精华速览

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，1200 余位从业者到场，70 家企业与机构的 140 位专家参与分享。大会主会场六场演讲围绕同一主线展开：AI 正从模型能力竞争走向 Agent 工程化与生产系统建设。极客邦科技总编赵钰莹指出，模型能力并非决定 Agent 落地效果的唯一因素，工程框架同样直接影响任务完成质量；极客邦科技 CEO 霍太稳宣布公司使命升级为“助力企业 AI 加速落地”，模力工场从 AI 社区平台升级为企业 AI 落地服务平台。阿里巴巴、涛思数据、无问芯穹、小影科技等嘉宾分别从企业上下文工程、工业数据语义、Agentic Infra 和内容创作范式迁移等角度，讨论 AI 进入生产环境所需的工程条件。

要点透视

  • 大会于 10 月 22 日至 24 日在上海举行，到场从业者 1200 余位，来自 70 家企业与机构的 140 位专家参与分享，覆盖阿里巴巴、字节跳动、腾讯、蚂蚁集团、月之暗面、无问芯穹等。
  • 极客邦科技总编赵钰莹在开场演讲中提出，多智能体并非 Agent 越多越好，过多 Agent 会带来更高通信成本、错误传播风险和协作损耗，企业应关注任务是否完成、结果能否验证、过程能否追踪、失败后能否恢复。
  • 极客邦科技 CEO 霍太稳宣布公司使命升级为“助力企业 AI 加速落地”，模力工场从 AI 社区平台升级为企业 AI 落地服务平台，围绕需求发布、场景诊断、方案匹配、FDE 交付和项目协同展开，依托服务 4000 多家企业、连接 400 多万用户的积累。
  • 极客时间在大会期间推出目标汇集 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。
  • 阿里巴巴千问办公副总裁任卿提出，对企业级 AI 而言，上下文工程带来的差别是“零和一”，即可用与不可用的区别；企业级 Agent 除加速能力外还需具备关键操作前确认权限、敏感动作留痕、异常时停止或转交人工的“刹车能力”。
  • 涛思数据创始人兼 CEO 陶建辉指出，工业数据若缺少设备对象、采集位置、计量单位、时间范围和工况信息，对 AI 只是孤立数字；公司正在工业数据基础设施之上构建工业本体层，并主张用 AI 生成经过验证的确定性程序，而非让模型每次重新推理。
  • 上海交通大学副教授、无问芯穹联合创始人兼首席科学家戴国浩提出 Agentic Infra 包含“Infra for Agent”与“Agent for Infra”两个方向，并认为未来衡量成本应关注完成一个可验证任务的综合成本，而非单次推理价格。
  • 小影科技创始人兼 CEO 韩晟介绍内容创作产品的三次范式迁移：移动互联网阶段提供剪辑模板工具，生成式 AI 阶段模型可生成素材但用户仍需自组织工作流，Agent 阶段产品转向理解用户意图并交付最终结果，公司通过 AgentOps 统一管理模型路由、Skill、工作流、评测、安全和可观测能力。

文章拆解

本届 QCon 上海主会场六场演讲构成一条清晰的递进链条：先由趋势判断定调，再依次讨论企业服务、工作方式、工业数据、算力基础设施和内容应用，最终落到“任务交付”这一共同结论。这一编排本身反映出行业关注点的位移——过去两年大会多聚焦模型能力与参数规模，今年则把工程框架、上下文结构、数据语义和评测体系放在更靠前的位置。赵钰莹关于“模型能力不是唯一决定因素”的判断，与戴国浩提到的 Harness 组织方式、韩晟强调的 AgentOps，指向同一个逻辑：模型是通用底座，而任务能否稳定完成，取决于模型之外的工程系统。

从企业落地角度看，多位嘉宾的实践指向一个共性难题：企业独特资产往往存在于组织关系、业务流程、权限体系和历史经验中，而非公共数据里。任卿将上下文工程视为企业级 AI 可用与否的分水岭，陶建辉则把工业数据的语义缺失视为工业 AI 的首要障碍。两者分别从办公与工业场景出发，得出相近结论——AI 进入生产环境的前提，是先把企业自身的业务上下文转化为机器可理解、可调用的结构。这也解释了为何大会将数据语义层、Context Layer 等议题单独设为重点。

成本与可靠性是另一条值得关注的变量。戴国浩提出从“生产更多 Token”转向“以更低成本交付更多有效任务成果”，意味着企业评估 AI 投入的指标可能从单次调用价格转向端到端任务成本。这一转变对基础设施厂商和采购方都构成新要求：前者需证明系统能持续优化任务路径，后者需建立可验证的任务验收标准。与此同时，任卿强调的“刹车能力”和大会设置的沙箱隔离、风险治理、智能体评测与安全等专题，说明 Agent 权限边界与失败恢复机制正从附属功能变为生产系统的必要组件。

组织层面的影响同样不可忽视。赵钰莹提出 AI 转型的深刻变化在于岗位分工、业务流程和组织结构的重新设计，韩晟则指出若流程不变、仅让各岗位各自提效，整体开发效率仍难提升。这意味着企业 AI 改造将不再只是研发部门的任务，业务专家需参与 Agent 目标、执行规则和验收标准的定义。大会设置“打造 AI Native 型组织”和“技术人的下一站”等议题，也印证了这一趋势。

潜在风险方面，多智能体协作带来的通信成本与错误传播、Agent 操作失误的影响放大、以及“代码生成更快但质量验证更难”的新问题，均已被与会者提及，但各企业规模化落地后的实际失败率与长期成本曲线尚待确认。此外，模力工场所构建的评价与信用体系能否有效解决供需双方的信息不对称，仍需观察其后续运营数据。

查看原文