对话成功率 76% → 90%，动作成功率 50% → 90%，首个 token 1s → 241ms。
• Journeys（2026 全球首发）：把长期浏览历史自动聚类为主题，每个主题生成一张可视任务卡与后续动作建议，呈现在浏览器首页并可在 Copilot 内继续。+3.9% 转化 / +4.3% CTR / +24% 覆盖。
• Office Agent / Digital Labor：从 0 搭建覆盖 Office 工作流的 multi-agent 技术栈，并进一步扩展为「团队优先」的 agent harness —— 团队级记忆 + 对长程任务的主动参与，已落地 Microsoft Teams。
• Web Remix：让浏览器按需生成网页能力 —— 依据当前页面或浏览历史生成 mini-app，并支持用自然语言改造网页。
• 模型路由与训练：负责模型路由策略在「效果 / 延迟 / 成本」上的取舍，在前沿模型与自研微调小模型之间迁移生产流量。
• 规模：Edge Copilot 从 0 做到百万级 DAU；Journeys 与 Tabs 各自运行在百万 DAU 量级。

个性化与增长

• Deep Embedding：统一用户 / 内容表征。多任务学习联合建模多目标 + 难负样本挖掘；蒸馏与量化把模型从 200M → 10M。
• 统一个性化推荐系统：端云结合计算用户意图与表征，服务 Notification 与 Copilot Suggestion Chips —— Notification CTR +110%、Chips 采纳率 +120%。
• 增长与付费投放：建立 User Segmentation 体系，负责 Edge Mobile 增长，DAU 3M → 20M；ARPU +90%、LT_7 +20%、留存 +1.4pp、DAU 增量 700K；GB / US 市场 ROI 291% / 188%。

整体负责算法 / 工程 / 团队从 0→1。

• 直播推荐：DSSM softmax in batch + bitwise FM / AutoInt + CGC + PCGrad + GradNorm + ESMM。关注渗透 +17%，人均时长 +1.15%，有效主播开播数翻倍。
• 用户 / 家族推荐：二部图 GraphSAGE + GNN + Attention + 自监督学习。家族业务次留 +3.4%，关注渗透 +100%。
• 平台与基建：从 0 搭建社交推荐的工程底座 —— 图数据挖掘平台、特征平台、召回平台，以及数据报表系统；统一召回 / 特征 / bandit / 流量调控服务，覆盖 15 个入口、4–5 个垂类，整体渗透 +10%。

• 音乐人推荐：从 0 搭建「网易音乐人推荐」（word2vec 相似用户召回 + LR 排序），关注率与关注量均 +100%。
• 关注 feed 排序：基于 itemCF + GBDT 重构关注 feed 排序，播放量 +10%。

• 天合计划：将业务约束建模为在线最优化求解问题，实现保量的同时保持点击率与钻展收入持平。
• 手淘 Push：全链路负责数据分析、在线投放工程与运营管理平台建设。用拉格朗日优化求解带约束的投放分配，在提升点击率的同时保证各业务线获得约定流量；对比原有圈人策略 +100%。
• 购物券分发：在预算与核销约束下做券的人群定向与分发决策。
• 双 11 珠峰计划：负责销量预测与流量调控。销量预测支撑双 11 各时段、各商家的销量完成率达 90% 以上。

• 数据采集：搭建数据采集链路，将本地数据转发至 HDFS 集群，吞吐提升 10×。
• Web：华为云早期 Web 开发。
• C++ 后端：C++ 网元创建与维护软件的设计与开发。