返回资讯中心
外部精选
软件工程
#工程实践#架构

TaoDesign 的知识工程实践:从设计资产到 Agent 持续进化|AICon北京

当 Agent 真正进入企业流程,哪些工作可以交给 AI ?50 + 实战案例揭晓答案!

InfoQ 中国AICon 全球人工智能开发与应用大会2026/11/21 · 今天6 分钟阅读中文

以下正文同步自 InfoQ 中国,版权归原站所有,已转换为易读排版。

当 Agent 真正进入企业流程,哪些工作可以交给 AI ?50 + 实战案例揭晓答案!

AI 正在从回答问题的辅助工具,走向理解目标、调用系统、完成任务的工作承担者。当 Agent 真正进入企业流程,问题不再是 “如何把 AI 做出来”,而是哪些工作可以交给 AI、结果如何验收、权限、成本与风险如何收住。随着大模型向推理、工具调用、多模态和长任务延伸,开发重心正从单次调用转向上下文、工具、执行环境与反馈回路的设计,Coding Agent 也从代码补全演进为能理解代码库、运行测试、完成复杂任务的工程协作者。OpenAI、Google Cloud、Anthropic 的最新实践共同指向一个结论:模型决定 Agent 能做什么,工程决定它能否真正进入生产、创造价值。

在这一背景下,2026 年 AICon 人工智能开发与应用大会 · 北京站将于 12 月 18–19 日,在北京新云南皇冠假日酒店举办。本届大会以探索 A 应用边界为主题,设置 13 大技术专题,覆盖大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构及组织变革等核心方向,汇聚一线技术专家,深入分享 AI 技术突破与企业规模化落地的真实实践。

阿里巴巴技术专家夏温武已确认出席 “Knowledge Engineering|让 Agent 理解企业” 专题,并发表题为《TaoDesign 的知识工程实践:从设计资产到 Agent 持续进化》的主题分享。企业需求从产品、设计流转到研发,常常需要反复确认交互细节和业务规则。设计稿能表达页面样式,却未必能完整说明这些要求;已有的规范、组件和模板,也不容易被准确找到和使用。Agent 参与设计后,同样需要理解这些业务知识,才能生成符合要求的结果。

夏温武的本次分享,将结合淘天 TaoDesign 的实践,讨论设计 Agent 的产品与架构选择、业务知识的组织和使用,以及设计资产与修复经验的蒸馏方法。重点介绍如何让 Agent 在生成和修改时用对规范与模板,如何将任务中的修复经验整理为后续可用的知识,以及如何通过人工复核和回归评测判断这些改进是否有效。

夏温武,阿里巴巴技术专家,负责 TaoDesign 设计工作台的架构设计与研发,专注于 AI Agent 工程化与 AI 应用落地,在知识积累、设计资产与经验蒸馏、评测驱动的持续优化等方向开展实践。曾负责淘系前端框架与工程工具建设,是飞冰(ICE)开源产品的核心开发者,在前端架构、工程化及研发提效方面拥有多年实践经验。

需求尚未想清楚就开始做稿、已有设计资产难以复用、交互逻辑在交接时遗漏,都可能让问题拖到研发阶段才被发现。讨论这些问题在设计环节的具体表现,以及如何借助可交互设计稿、业务规范和结构化标注,更早确认需求,传递设计知识

围绕设计师和产品人员生成、修改及交付设计稿的工作过程,介绍 TaoDesign 的产品设计与端—云—沙箱架构。重点讨论哪些操作适合直接修改源码,哪些需要 Agent 处理,以及业务知识如何参与生成、编辑和研发交接

设计规范、组件、模板和素材如何组织,Agent 才能找到适合当前任务的内容?结合资源检索、知识摘要和按需读取的实现,介绍如何精简输入,同时保留必须遵守的规则;通过风格约束和模板复用,减少选错资源、漏读规范和重复生成的问题

结合两类材料介绍知识蒸馏的做法:一类是已有设计稿、规范和业务文档,用于整理风格、模板与使用规则;另一类是生成和修复记录,用于总结问题原因、修改方法及适用条件。讨论如何蒸馏总结多个案例并形成通用规则

介绍 TaoDesign 如何收集真实任务中的问题,通过评测分析原因,将有效修复经验经人工复核后更新到知识库,供后续任务使用。再通过版本回归检查原问题是否解决、其他场景是否受到影响,让知识更新有依据,改进效果可验证

学习设计规范、模板与素材的组织和检索方法,以及从设计材料、修复记录中提取可复用知识的做法

了解如何结合任务反馈、人工复核和回归评测更新知识,判断改进是否有效、是否影响其他场景

以淘天设计工作台 TaoDesign 的真实设计实践,讲清企业已有的规范、模板和设计经验,如何转化为 Agent 用得上的知识,并在实际使用中持续改进

结合设计稿生成与修改,分析模板找不到、规范未遵循、相同问题反复出现等现象,展示知识组织和使用方式如何影响最终结果。

从存量设计稿和规范中提取风格、模板与使用规则,从成功和失败的修复记录中总结方法与适用条件,让已有资产和执行经验都能被后续任务复用。

通过真实问题回流、人工复核和回归评测,判断新增知识是否解决了问题、能否用于其他任务、是否引入退化,为企业建设持续更新的 Agent 知识体系提供实践参考。

除此之外,本次大会还策划了Post-Training Engineering|数据、奖励与模型能力塑造、大模型推理与算力调度实践、Knowledge Engineering|让 Agent 理解企业、Multi-Agent Systems、智能体评测与生产可靠性探索、Agent Security|身份、权限与行动安全、AgentOps|企业 Agent 全生命周期管理、Self-Evolving Agents|从经验学习到可控进化、Agentic Software Engineering|从代码生成到软件交付、Personal Agent、AI 原生架构的演进与治理、AI 时代的组织重构、AI × Industries |产业智能化等 13 个专题论坛,届时将有来自不同行业、不同领域、不同企业的资深专家在现场带来前沿技术洞察和一线实践经验。

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →