InfoQ 2026 年趋势报告：AI、ML与数据工程

InfoQ 人工智能与机器学习年度趋势报告为 InfoQ 读者提供 AI、ML 和数据工程领域新兴趋势和技术的全面概述。本报告总结了 InfoQ 编辑团队与外部嘉宾的播客内容，讨论 2026 年 AI 和 ML 技术的趋势以及未来十二个月值得关注的方向。我们的配套播客对所有这些趋势进行了深入讨论。

年度趋势报告的重要组成部分是曲线图，它展示了进入创新者阶段的趋势、技术和主题，以及进入早期采用者和早期大众阶段的趋势。这些阶段的划分参考了 Geoffrey Moore 的著作《跨越鸿沟》。InfoQ 的主要关注点集中在尚未跨越鸿沟的技术。以下是今年的曲线图：

自 ChatGPT 于 2022 年 11 月发布到现在已经快四年了。RAG 技术开始获得企业采用，自主 LLM 智能体出现也已经有两三年了。过去几年的爆炸式增长在 2026 年得以持续，自 InfoQ 团队讨论2025 年的趋势报告（见下面的 2025 年曲线图）以来，AI 技术得到了显著的创新和发展。

今年的趋势报告建立在我们去年讨论的基础上，重点解读技术采用曲线图，展示了技术采用的不同阶段，并提供了自去年趋势报告发布以来新增或更新的技术的更多细节。我们还讨论了哪些技术和趋势在采用图中得到了提升。对于今年更新的采用曲线图，团队还添加了一些我们在播客中没有讨论的主题。

可以看到，我们还对范围重叠的主题做了重大重组，移除了一些不再需要跟踪的技术，因为它们已经成为主流。

随着智能体式 AI 系统日趋复杂，往往包含多个智能体、跨多个业务域，单个智能体之间、多智能体系统之间的通信是保障这些系统稳定、安全、准确、可靠运行的关键。

趋势报告播客嘉宾 Daniel Dominguez 谈到了智能体通信协议及其在整体智能体式 AI 解决方案中的重要性。

Daniel Dominguez：底层正在发生一场架构变革。要让智能体在企业内部发挥作用，它们需要调用工具、读取数据、访问 API，并与其他智能体对话。MCP 或 A2A 这类协议将变得越来越不同。我认为问题是智能体间协议是否会成为新的企业集成层。

例如，现在我们将应用程序连接到 API，未来可能会增加智能体发现能力，基于这些 API 实现任务协同。我认为所有这些架构层也在改变智能体相互交互的方式。

AI 推理是另一个高速发展、变革巨大的领域。2026 年被称为推理之年。企业正在从训练模型转向在生产环境中运行 AI 推理。到今年年底，推理预计将占 AI 计算支出的三分之二左右。推理模型、长上下文和智能体让推理不再只是模型执行问题，而是覆盖算力、内存、网络、路由、成本的系统性工程。

Hien Luu：自 2026 年初以来，与推理相关的话题出现了爆炸式增长。一方面，vLLM、SGLang 等推理堆技术栈让我们可以在自有环境中快速搭建推理服务。另一方面，开放权重模型变得越来越强大。这个领域最初没有多少人了解它们的工作原理以及如何运维，但现在有更多关于如何使用和优化这些软件的信息和资源。与此同时，我们谈到的部分应用场景面向金融企业，这类场景中会涉及个人身份信息（PII）。

针对这类特定业务场景，在企业内部部署开源权重模型变得非常重要。我认为这一趋势还会持续发展，因为门槛大幅降低、落地变得更容易，未来企业会更多地采用这种方式。有些企业出于降本需求，会在内署部署开源权重模型用于编码。出于许多原因，推理依旧是一个非常有用、影响力巨大的话题，越来越多的企业将开始这样做。

一个相对较新的领域从今年开始受到很多关注，那就是 Harness 工程。Hien 谈到了它的重要性，以及它如何为记忆管理和协同执行等工程能力提供支撑。

Hien Luu：关于智能体，我想补充两点。一个是 Harness 工程，我认为它是上下文工程的延伸。有一个现象我觉得很有意思，也和我即将开展的研讨会主题相关，这些智能体 SDK 最初只是帮助我们编写任务循环逻辑，现在已经扩展到提供 Harness 工程能力，包括上下文记忆管理、协同执行，以及一些用于本地文件系统的现成工具。

这是你可以看到的另一个趋势，来自 LangChain、Anthropic 或 OpenAI 的智能体 SDK 都在朝着在 Harness 工程中添加更多能力的方向发展。对于构建智能体的人来说，这是值得关注和利用的。智能体管理领域还存在另一大趋势，这些公司为你提供托管智能体的运行时环境。你是否想这样做是另一个问题，但这是行业观察到的现状。“我们有能力搭建智能体，也能把它做好，但接下来该如何规模化运维、部署运行？”

随着 AI 技术在软件开发过程中贡献大部分代码，开发者开始更多地关注需求和规范，充分利用自动化能力完成应用设计、编码工作。

这一技术转变催生了规范驱动开发和 AI 软件工厂等趋势。企业组建专门团队搭建软件工厂模式，开发团队可以使用 AI 工具来自动化完整的软件开发过程。这个模式包含特定的 SDLC 步骤，如自动编译和分析现有软件应用程序的业务和需求、评审新的业务需求或系统增强、为这些新需求编写功能和非功能（技术）规范、生成设计和开发任务来实现新需求，最后自动生成新版本软件的代码与交付产物。

Hien Luu：这可能是从四五年前开始的。编码智能体现在变得非常强大。但在开发项目时，你通常会先明确目标、功能，做好规划，而不是直接丢给编码智能体开始写代码。它借鉴了我们早已熟知的最佳实践，只不过现在将其编纂成编码智能体可以遵循的形式。例如，如果从零启动一个全新项目，你要先编写需求规范：这个项目是做什么的？需要具备哪些能力？

然后你与编码智能体进行头脑风暴，在它开始编码之前为它提供所需的上下文。人们为此有了很多好的实践。我认为大多数人都认可这是一种好的实践。现在相关讨论反而变少了，因为人们已经在实践它了。而 AI 工厂是另一个可能在过去几个月才真正出现的趋势，即如何将 AI 融入软件开发生命周期的各个步骤。

一个典型的场景：“有人提了一个缺陷。你如何让 AI 从头到尾处理这个问题，拉取 PR、进行分析、尝试重现问题、修复、提交 PR，然后走完评审、测试等后续流程？”我们所有人都有太多事情要做、太多任务要完成。我认为如果我们能够自动化这个过程，那将从另一层面提速软件开发生命周期。

另一个创新持续涌现的领域是物理 AI，也就是把智能带到现实物理世界当中。AI 智能体是一个软件系统，我们如何将同样的能力带入硬件，无论是机器人、协作机器人还是自动驾驶汽车。

Daniel Dominguez 谈到了物理 AI 领域正在发生的事情以及我们应该关注的方向。

Daniel Dominguez：核心命题就是“我们如何将 AI 带入物理世界？”过去几年，我们花时间将智能放入软件中，现在开始将这种智能连接到可以感知物理环境、执行物理动作的机器上。所以我们开始看到机器人，看到自动驾驶汽车、无人机和工业系统，现在都是这一转变的一部分。我认为物理 AI 与软件智能体的根本区别在于，物理 AI 一旦出错，会产生实实在在的物理后果。

软件智能体可能在生成文件时出错，但机器人一旦失误，将是完全不同级别的错误。可靠性、模拟、安全、验证和评估在物理世界中将变得越来越重要。在这样的背景下，机器人基础模型正在发生的另一个重要转变是机器人也开始从语言、视觉领域已经验证有效的基础模型路线中受益。

我们将开始看到为数字孪生机器人这类技术落地，开源机器人领域会迎来新进展，实现从 AI 智能体到物理智能体的跨越。所有这些都将在明年开始发展得越来越快，因为现在 AI 能力已经就绪，我们必须将其落地到我们的物理世界中。

Chip Huyen：让模型进入现实世界是下一个前沿方向，目前已经有了很多进展，但同时也面临多重挑战。我们一直说机器人就像汽车，就像大模型说的，“我们知道在现实世界中有很多机器人。”我们有 Waymo，有 Zoox，现实世界中有很多机器人。

机器人模型和 LLM 之间有一个很大的区别，就是回退所带来的难题。当你在虚拟环境中训练 LLM 时，如果它犯了错误，你可以回退。你可以重置状态然后继续，可以做很多探索并选择最佳的状态。

但你很难对机器人做同样的事。举个例子，如果机器人爬楼梯摔坏了，你无法让机器人恢复成出事之前的状态。这就让试错探索变得非常非常困难。另一个挑战是数据。我一直在研究很多机器人方案。我关注很多机器人创业团队，Janatics Robotics、Generalist、Physical Intelligence、Sunday、Skild AI 这些公司都很值得期待。

和去年一样，智能体式 AI 依旧是本年度核心热点。2025 年及之前的年份都是关于如何学习和如何构建 AI 智能体。现在企业正在努力弄清楚如何运维智能体，如何将它们部署到生产环境，以及如何在生产环境中扩展它们。

Daniel Dominguez 在 2025 年的播客中讨论了 AI 智能体领域的最新发展。

Daniel Dominguez：我认为 2026 年最大的变化是 AI 正在从与人交互的工具转变为可以执行任务的执行者。就像 Hien 说的，我认为过去几年大多数 AI 应用程序都是基于简单的交互。你问问题，手机给你答案。从今年开始，我们看到了可以自主规划、调用工具、执行动作、并持续工作更长时间的系统。我认为今年的重点不在于模型智能能力的又一次飞跃，而在于把已有的智能能力落地成真正可用的系统。

我觉得有趣的是，智能体正在非常快速地跨越几个阶段。从个人智能体开始，然后我们开始看到与团队合作的智能体，现在企业正在思考跨整个组织运作的智能体。我认为最重要的变化是我们正在超越聊天机器人模型，不再只是生成一个答案。智能体可以有目标、可以使用工具、可以与软件交互、可以做决策，并可以持续工作直到任务完成。

我认为这将 AI 从界面转变为更接近执行层的东西。这一点在软件开发领域体现得最为明显。我们从代码补全发展到智能助手，现在有了编码智能体。我们有 Claude、Codex、Cursor、Replit 等工具，它们可以浏览代码库、修改多个文件、运行命令、执行任务、检查失败，并可以自己迭代。现在有意思的问题已经不再是“AI 能写代码吗？”我们早就知道 AI 可以写代码了。

在 AI 智能体领域，使用多个智能体的系统（多智能体系统）正变得越来越普遍，因为与基于单个智能体的系统相比，它们可以带来额外的好处。

嘉宾 Arthur Casals 谈到了多智能体系统的前沿研究现状，这些多智能体系统的工作原理，以及真实的落地场景。

Arthur Casals：多智能体系统这个话题时在 LLM 智能体之前已经存在几十年了。学术界发现，LLM 智能体和 Transformer 之后出现的一切，都与整个多智能体系统相关，本质上是在试图重新发明过去已经存在的东西。我的研究领域是 LLM 之前的多智能体系统，但这并不意味着它不能将 LLM 系统作为其中的一部分。最近我一直在研究信念修正，这是解决 AI 领域的两大问题，一个与幻觉有关，一个与智能体处理后信息的准确性和来源有关。它介于计算机科学和哲学之间，大量用到形式逻辑，非常有意思。从去年年底到今年年初开始，我一直在研究基于形式逻辑的配置文件定义。它类似于我们之前讨论的 Jev 概念。它有结构化输入、结构化输出，以及如何约束智能体，让它们沿着可靠路径完成任务。

今年，我们在质量保证领域也看到了更多发展，包括 AI 评估、护栏和 Harness 框架。2026 年被称为 AI 评估之年。在这个领域有很多不同的技术受到关注。测试 Harness 框架可能是今年讨论最多的话题。随着 AI 工具越来越多地被用于编写代码和软件解决方案的其他组件，对正式、严格、一致和可靠的 Harness 框架的需求变得非常迫切。那么我们如何衡量 AI 的有效性？什么样的指标可以用于评估和验证步骤，形成一个有适当制衡校验机制的端到端流程？

Hien Luu：对于将 AI 智能体投入生产的公司来说，这是一个非常重要的主题，特别是那些为客户提供服务的公司，内部使用智能体的公司反而没有那么突出。举个例子，DoorDash 就构建了一个用于点餐的 AI 助手。还有其他公司正在为外部用户构建客户支持智能体。我们都知道 LLM 不具备确定性，构建出来的智能体可能会走错路，可能会做出错误的工具调用等等。评估机制就是用来保障智能体能够高质量、按要求完成对应任务。

没有评估机制，你怎么知道智能体是否失控、做出意料之外的行为，或是违反企业政策等等。企业不仅必须这样做，而且必须将其作为构建 AI 智能体的核心步骤之一。很多企业最终都会构建评估 Harness，用来驱动整个评估流程，从获取数据、运行评估或测试到最后的质量评估。

Daniel Dominguez：我完全认同今年正在成为模型和智能体评估之年的观点。一旦智能体能够执行动作，只评估底层模型是不够的。你必须评估整个系统，你必须评估模型、工具、上下文、智能体循环、环境。评估指标也随之发生了变化。

不再只看答案是否正确，还要看智能体有没有完成任务、成本多少、耗时多久、需要多少次人工介入、过程中有没有不安全行为。我认为所有这些评估才刚刚开始，我们将看到如何评估所有这些关于智能体、LLM 以及它们在业务流程中的交互路径的工作流。

除了这些重点技术趋势之外，还有一些正在从创新者阶段进入早期采用者阶段的技术。下面列出的所有这些技术都经过了广泛的发展和采用，已经被应用在大量的企业业务系统中。

AI 技术已经开始被用于DevOps和 SRE 领域的生产支持、故障排除、维护和升级操作。

我们将下面这些技术归入早期大众阶段，因为它们已经趋于主流，被各类机构里的软件开发团队广泛采用。

在 AI 智能体时代，上下文工程持续演进发展，为 AI 驱动的解决方案提供支撑。Arthur Casals 谈到了这一点，并重点提到上下文工程中的一大难题——上下文污染。

Arthur Casals：上下文污染实际上是最大的问题，是现在最值得关注的问题，因为我们在过去一年看到了行业普遍在往更大的上下文窗口方向发展，但如果系统无法区分哪些信息是有用的、哪些是最新的、哪些是备选参考、哪些是不相关的、过时的、带有干扰的，就不能真正解决问题。这里是结合我自己的研究观点：总的来说，更多上下文会让智能体变得更慢、更昂贵、更不可靠。

一个很现实的问题是：不管上下文窗口有多大，到底哪些信息可以放进上下文？信息来自哪些数据源、需要具备哪些权限、对应工作流里哪一步，才能避免严重的上下文污染。这就涉及检索质量、来源管控、业务规则，以及通用上下文模型、上下文压缩等一系列问题。我的意思是，“上下文”这个词背后藏着一大堆问题。这就是我对它的看法。

最后，在采用曲线图的最后一个阶段“晚期大众”，有一些从早期大众移入的主题。这些技术现在已被团队完全采用，并成为其核心架构、设计模式和开发流程的一部分。

我们还要指出，在本期 AI/ML 趋势报告中，我们移除了一些已经使用多年的成熟技术。这些技术已经成为主流技术和采用的非常重要的部分，不再需要放在曲线图中持续跟踪。

其中一些主题包括 NLP 和深度学习、NoSQL 数据库、内存数据网格和大数据（Hadoop）等成熟技术。

AI 是一场重大的技术变革。正如我们现在都知道的，经过近四年，它不是昙花一现的热点或技术雷达上的临时波动。它将长期存在。它是过去二十多年来的主要技术浪潮之一。我们应当拥抱这场变革，而不是畏惧它。想办法利用 AI 工具来自动化日常工作流，无论是在办公室项目中还是在你的个人生活中。

AI 的约束会逐步显现：能源、算力基建会受电力供给、机房容量、散热条件限制。2027 年行业重磅新闻或许不再聚焦模型本身，而是能源、芯片、基础设施与地缘因素；

大量场景会采用轻量化专用智能体、混合模型，处理边界清晰的任务；差异化重点在于配套系统；

AI 更深地融入日常生活；行业边界会慢慢清晰：哪些场景 AI 价值突出，哪些场景依然离不开人类。

查看英文原文：https://www.infoq.com/articles/ai-ml-data-engineering-trends-2026/