从 Agent 工程化到任务交付，解读 AI 走向生产的关键挑战｜QCon 上海 2026 圆满收官

10 月 22 日至 24 日，由极客邦旗下 InfoQ 中国主办的 QCon 全球软件开发大会 2026 在上海举行。来自开发、架构、技术管理和产业一线的 1200 余位从业者齐聚现场，围绕 AI 技术演进与企业落地展开交流。

本次大会邀请到来自阿里巴巴、字节跳动、腾讯、快手、蚂蚁集团、小红书、美团、飞猪、上海交通大学、月之暗面、无问芯穹、网易、记忆张量、货拉拉、香港大学、香港科技大学、阶跃星辰、亚马逊云科技、华为、小影科技、平安科技、蔚来、涛思数据、观测云、焱融科技、43 AI、ATEVE、Datus.AI、Dexmal、Frontier、微软、蚂蚁灵波科技、Mooncake 社区、Muka Robotics、NoDesk AI、XTransfer、zoowork.ai、上汽集团、中国计算机行业协会网络和数据安全专业委员会、中泰证券、云深处科技、京东、优码云、传音控股、COSMOPlat、去哪儿、哔哩哔哩、商汤、大晓机器人、小盾未来、平安人寿、携程、智元、江苏移动、清华大学、爱奇艺、生数科技、百度等共 70 家企业与机构的 140 位专家与实践者同台分享。

在 2026 年 QCon 全球软件开发大会（上海站）主会场，从技术趋势到企业落地，从办公方式到工业数据，再到算力基础设施和内容应用，六位技术实践者沿着一条清晰路径，回答了同一个问题：AI 如何真正进入生产系统。

上午第一场演讲中，极客邦科技总编赵钰莹以《从 Agent 到自主智能：2026 AI 技术演进与 2027 趋势前瞻》为题，回顾了 AI 从模型能力竞争走向 Agent 工程化的过程。

在她看来，随着基础模型能力不断提升，行业关注点已经从模型本身扩展到 Agent 工程、多智能体协作、上下文管理、评测体系和生产可靠性。

Agent 不再只是能够回答问题的助手，而是开始承担任务拆解、工具调用、过程执行和结果交付。但能力越强，系统复杂度和潜在风险也会同步增加。

“模型能力并不是决定 Agent 落地效果的唯一因素，工程框架同样会直接影响任务完成质量。”

她特别提到，多智能体并不意味着 Agent 越多越好。过多的 Agent 可能带来更高的通信成本、错误传播风险和协作损耗。企业真正需要关注的，是任务是否完成、结果能否验证、过程能否追踪，以及失败后能否恢复。

AI 带来的变化也不只发生在技术系统内部。随着 Agent 逐渐进入业务流程，企业原有的岗位边界、协作方式和决策机制都可能发生变化。

“AI 转型真正深刻的变化，不只是效率提升，而是岗位分工、业务流程和组织结构的重新设计。”

这意味着，企业下一阶段的 AI 改造不能只是研发团队的工作。业务专家也需要参与 Agent 目标、业务上下文、执行规则和验收标准的定义。只有技术团队与业务团队共同参与，AI 才可能从一个演示能力，转变为稳定的生产能力。

第二场演讲中，极客邦科技创始人兼 CEO 霍太稳围绕《助力企业 AI 加速落地》，分享了极客邦科技在企业 AI 服务方向上的新思考。

今年是极客时间成立 9 周年。9 年来，极客时间持续通过课程、内容和社区连接技术人才与企业。面对 AI 带来的变化，极客邦科技将进一步把知识、人才与生态资源连接到企业 AI 落地实践中，并将公司使命升级为“助力企业 AI 加速落地”。

在本届 QCon 上海期间，极客时间围绕 AI 落地推出了多项内容与服务，包括目标汇集 100 个真实业务实践的《AI 落地案例集》，以及覆盖大模型通识、Agent 工具、工程化和面试方向的 18 个 AI 工程师知识库。

依托服务 4000 多家企业、连接 400 多万用户的积累，极客邦科技发现，企业和 AI 交付团队正面临着相互对应的难题：企业难以从众多产品和供应商中完成选型，交付团队则常常面临获客难、建立信任难和获取高质量需求难。

因此，模力工场从 AI 社区平台升级为企业 AI 落地服务平台，围绕企业需求发布、场景诊断、方案匹配、FDE 交付和项目协同展开，并逐步沉淀场景库、人才库、解决方案库和项目案例库，建设评价与信用体系。

霍太稳表示，极客邦科技近 20 年来持续连接企业与技术人才，InfoQ 关注技术演进与行业实践，TGO 鲲鹏会连接科技领导者，极客时间参与人才培养。这些积累让极客邦科技既能理解企业需求，也能连接具备实践能力的人与团队。

面向企业，模力工场希望提供从场景诊断、方案共创、FDE 落地实施到价值优化的完整路径；面向生态伙伴，则通过联合方案、客户共创与交付协作，让优质产品、技术和方案进入真实业务场景。

从知识获取、人才培养，到方案匹配和项目交付，极客邦科技正在形成一条从技术内容到企业 AI 落地的完整链路，让好产品找到场景，让真实需求找到答案。

在第三场演讲中，阿里巴巴千问办公副总裁任卿围绕《软硬一体：打造 AI 时代的工作方式》，讨论了企业如何借助 AI 重构日常工作流程。

任卿认为，企业级 AI 与通用对话产品的差别，首先在于它面对的不是一个孤立问题，而是一个包含组织关系、业务流程、权限体系和历史信息的复杂工作环境。

模型可以沿着公共数据和公共知识不断进化，但企业真正独特的资产，往往存在于自身的组织关系、业务流程、客户信息、产品规则和历史经验之中。

“对企业级 AI 来说，上下文工程带来的差别不是一百倍，而是零和一，是可用与不可用的区别。”

上下文并不只是一段提示词，还包括用户身份、权限范围、历史行为、业务对象及其关系。只有把这些信息组织成 Agent 能够理解和调用的结构，AI 才可能从通用助手进一步成为企业工作伙伴。

但 Agent 越接近真实业务，风险也越高。能够读取数据、调用系统和执行操作的 Agent，一旦判断错误，影响可能远大于一次错误回答。

因此，企业级 Agent 不仅要有“加速能力”，还要有“刹车能力”：在关键操作前确认权限，对敏感动作进行留痕，并在异常情况下停止、回滚或转交人工处理。

对企业而言，AI 时代的工作方式并不是简单地把原有流程自动化，而是重新思考哪些工作应该由人完成，哪些工作可以交给 Agent，以及人和 Agent 如何共同承担责任。

涛思数据创始人兼 CEO 陶建辉在《打造工业本体，构建 AI 原生的工业数据基础设施》中指出，工业企业并不缺少数据。SCADA、设备系统、时序数据库和业务系统中积累了大量信息，但这些数据长期分散在不同系统中，缺少统一的语义表达。

一个温度、压力或转速数据，如果缺少设备对象、采集位置、计量单位、时间范围和工况信息，对 AI 来说只是一个孤立数字。

“只有把一个数值对应的上下文完整提供出来，这个数据才有意义；否则 AI 只能靠猜。”

因此，工业 AI 首先要解决的不是“让模型更聪明”，而是建立能够被人和 AI 共同理解的数据结构。

涛思数据正在工业数据基础设施之上构建工业本体层，用于描述设备、属性、事件及其关系，为跨系统查询、故障分析和 Agent 调用提供稳定的语义基础。

对于规则明确、结果稳定、需要高频执行的任务，更适合让 AI 生成经过验证的程序，再由系统持续运行，而不是每次都让模型重新推理。

“可以用 AI 生成确定性的程序，但没有必要让 AI 每次都重新执行确定性的逻辑。”

在这一分工下，AI 更适合处理开放问题、复杂意图和动态决策，传统软件则负责高可靠执行。两者结合，才能兼顾灵活性和稳定性。

对于缺少资金、人才、专家和时间的中小企业而言，工业 AI 的价值不只是提供一个新工具，更是帮助它们将分散的数据转化为可理解、可调用、可持续利用的业务资产。

当前智能体正推动全球 Token 需求集中释放，并呈现长期持续的指数级增长趋势。上海交通大学人工智能学院副教授、无问芯穹联合创始人兼首席科学家戴国浩在《以 Agentic Infra 技术实践支撑词元工厂持续演进》中表示，芯片、网络和数据中心等物理设施的供给受到制造能力、电力及配套条件约束，仅靠计算资源规模扩张，很难满足指数级增长的 AI 需求。要弥补这一供需缺口，一方面需要以更少的能源和算力投入生产更多 Token，另一方面也要提升 Token 向实际任务成果的转化效率。两者共同决定了 AI 基础设施的有效产出能力。

“不仅是 Infra for Agent，还有 Agent for Infra。”

一方面，基础设施要稳定支撑 Agent 的运行与进化；另一方面，Agent 也可以参与算子优化、系统运维、资源调度和基础设施自身的演化。AI 基础设施面临的机会不再只有“如何更高效地生产 Token”，还包括“如何利用 AI 提升整个生产系统的效率”。

过去，企业更关注单卡吞吐量、Token 价格和响应延迟；未来则需要进一步关注：完成一个可验证任务，需要多少综合成本。

真实任务通常不是一次模型调用，而是一条包含规划、执行、工具调用、结果检查和失败重试的工作流。如果任务频繁失败或需要反复调用，即使单次推理价格很低，整体成本仍然可能很高。

因此，Agentic Infra 的目标不只是让系统运行得更快，也包括让系统能够持续优化任务路径，并不断提高每个 Token 所产生的实际价值。

戴国浩提到：“Agent 应用中，模型能力固然重要，但模型并不是决定最终任务效果的唯一因素。Agent 效果还取决于 Harness 的组织方式。”一系列已有工作已证明，智能系统的改进对象，正从生成轨迹扩展到 Workflow 与 Agent 自身。

围绕这一技术方向，戴国浩分享了在自动算子优化、科学推理和具身智能端侧推理部署等场景中的实践案例。在这些场景中，Agent 不再只是上层应用的调用者，而是深入到了底层技术系统的优化环节。他表示：“无问芯穹相信能够建立一套 Token maxxing 的 Agent Harness，在满足质量约束的前提下最小化端到端成本，通过优化轨迹数据进一步改进 Agent 系统的优化策略，逐步向 RSI 推进。”

从“生产更多 Token”拓展到“以更低成本交付更多有效任务成果”，AI 基础设施正向着能够持续交付有效 AI 生产力的新型供给体系逐步演进。

最后一场演讲中，小影科技创始人兼 CEO 韩晟以《从工具到 Agent：小影内容创作的三次范式迁移》为题，分享了 AI 如何改变内容创作产品和组织方式。

在移动互联网阶段，产品主要向用户提供剪辑、模板等创作工具；进入生成式 AI 阶段，图片、视频、音乐等素材可以由模型生成，但用户仍然需要自己组织完整的工作流；到了 Agent 阶段，产品开始从提供工具转向理解用户意图并交付最终结果。

同样一句“制作一条宣传视频”，在不同用户和场景中，背后的目标可能完全不同。美甲店希望吸引顾客到店，奶茶店可能关注促销转化，电商商家希望突出产品卖点，自媒体创作者则可能更关注内容完播率。

因此，Content Agent 需要理解的不是一句指令，而是用户、场景、目标和结果标准。

小影科技的实践是，通过 AgentOps 统一管理模型路由、Skill、工作流、评测、安全和可观测能力，让业务团队可以组合已有能力，快速搭建产品原型，并在真实用户环境中验证结果。

在这一模式下，技术团队不再只是逐项实现业务功能，而是更多负责建设平台、组件和运行机制；业务团队则基于这些组件快速构建 Agent、验证需求，并根据用户行为持续修正成功标准。

真正需要长期沉淀的，也不只是对某个模型的调用，而是企业对用户的理解、对结果的定义，以及围绕真实反馈形成的数据闭环。

按照当天主会场的演讲顺序，六位嘉宾分别从趋势、企业服务、工作方式、工业数据、基础设施和内容应用展开讨论，最终形成了一条完整的技术与产业路径：

AI 首先需要理解企业的业务上下文，随后依赖数据语义和基础设施完成任务执行，最终通过工作流、评测和组织协作，将模型能力转化为可验证的业务结果。

第二，企业需要沉淀的核心资产，从一次性的模型调用，转向数据语义、上下文结构、评测标准和用户行为反馈。

第三，AI 带来的组织变化不再局限于研发部门。产品、业务、技术、测试和运营团队，都需要围绕任务结果重新组织协作方式。

对企业而言，接入大模型只是开始。真正的挑战，是建设一套让 AI 能够被使用、被验证、被复用，并持续创造业务结果的生产系统。

如果说主会场讨论的是 AI 正在走向任务交付，那么分会场则进一步回答了：一套真正可用的 AI 系统，需要经过哪些工程环节，才能进入生产环境。

AI Native 架构、企业级多 Agent 架构与系统、Agent as a Service、Loop Engineering 等专题，聚焦 Agent 的架构设计、任务编排、状态管理、工具调用、执行环境和安全边界。

与此同时，Agent 自主进化：从记忆到持续学习进一步讨论了 Agent 如何管理长期记忆、积累执行经验，并在反馈中持续改进。

当 Agent 进入生产环境，可靠性和可控性成为新的重点。AI Infra：算力效率决定规模化落地关注训练、推理、调度和软硬件协同；AI Agent 可观测与持续改进工程讨论如何通过 Trace、评测和反馈，让 Agent 的行为可见、结果可测、系统可持续优化。

理性驾驭 AI、Harness、Loop 与 Graph：Agent 产品设计的演进之路、AI 时代的攻防重构以及驾驭 Agent：记忆、观测、沙箱与具身实践等专题，则进一步覆盖 SRE、运行安全、沙箱隔离、风险治理和 Agent 产品设计。

在研发环节，AI 驱动的软件工程和 Vibe Coding 时代的新质量债关注 AI Coding、研发 Agent、代码评审、测试验证和可信交付，讨论如何解决“代码生成更快，但质量验证更难”的新问题。

在数据领域，Agentic 时代的数据系统重构聚焦 Data Agent、数据语义层和 Context Layer；端云协同与 AI Native 终端生态：从端侧模型到智能体应用则讨论端侧模型、异构计算、端云联合推理以及跨设备智能体体验。

AI 的价值最终需要在真实业务中验证。数据驱动的具身智能：迈向规模化之路关注机器人数据闭环、物理智能和规模化落地；千行百业 Agent 创新实践覆盖客服、营销、交易和企业生产等应用场景。

AIGC 内容工业化聚焦内容生产、质量评估、安全合规和多 Agent 协同；金融 AI Native 工程实践：从研发提效到业务破局则将视角延伸至保险、证券、跨境支付和金融风控等场景。

除了技术专题，大会还设置了打造 AI Native 型组织和技术人的下一站，讨论企业如何重构协作机制、工程管理和人才能力，以及技术人如何从代码实现者走向系统设计者和任务结果负责人。

此外，大会还设置了 KIRO「鬼点子计划」拍卖会、AI 落地见真章——极客时间 9 周年×QCon 上海同行之夜和把 AI 这道题从头做一遍等特色活动，为参会者提供动手实践、真实案例讨论和面对面交流的机会。

从架构、基础设施和数据系统，到研发交付、组织变革和行业应用，本届 QCon 上海的分会场共同呈现了一张 AI 生产化路线图：AI 正在从一个需要被调用的能力，逐渐成为可以被设计、运行、评测和持续改进的生产系统。

在大会现场，展区同样有人气十足的技术交流。亚马逊云科技、TDengine（涛思数据）、观测云、合合信息、焱融科技、智元 AIMA 开发者社区、AReaL、IPIP 等企业围绕 AI 基础设施、智能体开发平台、数据与算力及工程化工具，展示前沿技术与实践方案，并与参会者展开深入交流。腾讯云等合作伙伴也通过赞助支持和生态协同，共同参与本届大会。

此外，中欧国际工商学院 EMBA、独角兽创业营、TGO 鲲鹏会作为学术合作单位，为大会提供支持。多方伙伴共同连接技术创新与产业实践，推动 AI 技术在真实业务场景中持续落地。

12 月 18–19 日，AICon 全球人工智能开发与应用大会将在北京举办。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。