铃阅
❌

阅读视图

京东11.11大促系列|Super Agent 进群:今年11.11,多了个会主动干活的“数字人队长”

京东零售技术 2026-11-16 20:45 北京

本文导读

每年11.11,都是对京东技术保障体系的一次集中检验:高并发流量、复杂业务链路、多团队协同交织在一起,考验的不只是系统稳定性,更是信息聚合、风险判断与协同推进。 

今年11.11,京东零售技术保障现场出现了一位新的“队友”——数字人队长。它不是简单的问答机器人,也不是替代人的自动化指挥系统,而是面向大促保障场景构建的 AI 作战伙伴,一个典型的 Super Agent。 

我们把它与京东内部协同办公工具京 Me 原生打通:大家日常使用的群聊、文档、平台,直接成了 AI 参与协作的工作环境。不需要打开一个新页面,也不需要把背景重新描述一遍——风险发生在哪个群,它就在哪个群干活。 

围绕这位"数字人队长",我们和京东零售技术保障团队聊了聊。

01

为什么京东11.11需要“数字人队长”?

Q:大促保障的真正难点是什么?为什么过去的方式不够用了?
A:大促保障的难点,从来不只是"没有监控配置"或者"没有平台工具"。

真正困难的是,当风险发生时,团队能否在最短时间内回答几个关键问题:现在发生了什么?影响范围多大?最近有没有变更?应该找谁处理?下一步该先降级、回滚,还是其他解决措施?

过去,这些信息分散在监控平台、日志系统、变更记录、压测报告、预案平台和多个群聊里。队长和专家需要不断切换系统、追问进展、汇总结论。越是大促高峰,信息越密集,协同成本越高。

数字人队长要解决的,正是这个问题:把分散的信息快速聚合起来,把专家经验转化成可复用的分析能力,把群聊里的碎片化讨论整理成清晰的行动项,让队长能够更快掌握态势、更稳推进闭环。

大促保障的信息并不少,难的是更快把信息转化为行动。

Q:数字人队长到底是什么?它和普通机器人、自动化指挥系统的本质区别在哪?
A:普通机器人更多是"你问我答":用户提出问题,机器人从文档库中检索并生成答案。它通常是无状态、单轮、面向知识检索的——而且是被动的:你不问,它永远沉默。

数字人队长不一样。用行业里最新的说法,它是一个 Super Agent,而不是一个 Chatbot。差别可以拆成三层。

第一层,它在你工作的现场。Claude 在 Slack 里,数字人队长在京 Me 群里,直接参与群内协作,共享同一段讨论的上下文。它不是你需要另外登录的系统,而是群成员列表里的一位员工——有昵称、有ID。

第二层,它具备跨群上下文。它记得这个群昨天讨论过什么,那个降级预案上周被谁提及过,同一条风险在另外三个群里推进到了哪一步。人是带着记忆开会的,Agent 也必须是。

第三层,它会主动出来做事。它既能在需要时主动发言,也能调用工具,开展系统架构评审、容量风险评估和代码风险分析。

在今年11.11保障中,数字人队长以小队形式协同作战,围绕备战统筹、架构评审、故障应急和工单答疑,我们对应推出大促队长、高可用架构师、GOC、SRE 和技术支持数字人,共同构成了面向大促保障的人机协同能力:人负责关键判断并承担责任,数字人负责在线、聚合、分析和协同。

Q:它的核心理念是什么?为什么说这不是“多了一个机器人”,而是组织经验的工程化?
A:我们不是要做一个会聊天的机器人,而是想把大促统筹、高可用架构评审、风险评审和应急处置中的专家经验,沉淀成数字人可调用的能力。

过去,这些经验沉淀在专家个人身上:某个业务域在什么时间点出过什么问题,哪类变更需要重点防御,哪种容量水位必须提前干预。很宝贵,但很难在高压现场被实时调用。

所以方案沿着三条线走:经验萃取,把专家经验变成可调用的能力;能力落地,落到AI容量评估、AI巡检、AI故障定位这些具体场景;组织提效,让风险发现更快、证据聚合更快、上下文拉齐更快、闭环推动更快。

从人盯系统,到AI辅助聚合、分析、协同和沉淀。

图片

图片

图:整体架构简述

02

经验萃取:让专家经验成为可调用的能力

Q:具体萃取哪些经验?技术底座是什么?为什么不是单一大模型能解决?
A:萃取的不是静态文档,而是大促保障里的“判断过程”和“处置技能”。主要包括:大促队长的高风险评审经验、高可用架构评审经验、风险识别与升级经验、应急处置经验、历史故障复盘经验,以及容量、变更、巡检、预案等SRE技能。

这些经验不会只停留在知识库里,而是逐步产品化为数字人可调用的能力。比如 RCA分析、变更防御、容量预测、巡检规则等,都可以沉淀为标准的 SRE Skills。数字人队长通过插件调用,把大模型的理解能力和工程平台的确定性能力结合起来。所以它看起来只是在群里说话,真正支撑它的并不是单一大模型能力,而是一套面向技术风险场景构建的能力体系。

第一是场景理解能力。它需要判断当前对话发生在什么场景中:是备战推进、风险跟进、压测异常、线上告警,还是事后复盘。只有先理解场景,后续的回答和任务调度才能有的放矢。

第二是知识增强能力。大促规则、保障流程、业务域职责、历史故障经验、高可用规范和平台文档,都是数字人队长需要理解和调用的知识。它不是凭空生成答案,而是在组织知识和实时上下文基础上进行分析,避免模型产生幻觉。

第三是环境交互能力。技术保障不是聊天场景,问题最终要回到日志、监控、变更、容量、巡检、预案等系统中去验证。

第四是自我进化能力。每一次演练、排查和复盘,都会产生新的经验。过去这些经验容易停留在专家脑海或群聊记录里,现在通过“取、用、存、理、萃”的机制,可以进一步沉淀为规则、知识和技能,让下一次保障少走弯路。

图片

Q:大模型容易幻觉,但技术保障要求确定性。你们如何保证建议可验证、可追溯?
A:核心原则是:不让模型自由给结论。

技术保障场景和通用问答不同,它要求每一个判断都能回到数据源、时间点和工程证据。数字人队长在辅助定位时,给出的不是一句“可能是某变更导致”,而是尽可能形成可追溯的证据链:哪条告警、哪个时间窗口、哪次变更、哪段异常堆栈、哪个指标拐点、哪个下游依赖。

知识增强让它不脱离组织知识和实时上下文;工具调用让它必须回到日志、监控、变更、容量、巡检、预案等系统中验证。这样,它更像一个"证据聚合与推理助手",而不是"答案生成器"。在应急现场,专家最需要的不一定是AI直接给答案,而是AI把分散的证据更快、更完整地送到面前。可验证、可追溯,比“看起来聪明”更重要。

03

能力落地:AI容量评估、AI巡检、AI故障定位

Q:AI容量评估解决什么问题?它和传统容量评估有什么不同?
A:AI容量评估更强调提前识别容量风险。

大促前,容量风险往往不是单点问题,而是业务增长、活动计划、流量峰值、资源水位、依赖容量、缓存和数据库压力等多因素叠加的结果。传统方式更多依赖人工经验、历史数据和静态规则,AI容量评估则尝试把这些因素动态关联起来,更早发现潜在瓶颈。

它不替代架构师和SRE的判断,而是帮助团队更快缩小关注范围,把有限的人力投入到真正高风险的地方。

图片

Q:AI巡检如何把专家经验变成自动化风险发现?
A:AI巡检的核心,是把高可用规范、大促Checklist、历史故障模式、变更风险规则等专家经验,转化成可执行、可复用的巡检能力。

过去,巡检更多依赖人工按清单执行,或者依赖固定阈值告警。AI巡检可以对配置、容量、依赖、变更、预案等结合实时上下文识别潜在风险,并把发现的问题转化为可跟进、可闭环的行动项。

它解决的是“专家经验难以规模化复用”的问题。让更多团队在大促前,就能用接近专家视角的方式发现风险。

图片

Q:AI故障定位如何辅助队长?它会不会直接给结论?
A:AI故障定位的核心作用是“快速聚合证据,辅助队长判断方向”,而不是替代专家下结论。

当线上或压测中出现异常时,数字人队长可以联动日志、监控、变更、代码分析等能力,帮助团队快速判断异常是否与最近的配置中心变更、应用异常堆栈、缓存访问超时或数据库写入压力上升有关。

它给出的不是简单结论,而是一条可追溯的证据链,便于专家快速确认。比如哪条告警先出现、哪个时间窗口发生变更、哪个指标出现拐点、哪个下游依赖异常,都可以被聚合到同一个视图里。

图片

04

组织提效:从消息流到任务流

Q:数字人队长在现场具体做哪几件事?
A:如果用一句话概括,数字人队长在现场做的是三件事:看清态势、辅助定位、推动闭环。

首先是看清态势。大促期间,队长需要同时关注多个业务域、多个活动、多个风险点。数字人队长可以从群聊、风险卡片、告警信息和保障流程中提取关键上下文,把“现在有哪些风险、谁在处理、进展到哪一步、还缺什么动作”整理成更清晰的作战视图。

其次是辅助定位。当出现异常时,它可以联动日志、监控、变更、代码分析等能力,帮助团队快速建立证据链,辅助判断方向。

最后是推动闭环。很多风险不是发现了就结束,真正重要的是否有人接手、是否形成方案、业务是否恢复。数字人队长可以帮助提醒责任人、汇总进展、沉淀行动项,让保障工作从“消息流”走向“任务流”。

最终提升的是协同效率:更快发现风险、更快聚合证据、更快拉齐上下文、更快推动闭环。

图片

Q:这些事是它自己开始做的,还是被叫去做?
A:这也是 Super Agent 和工具最实际的区别:该说话的时候,它自己开口。

一个群一天两百条消息,谁都看不过来。普通机器人得等有人想起它、@它、把问题描述清楚,才动一下。数字人队长不一样:这条告警和上周那次变更的时间点对得上,它先说;这个活动下游三个团队还不知情,它先同步;风险卡片挂了四十分钟没人接,它@责任人。

但“主动”最难的部分,不是说,是忍住不说。

大促现场最怕的不是信息少,是噪音多。一个到处刷屏的 Agent,三天就会被所有人静音。所以“主动发言”是有阈值的:证据不够不说,没有新增信息不重复说,人已经在处理时不打断,同一个结论不在五个群里各喊一遍。一个不会闭嘴的 Agent,比一个不会说话的 Agent 更危险。

主动还有个更硬的部分:不光说,还得干。生成风险卡片、拉协同群、把散落讨论整理成 Action 项并@到人、跑巡检脚本、对比两次变更的差异——这些动作都可以由它在授权范围内执行,而不是"建议你去看看"。很多判断也不能靠"聊"得出:缓存命中率掉了没有、接口 P99 拐点在哪一分钟、这次变更改的是哪几行,它会自己写一段查询代码查询并核实相关数据。

图片

Q:跨群协作是怎么回事?为什么要强调“沉淀”?
A: 因为大促的风险,天生是跨群的:一个活动在 A 群定方案,B 群在压测,C 群在处置告警,D 群在做复盘——同一条线索被切成四段,谁都拼不出全貌。

Super Agent 可以同时在所有群。这是我们做 Super Agent 时最朴素的一个判断:数字人队长的第一层增量,不是比人聪明,是比人"在场"得更全——把 A 群的活动变更同步到 B 群,把 C 群的告警结论带回 A 群,把四个群零散的讨论在复盘时拼成一条时间线。

第二层增量是沉淀。过去这些经验留在聊天记录里——翻不到,也传不开,下次换个群等于从零开始。现在跨群的经验会被抽出来:这次为什么误判、哪个信号早就出现了、哪类变更必须重点防御,都会变成规则和技能。人记住一次,Agent 记住每一次。

图片

Q:数字人队长在群里做什么?
A:数字人会根据不同群的任务、成员和场景,自动切换关注重点:在备战群里提前发现风险,在应急群里快速协同处置。当前,数字人已经进入多个备战和应急群,成为大促保障中的一类新型协同角色。

在队长协同群中,队长数字人会关注活动筹备、风险识别、上下游同步、高可用评审和行动项沉淀。它的价值在于把风险尽可能前置。比如热门新品预售活动上线时,下游技术团队可能存在信息感知滞后。数字人队长能够自动识别活动信息并主动同步上下游,把群内讨论自动整理成Action项,减少“信息差”带来的保障盲区

在线上应急群中,GOC数字人更关注告警响应、故障协同、影响面分析、变更关联、进展追踪和复盘辅助。它的价值在于异常发生后,更快聚合证据、明确责任人、推进恢复。它可以帮助团队从告警、变更、日志、监控中快速建立关联,缩短从“发现异常”到“确认方向”的时间。

图片

Q:目前落地效果如何?有哪些可量化指标?
A:据团队介绍,目前数字人队长已全面进入京东全量应急与备战群,每周服务超过3000+人。借助其辅助,压测与异常定位准确率冲向90%+,协助队长在10分钟内完成关键定位。

相比过去完全依赖人工追问和手动汇总的方式,团队在信息聚合、定位辅助和协同推进上的效率有了明显提升。

05

边界与未来:AI增强人,而不是替代人

Q:AI会替代大促队长吗?自动化边界如何设计?
A:不会。在大促保障中,AI不应该成为新的不确定性。数字人队长的定位始终是“增强”与“辅助”,而不是“替代”。

这里要特别说清:主动 ≠ 自主决策。Agent 可以主动开口、主动查证、主动建卡片,但它主动做的每一件事,都停在"把信息送到人面前"和"把机械动作执行掉"这条线之内。它不会自己按下回滚键,不会自己判定业务影响,也不会自己给一次故障定责。

AI 的自动化边界,我们在设计之初就定得很死:

  • AI负责:7×24小时在线感知、辅助识别风险、聚合跨平台证据、生成处置建议、提醒协同人员以及整理复盘项;

  • 人负责:确认实际影响、决策是否升级、最终按下一键回滚或切流的执行按钮,以及对复盘结果进行定责与把关。

关键判断、风险升级、业务影响确认、恢复策略选择和最终决策,仍然由真实队长和专家负责。

数字人队长不是替人做决定,而是帮助人更快做出高质量决定。大促保障需要速度,也更需要审慎。我们在设计上始终强调三件事:可验证,是结论要有证据;可追溯,是证据要能回到数据源和时间线;可协同,是最终要落到责任人、行动项和闭环上。

Q:从工具到队友,数字人队长下一步会走向哪里?

A:从工具到队友,数字人队长的出现,代表的是大促保障方式的一次变化。过去经验沉淀在专家个人身上,现在一部分开始沉淀到知识库、技能体系和协同流程中;过去队长要在多个系统和群聊间来回切换,现在数字人帮助队长聚合信息、辅助判断、推进闭环。

往前看还有一步: 智能托管。我们目前在 Super Agent 或者近期火热的 Personal Agent 的基础上,面向组织提效,按照工种划分,统一构建知识、技能和工具(以及可控进化),构建不同工种的组织智能体,其实叫 Department Agent 更合适,目前整体的协同模式偏向 Agent 协助人主动做事,下个版本的答案,我们觉得是当人授权 Department Agent 托管部分事项后,Agent 每日自动帮人处理对应事项,有不清楚、不明确的再来咨询人,并将处理过程中的新经验萃取为知识和技能,持续完善自身能力。

推荐阅读

跳转微信打开

  •  

AI X Engineering:Harness 工程

原创 半吊子全栈工匠 2026-11-15 23:26 哈萨克斯坦

Harness 不是一个已解决的问题,也不是一个商品化层。它是工程所在——将上下文作为稀缺资源管理、设计在失败复合前捕获它们的验证循环、构建提供连续性而不产生幻觉的记忆系统、以及在搭建多少脚手架与留多少给模型之间做架构决策......

【引】Prompt Engineering,Context Engineering,Harness Engineering,Loop Engineering,Graph Engineering....... 我把他们临时称为AI X Engineering,他们各是什么?有什么区别和联系呢? 老码农希望通过系列文章把他们弄清楚。

Harness Engineering:当模型不再稀缺,真正的工作才刚刚开始

同样的模型,同样的权重,仅仅更换了支持它的基础设施,Agent 的效能就有了飞跃式的提升。这个事实把Agent Harness工程推到了台前。

Agent 的能力边界不由模型单独决定。 自主软件工程能力是从「模型-Harness-环境」系统中涌现的,而非仅从模型中产生。在模型能力趋于同质化的 2026 年,Harness 是系统之间最主要的差异来源。Harness 工程是提示工程与上下文工程之后的工程演进。它把编排循环、工具、记忆、上下文管理、状态持久化、错误处理、权限、验证与可观测性整合为一个完整的运行时系统,其角色类似于 Agent 的操作系统。

Harness 与模型是协同进化的关系,而非静态的外壳。 一方面,模型改进应当允许 Harness 变薄;另一方面,对 Harness 本身的自动化迭代(工具、中间件、记忆)带来的性能提升,已经超过了对提示词的优化。

本文尝试对这个正在成形的工程方法做一次系统性的梳理——它是什么、由什么构成、如何演进,以及它为什么会成为 AI 工程的核心议题。

一、两个实验与一个被命名的对象

先看两个可查证的事实。

第一个来自 LangChain。他们没有更换底层模型,只改进了包裹 LLM 的基础设施,如编排方式、工具设计、上下文管理,就曾在 TerminalBench 2.0 基准上从 30 名开外上升至第 5 名。另一个项目则更进一步:让 LLM 自行优化这套基础设施,最终达到 76.4% 的通过率,超过了人工设计的系统。

第二个来自一篇 2026 年的工程报告。OpenAI 描述了一个内部实验:Codex Agent 从一个空仓库出发,逐步生成并塑造出一个生产级软件产品——仓库结构、CI 配置、格式化规则、包管理器设置、应用框架,甚至包括引导后续 Agent 在仓库内工作的初始AGENTS.md文件。这个实验的关键启示不在于模型写了代码,而在于仓库、文档、测试、工具和反馈回路共同构成了一个 Agent 可以工作的环境。

这两个事实指向同一个结论:Agent 不是在真空中运行的。围绕模型存在一套完整的软件基础设施,它决定模型看到什么、能做什么、失败后如何恢复、输出如何被验证。这套基础设施在 2026 年初被正式命名为Agent Harness。

Anthropic 在 Claude Code 的文档中说得相当直白:其 SDK 就是「驱动 Claude Code 的 agent harness」。LangChain 的 Vivek Trivedy 给出了一个更彻底的表述:“如果你不是模型,那你就是Harness。”

换言之,我们通常说的「Agent」是一种涌现行为,那个用户与之交互的、目标导向的、使用工具的、能够自我纠正的实体。而 Harness 是产生这种行为的机器。当有人说“我构建了一个 Agent”时,更准确的说法是:他构建了一个 Harness,并将它指向了某个模型。

二、Harness 是什么

从工程角度,可以给出一个工作定义:

Harness 是包裹 LLM 的完整软件基础设施,包括编排循环、工具接口、记忆系统、上下文管理、状态持久化、错误处理、权限控制和安全护栏。

这个定义没有争议的部分是“包裹”;有争议的是“包裹到什么程度”。为此,Beren Millidge 在 2023 年提出过一个影响深远的类比,把裸 LLM 映射为一台缺少外围系统的计算机:

计算机组件

Agent 系统中的对应物

工程含义

CPU

裸 LLM(模型权重)

只负责计算,本身不构成可用系统

RAM

上下文窗口

快速但有限,断电即失

硬盘

外部数据库 / 向量库

大容量但访问慢,需检索机制

设备驱动

工具集成

标准化地连接外部能力

操作系统Agent Harness

调度资源、管理进程、提供安全边界

应用程序

Agent(涌现行为)

用户实际感知到的产品形态

这个类比的高明之处在于:没有人会认为 CPU 的频率决定了一台计算机的全部价值,同样,也不应该认为模型的 benchmark 分数决定了 Agent 系统的全部价值。裸 LLM 是一颗没有 RAM、没有磁盘、没有 I/O 的 CPU,而Harness 是让它可用的操作系统。

值得说明的是,“Harness”一词源自马具(马的挽具)与测试工程中的 test harness,两层含义在这里恰好都成立:它既是对模型这匹“马”的约束与引导,也是一组标准化的执行与观测设施。

三、三层工程,从提示词到运行时

围绕大模型存在三个同心层级的工程,它们的边界需要弄清楚:

层级

名称

工程对象

典型问题

第一层

提示工程(Prompt Engineering)

模型接收的指令文本

怎么说,模型才照做?

第二层

上下文工程(Context Engineering)

模型在每一步看到什么信息

什么信息、何时、以何种形式进入窗口?

第三层

驾驭工程(Harness Engineering)

模型周围的整个应用基础设施

系统如何可靠地完成工作并证明自己完成了?

Anthropic 将上下文工程描述为提示工程之上的进展,专注于策展和管理推理期间 Agent 可用的信息。Harness 工程则更进一步,它要回答的问题包括:Agent 应该知道什么?Agent 能做什么?Agent 永远不该做什么?Agent 如何记忆、如何验证、如何恢复?人类如何审计它?系统如何在失败后改进?

这些问题已经不属于提示词的范畴,而属于系统工程的范畴。用一句概括:提示工程让 AI 有用,上下文工程让 AI 更相关,Harness 工程让 AI 可运营。

四、能力从「模型-Harness-环境」系统中涌现

如果要把 Harness 工程从经验总结提升为一个具有学术色彩的研究方向,2026 年出现的三份文献值得关注。这里按其主张的激进程度依次介绍。

  1. 《AI Harness Engineering: A Runtime Substrate for Foundation-Model Software Agents》。这篇论文的核心论点是:自主软件工程能力从模型-Harness-环境系统中涌现,而非仅从模型中产生。论文给出了 Harness 的职责清单:任务规约、上下文选择、工具访问、项目记忆、任务状态、可观测性、失败归因、验证、权限、熵审计与干预记录。这份清单的意义在于,它把 Harness 从工程最佳实践提升为「运行时基座(runtime substrate),一个有明确职责边界的系统层。

  2. 《Code as Agent Harness》。这篇论文论证了代码在 Agentic 系统中的角色正在变化:它不再仅是 LLM 的输出,而是越来越多地充当推理、行动、环境建模和基于执行的验证的操作基础。提示词是指令,文档是知识,工具是能力,追溯是证据,但代码是操作结构——工作流、工具、测试、策略、状态机、验证器、沙箱、审批门,最终都以代码的形式定义。由此推出的推论是:AI 原生工程团队会把代码、文档、测试和追溯视为一个组合的 Agent 环境,仓库成为工作空间,文档成为记忆,测试成为验证,CI 管道成为反馈。

  3. 《Agentic Harness Engineering》。这篇论文引入了一个可观测性驱动的闭环,用于自动进化编码 Agent 的 Harness。实验结果相当具体:十次迭代将 TerminalBench 2 上的 pass@1 从 69.7% 提升到 77.0%,且实验把收益定位到工具、中间件和长期记忆,而非系统提示词。这为“改进 Harness 比改进提示词更有效”提供了直接的实证支持。

三个来源、三种路径(架构论、代码论、进化论),结论指向一致:更好的系统 = 更好的模型 + 更好的 Harness + 更好的环境,而不是旧思维中的“更好的模型 = 更好的系统”。

从产业侧看,Theory Ventures 的风险投资人给出了一个与学术界呼应的判断:软件工程的核心已经从“构建用户界面、管理数据”转向“搭建将大模型转化为可靠智能代理的框架、运行时、约束与可靠性层”。他们把围绕 LLM 的这套体系概括为七个组件:

组件

回答的问题

关键要素

Context & Memory

模型看到什么

工作记忆、长期存储、检索与 RAG 管道、提示组装

Tools & Action

模型如何行动

工具注册表(MCP)、分发与参数验证、外部 API、权限与审批门

Orchestration & Loop

模型如何思考

思考→行动→观察循环、规划与分解、子 Agent 与委派、重试/预算/停止条件

State & Persistence

模型记住什么

文件系统与工作空间、检查点与恢复、会话持久化、工件与快照

Sandbox & Compute

模型在哪里运行

隔离的 Unix 工作空间、受控网络出口、独立于模型的凭证管理

Observability & Governance

如何信任模型

追踪与结构化日志、评估与回归套件、护栏与策略、人在回路

Cost & Workflow Optimization

如何选择在哪运行

确定性 vs 非确定性逻辑、模型分级选用、技能 vs 记忆编码、Token 与延迟预算

这张表值得与后文的十一组件解剖对照阅读:产业视角的七组件与工程视角的十一组件,覆盖的是同一个对象,只是切分粒度不同。

五、生产级 Harness的11个组件

综合 Anthropic、OpenAI、LangChain 与更广泛的从业者实践,一个生产级 Agent Harness 包含十一个独立组件。

1. 编排循环(Orchestration Loop)

这是 Harness 的心跳。它实现「思考-行动-观察」(TAO)循环,也称 ReAct 循环:组装提示词 → 调用 LLM → 解析输出 → 执行工具调用 → 反馈结果 → 重复直到完成。

机制上它通常只是一个while循环——复杂性不在循环本身,而在循环所管理的一切。Anthropic 将其运行时描述为一个「笨循环」(dumb loop):所有智能都在模型中,Harness 只管轮次。

2. 工具(Tools)

工具是 Agent 的双手,以模式(名称、描述、参数类型)的形式注入上下文。工具层负责注册、模式验证、参数提取、沙箱执行、结果捕获,以及将结果格式化为模型可读的观察。

Claude Code 提供六大类工具:文件操作、搜索、执行、网络访问、代码智能和子 Agent 生成;OpenAI 的 Agents SDK 则区分函数工具、托管工具(WebSearch、CodeInterpreter、FileSearch)与 MCP 服务器工具。工程上需要特别注意:套件的质量很大程度上取决于安全暴露工具的数量与处理工具故障的能力,而非工具的总数。

3. 记忆(Memory)

记忆在多个时间尺度上运作。短期记忆是单会话内的对话历史;长期记忆跨会话持久化——Anthropic 使用CLAUDE.md项目文件与自动生成的MEMORY.md,LangGraph 使用按命名空间组织的 JSON 存储,OpenAI 支持由 SQLite 或 Redis 支撑的 Sessions。

Claude Code 实现了三层层级:轻量级索引(每条约 150 字符,始终加载)、按需拉取的详细主题文件、以及仅通过搜索访问的原始记录。这一设计的动机是成本与信号的平衡:把总是需要的信息常驻,把偶尔需要的信息按需加载。

4. 上下文管理(Context Management)

这是许多 Agent 静默失败的地方。核心问题是上下文腐化(context rot):当关键内容落在窗口中间位置时,模型性能可能会下降超过 30%;即使是百万 Token 的窗口,随着上下文增长也会出现指令遵循能力退化(这与 Liu et al. 2023 年的「lost in the middle」发现一致)。

生产级策略有四类:

  1. 压缩(Compaction):接近窗口限制时总结对话历史,Claude Code 的做法是保留架构决策和未解决的 Bug,丢弃冗余工具输出;
  2. 观察遮蔽(Observation Masking):JetBrains 的 Junie 隐藏旧工具输出,同时保持工具调用本身可见;
  3. 即时检索(Just-in-time Retrieval):维护轻量级标识符并动态加载数据,Claude Code 使用grep、glob、head、tail而非加载完整文件;
  4. 子 Agent 委派:每个子 Agent 大量探索,但只向父 Agent 返回 1,000 到 2,000 Token 的精炼摘要。

Anthropic 的上下文工程指南把目标概括为一句话:找到最小的高信号 Token 集,最大化期望结果的可能性。ACON 研究为这个方向提供了量化支持:通过优先保留推理轨迹而非原始工具输出,可在保持 95% 以上准确率的同时减少 26%–54% 的 Token。

5. 提示词构建(Prompt Construction)

这一步组装模型在每一步实际看到的内容,它是分层的:系统提示词、工具定义、记忆文件、对话历史、当前用户消息。

OpenAI 的 Codex 使用严格的优先级栈:服务器控制的系统消息(最高优先级)→ 工具定义 → 开发者指令 → 用户指令(级联AGENTS.md文件,总量 32 KB 限制)→ 对话历史。优先级栈的意义在于,当不同来源的指令冲突时,系统行为是可预测的。

6. 输出解析(Output Parsing)

现代 Harness 依赖原生工具调用:模型返回结构化的tool_calls对象,而非需要正则解析的自由文本。Harness 的判定逻辑很简单——有工具调用就执行并循环,没有就给出最终答案。

对于结构化输出,OpenAI 与 LangChain 都支持通过 Pydantic 模型进行模式约束。旧的方法如RetryWithErrorOutputParser(将原始提示词、失败补全和解析错误一起喂回模型)仍可用于边缘情况。

7. 状态管理(State Management)

LangGraph 将状态建模为流经图节点的类型化字典,使用 reducer 合并更新,检查点发生在超步边界处,支持中断后恢复和时间旅行调试。

OpenAI 提供四种互斥策略:应用内存、SDK 会话、服务端 Conversations API、或轻量级previous_response_id链接。

Claude Code 则采取了一种更朴素的方式:以 git 提交作为检查点,以进度文件作为结构化草稿本。

三种做法的共同点是:状态必须外置于模型——模型本身是无状态的,这是后文“协同进化”的物理基础。

8. 错误处理(Error Handling)

这里有一个每个架构师都该记住的算术:一个 10 步流程,每步 99% 的成功率,端到端成功率只有约90.4%——因为错误会复合。步骤越长,对单步可靠性的要求就越苛刻,这是 Agent 系统与单轮问答在工程上的本质区别。

LangGraph 区分四种错误类型:瞬时错误(带退避重试)、LLM 可恢复错误(将错误作为 ToolMessage 返回,让模型自行调整)、用户可修复错误(中断并请求人工输入)、意外错误(上抛供调试)。Anthropic 的做法是在工具处理器内捕获失败并作为错误结果返回,保持循环不中断;Stripe 的生产级 Harness 则将重试次数上限设为两次。

9. 安全护栏(Guardrails and Safety)

OpenAI 的 SDK 实现了三个层级:输入护栏(在第一个 Agent 上运行)、输出护栏(在最终输出上运行)、工具护栏(在每次工具调用上运行),并以「绊线」机制在触发时立即停止 Agent。

Anthropic 在架构上做了一个重要区分:权限执行与模型推理分离——模型决定尝试什么,工具系统决定允许什么。Claude Code 独立门控约 40 个离散工具能力,分三个阶段执行:项目加载时的信任建立、每次工具调用前的权限检查、高风险操作的显式用户确认。

10. 验证循环(Verification Loops)

这是区分玩具演示与生产级 Agent 的关键。Anthropic 推荐了三种方法:基于规则的反馈(测试、lint、类型检查器)、视觉反馈(通过 Playwright 截图用于 UI 任务)和LLM-as-judge(由独立的子 Agent 评估输出)。Claude Code 的创造者 Boris Cherny 的经验数据是:给模型一种验证自己工作的方式,可以将质量提升2 到 3 倍。

验证机制也可以按 Thoughtworks 团队的方式分为两类——引导(feedforward,行动前引导)与传感器(feedback,行动后观察),前者如 lint 与类型检查,后者如测试与评审。

11. 子 Agent 编排(Subagent Orchestration)

Claude Code 支持三种执行模型:

(1)Fork:父上下文的字节级相同副本

(2)Teammate:独立终端窗格,基于文件的邮箱通信

(3)Worktree:独立 git worktree,每个 Agent 一个隔离分支

OpenAI 的 SDK 支持 agents-as-tools(专家处理有界子任务)与 handoffs(专家接管完全控制)两种模式;LangGraph 则将子 Agent 实现为嵌套状态图。三种方案的共同设计约束是:子任务需要隔离的上下文,结果必须以受控的方式回流。

六、一次循环的逐步走查

组件清单是静态视角,要看 Harness 如何工作,需要追踪一次完整的循环,整个过程可以概括为七步:

  1. 提示词组装:Harness 构建完整输入——系统提示词 + 工具模式 + 记忆文件 + 对话历史 + 当前用户消息。重要上下文被放置在提示词的开头和结尾(依据「迷失在中间」的发现)。
  2. LLM 推理:组装好的提示词发送给模型 API,模型生成输出 Token:文本、工具调用请求,或两者兼有。
  3. 输出分类:不含工具调用的文本意味着循环结束;请求了工具调用则进入执行;请求了交接(handoff)则更新当前 Agent 并重启。
  4. 工具执行:对每个工具调用,验证参数、检查权限、在沙箱环境中执行并捕获结果。只读操作可并发执行,变更操作串行执行。
  5. 结果打包:工具结果被格式化为模型可读的消息;错误被捕获并作为错误结果返回,让模型可以自我纠正。
  6. 上下文更新:结果追加到对话历史;若接近窗口限制,触发压缩。
  7. 循环:返回第 1 步,重复直到满足终止条件。

用伪代码表达,这个循环的骨架大致如下:

while True:
    prompt = assemble(system_prompt, tools, memory, history, user_msg)
    response = llm.call(prompt)                # 步骤 1-2
    if not response.tool_calls:                # 步骤 3
        return response.text                   # 终止:任务完成
    for call in response.tool_calls:           # 步骤 4
        if not guardrail.check(call):          # 权限检查(此处被门控)
            result = ToolError("permission denied")
        else:
            result = sandbox.execute(call)     # 沙箱执行
    history.append(pack(results))              # 步骤 5-6
    if near_limit(history):                    # 上下文压缩
        history = compact(history)

循环部分确实简单,但每个步骤背后都有大量基础设施在支撑。终止条件是分层的:模型产生不含工具调用的响应、超过最大轮次限制、Token 预算耗尽、护栏绊线触发、用户中断、或安全拒绝返回。一个简单问题可能只需 1–2 轮;一个复杂重构任务可能跨多轮链式调用数十个工具。

对于跨越多个上下文窗口的长运行任务,Anthropic 开发了一个两阶段的Ralph Loop模式:先由一个初始化 Agent搭建环境(初始化脚本、进度文件、功能列表、初始 git 提交),此后每次会话中的编码 Agent读取 git 日志和进度文件来定位自己,选择最高优先级的未完成功能,处理它,提交,并写摘要。这个模式的精髓在于:文件系统提供了跨上下文窗口的连续性,上下文窗口会清空,但仓库不会。

七、十二层参考架构:从组件到栈

当 Agent 系统从单机脚本演进为企业基础设施时,组件清单需要重新组织为分层架构。下面这份 2026 年的参考技术栈把前述组件扩展为十二层:

┌──────────────────────────────────────────────────────┐
│           12. Self-Evolving Harness Layer            │
│          自进化层(基于追踪和结果改进自身)             │
├──────────────────────────────────────────────────────┤
│           11. Observability Layer                     │
│          可观测性层(模型调用/工具调用/追溯/成本)       │
├──────────────────────────────────────────────────────┤
│           10. Verification Layer                      │
│          验证层(测试/评估/模式检查/验收标准)           │
├──────────────────────────────────────────────────────┤
│           9. Safety & Security Layer                  │
│          安全层(最小权限/沙箱/审计日志/熔断开关)       │
├──────────────────────────────────────────────────────┤
│           8. Identity & Permission Layer              │
│          身份权限层(OAuth/作用域/角色/审计)            │
├──────────────────────────────────────────────────────┤
│           7. Memory Layer                             │
│          记忆层(短期状态 + 长期知识)                   │
├──────────────────────────────────────────────────────┤
│           6. Runtime & State Layer                    │
│          运行时层(会话/重试/中断恢复/审批/交接)         │
├──────────────────────────────────────────────────────┤
│           5. A2A Agent Gateway                        │
│          Agent 间网关(跨框架/跨厂商安全通信)            │
├──────────────────────────────────────────────────────┤
│           4. MCP Tool Gateway                         │
│          工具网关(文件/数据库/API/CRM/代码仓库)        │
├──────────────────────────────────────────────────────┤
│           3. Knowledge Layer (Obsidian-Style)         │
│          知识层(Markdown 仓库 = Agent 长期记忆)        │
├──────────────────────────────────────────────────────┤
│           2. Context Router                           │
│          上下文路由器(每步决定什么信息进入窗口)          │
├──────────────────────────────────────────────────────┤
│           1. Model Layer                              │
│          模型层(LLM/VLM/编码模型/嵌入模型)             │
└──────────────────────────────────────────────────────┘

与前面的11组件相比,这个技术栈新增或强化了四个层,值得单独说明。

上下文路由器(第 2 层)被提升为独立的一层,因为「每一步决定什么信息进入窗口」是贯穿全流程的持续决策,而非一次性配置。原则很朴素:Demo Agent 接收一切,生产 Agent 接收正确的东西——太多上下文制造噪音,旧上下文制造矛盾,无关上下文分散注意力,敏感上下文制造安全风险。

知识层(第 3 层)的主张是:Agent 的长期记忆应当以 Markdown 纯文本文件为载体,放在可版本化的仓库中。Obsidian 的 vault 架构为此提供了原型——Markdown 文件人类可读、Agent 可读、可在 Git 中版本化、可成为 RAG 源、可成为项目记忆与执行上下文。一个企业级知识库通常包括AGENTS.md、ARCHITECTURE.md、DECISIONS.md、WORKFLOWS.md、EVALS.md、PLAYBOOKS.md等文件。这不只是文档,而是操作记忆:如果 Agent 无法访问知识,知识就不存在。

MCP 工具网关与 A2A Agent 网关(第 4、5 层)分别解决两类连接问题。MCP是 AI 应用与外部数据源、工具集成的标准化开放协议,遵循客户端-主机-服务器模型,在支持跨应用集成的同时维护安全边界。A2A则是一个使独立 AI Agent 系统之间能够通信和互操作的开放标准——即使它们由不同框架、不同语言、不同厂商构建。三者的分工可以概括为:MCP 管工具,A2A 管 Agent,Harness 管控制。

运行时与状态层(第 6 层)是一个常被低估的现实:真实工作流可能耗时五分钟、五小时或五天,可能需要人工审批,可能半途失败、暂停恢复、交接给另一个专家 Agent。这些需求无法用简单提示处理,需要一个管理轮次、状态、会话、重试、中断、可恢复性、交接与审批的运行时。

至于其余各层,记忆、身份权限(OAuth 2.0 作用域与角色边界)、安全(OWASP Agentic Applications Top 10 所列的提示注入、工具滥用、记忆投毒、过度自主等风险)、验证、可观测性等。在第五节已有对应组件的工程细节,需要强调的只有一条架构原则:在云架构中,控制面管理编排、策略、安全、配置和运营;Agentic AI 需要同样的控制面。这就是 Harness 被称为「Agent 操作系统」的由来。

八、同一个模式,不同框架的设计哲学

主流框架已经收敛到同一个核心模式,但在设计哲学上各有取舍。下表是对五个代表性实现的横向比较:

维度

Claude Agent SDK

OpenAI Agents SDK

LangGraph

CrewAI

AutoGen

循环

笨循环 + 聪明模型

Runner 类(异步/同步/流式)

显式状态图

顺序/层级式

对话驱动

状态

git 提交作检查点

四种策略

类型化字典 + 检查点

任务结果

消息历史

多 Agent

Fork / Teammate / Worktree

agents-as-tools / handoffs

嵌套状态图

Agent-Task-Crew

5 种编排模式

哲学

薄 Harness,信任模型

代码优先

图式显式控制

角色化协作

对话即协议

Anthropic 的 Claude Agent SDK 通过单个query()函数暴露整个 Harness,返回异步迭代器流式传输消息,运行时遵循“收集-行动-验证”循环:收集上下文(搜索文件、读取代码)→ 采取行动(编辑文件、运行命令)→ 验证结果(运行测试、检查输出)→ 重复。

OpenAI 走代码优先路线:工作流逻辑用原生 Python 表达而非图 DSL;其 Codex Harness 以三层架构扩展——Codex Core(Agent 代码 + 运行时)、App Server(双向 JSON-RPC API)与客户端界面(CLI、IDE、Web),所有界面共享同一 Harness,这也是Codex 模型在 Codex 界面上的表现优于通用聊天窗口的原因。

LangGraph 从 LangChain 的 AgentExecutor 演化而来(后者因难以扩展且缺乏多 Agent 支持而在 v0.2 中被弃用),其 Deep Agents 明确使用了agent harness一词。CrewAI 则在角色化协作之上增加了 Flows 层,实现确定性骨干加关键位置智能。

对框架的技术选型而言,没有普适的正确答案,只有权衡。框架差异本质上是把多少逻辑放在 Harness 中、多少留给模型这个根本问题的不同回答。

九、Harness 架构师的七个决策

无论使用哪个框架,Harness 架构师都面临七个设计决策。这是整个设计空间的结构化表达:

决策

选项 A

选项 B

工程证据与判断依据

1. Agent 数量

单 Agent

多 Agent

两者都建议先最大化单 Agent;工具超过约 10 个且明显分域时才拆分

2. 推理策略

ReAct(逐步交替)

计划-执行(规划分离)

LLMCompiler 报告计划-执行相比顺序 ReAct 有 3.6 倍加速

3. 上下文策略

压缩/清除/遮蔽

结构化笔记/子 Agent

ACON:优先保留推理轨迹可减少 26–54% Token 且保持 95%+ 准确率

4. 验证设计

计算验证(测试/lint,确定性)

推理验证(LLM-as-judge,语义)

前者提供确定性真值,后者捕获语义问题但增加延迟

5. 权限架构

宽松(快但有风险)

严格(安全但缓慢)

取决于部署上下文与操作后果的可逆性

6. 工具范围

全量工具

每步最小集

Vercel 从 v0 移除 80% 的工具反而获得更好结果;Claude Code 惰性加载实现 95% 上下文减少

7. Harness 厚度

薄(信任模型)

厚(代码编码控制)

见下一节的协同进化讨论

其中第 4 项可以借用 Martin Fowler 的框架重新表述:验证机制分为引导与传感器。一个成熟的 Harness 两者兼有,并在成本与覆盖之间寻找平衡。

第 6 项值得展开说明,“更多工具往往意味着更差性能”是一个反直觉但被反复验证的结论:工具定义本身占据上下文,与任务无关的工具会分散模型注意力并增加选错工具的概率。原则是暴露当前步骤所需的最小工具集。

十、Harness 会消失吗

建筑行业的脚手架是一种临时基础设施,使工人能够建造他们原本无法触及的结构。脚手架不做建造,但没有它,工人到不了上层,无法施工。这个隐喻的关键在后半句:建筑完成后,脚手架会被拆除。

Manus 的实践为这个隐喻提供了实证:他们在六个月内把产品重建了五次,而每一次重写都在移除复杂性,复杂的工具定义退化为通用 shell 执行,管理 Agent的专门机制退化为简单的结构化交接。随着模型改进,Harness 的复杂性确实在下降。

但这不等于 Harness 会消失,因为存在一个反向的耦合:协同进化原则(co-evolution principle)。模型如今是在特定 Harness 环路的情况下进行后训练的。Claude Code 的模型学会了使用它被训练时的特定 Harness,更改工具实现可能因这种紧密耦合而降低性能。这解释了为什么 Anthropic 会定期从 Claude Code 的 Harness 中删除规划步骤:不是 Harness 设计变差了,而是新模型版本已经内化了那种能力,继续保留反而冗余。

于是, Harness 的厚度成为一个动态的架构押注:薄 Harness(Anthropic 路线)押注模型持续改进,Harness 只保留工具、上下文与权限;厚 Harness(图框架路线)押注显式控制,把路由、规划、多步策略编码进代码。

一个实用的面向未来的设计检验标准是:如果性能随更强大的模型而提升,且不需要增加 Harness 复杂性,那这个设计就是合理的。 换言之,Harness 应当为模型的下一步改进预留下降空间,而不是把当前模型的能力短板用硬编码固化下来。

十一、成熟度模型:H0 到 H5

对企业而言,需要一个尺度来评估自己的 Agent 系统处于什么位置。以下六级成熟度模型可以直接作为评估框架使用:

等级

名称

描述

主要风险

H0

纯提示 Agent

有系统提示和一些指令,适合 demo

幻觉、不一致、无验证、无记忆

H1

工具连接 Agent

能调用工具,但未权限化/日志化/验证

工具滥用、不安全操作、恢复差

H2

有状态 Agent

有短期状态、记忆与工作流连续性,可恢复任务

记忆漂移、上下文过时、归属不清

H3

可观测且经验证的 Agent

有追溯、评估、测试、审批门、失败归因

实施成本高、治理复杂

H4

多 Agent 操作系统

MCP 网关、A2A 通信、身份、权限、验证、可观测性齐备

架构复杂、安全面大、运营开销

H5

自进化 Harness

基于追溯和结果改进自身工具、中间件、记忆、路由和评估

不受控进化、回归、治理挑战

一个符合行业现状的判断是:大多数公司今天处于 H0 到 H2 之间,在企业级 AI 应用中胜出的团队将向 H3、H4 移动,最终抵达 H5。这个模型的价值不在分级本身,而在于它把“我们的 Agent 为什么不可靠”这个问题,转化为“我们缺哪几层”的可诊断形式。

值得单独说明的是 H5。前面引用的《Agentic Harness Engineering》实验(十次迭代将 pass@1 从 69.7% 提升到 77.0%,收益来自工具、中间件与长期记忆)表明,自进化 Harness 并非概念炒作,而是已有量化结果的方向。它意味着 AI 系统第一次在**基础设施层面**实现自我改进——不只是自改进的模型,而是自改进的 Harness。

十二、工程检查清单与常见反模式

将部署前的检查动作压缩为10个需要回答的问题:

维度

关键问题

上下文

Agent 在正确时间收到正确上下文吗?能移除过时/无关上下文吗?需要时能检索到更深文档吗?

知识

公司知识是否结构化、版本化、Agent 可读?还是困在聊天工具、邮件和人脑里?

工具

工具是否经标准化网关接入?有类型、文档、权限和日志吗?危险工具能被沙箱或阻止吗?

Agent

Agent 能通过受控接口协作吗?能防止不必要的记忆或工具暴露吗?

记忆

短期状态和长期记忆是否分离?中断后能恢复吗?记忆能被审计、编辑或删除吗?

身份

每个 Agent 有身份吗?权限能被撤销吗?操作能被审计吗?

安全

是否防御提示注入、记忆投毒、过度自主和不安全工具执行?有熔断开关吗?

验证

Agent 如何证明成功?失败能复现吗?

可观测性

能追溯每个模型调用、工具调用、交接、护栏触发和审批事件吗?

改进

Agent 失败时,你只修复输出,还是改进 Harness?

最后一个问题最重要:最好的团队不仅纠正 Agent 的错误,而是把每次失败转化为更好的工具、记忆、验证和运行时设计。

同样,值得警惕的是反复出现的反模式:

反模式

直接后果

纠正方向

用提示词堆砌本应由系统保证的行为

行为不可复现,回归无法测试

把约束下沉到 Harness 层(验证、权限、状态)

全量暴露工具

上下文被工具定义挤占,选错工具率上升

按步骤惰性加载最小工具集

单一记忆池,不分短期长期

幻觉被持久化,错误经验被反复复用

分层记忆 + 审计与编辑能力

失败后无条件重试

错误复合,成本失控

区分四类错误,重试设上限

无追溯的黑箱运行

失败不可归因,无法改进

全流程追踪与结构化日志先行

把 Harness 当静态外壳

模型升级后 Harness 冗余甚至冲突

定期瘦身,遵循协同进化原则

结束语:Harness 就是产品

使用相同模型的两个产品,仅因 Harness 设计不同,就可以有天壤之别的性能。这不是模型的问题,也不是提示词的问题,而是系统工程的问题。

Harness 不是一个已解决的问题,也不是一个可以轻易商品化的层。它是工程所在:将上下文作为稀缺资源管理,设计在错误复合之前捕获它们的验证循环,构建提供连续性而不产生幻觉的记忆系统,并“在搭建多少脚手架”与“留多少能力给模型”之间做出持续的架构决策。

当前的趋势是向更薄的 Harness 演进,因为模型在改进。但 Harness 本身不会消失:即使是最强大的模型,也需要有内容来管理它的上下文窗口、执行它的工具调用、持久化它的状态、验证它的工作。模型能推理,Harness 让它能工作;模型能生成,Harness 让它能执行;模型能建议,Harness 让它能验证。

当模型不再稀缺,胜负手就转移到模型周围。下次你的 Agent 失败时,别急着怪模型,先看看 Harness。

ps: 作译者群的作品推荐——

    【参考资料与关联阅读】

    • Liu, N. F. et al. (2023).Lost in the Middle: How Language Models Use Long Contexts. TACL.

    • Millidge, B. (2023).LLM OS: LLMs as the Kernel of an Emerging Operating System.

    • AI Harness Engineering: A Runtime Substrate for Foundation-Model Software Agents. 2026.
    • Agentic Harness Engineering. 2026.(Terminal-Bench 2 自进化实验)
    • Code as Agent Harness. 2026.
    • ACON:Context Compression for LLM Agents. 2026.

    • Anthropic.Claude Code document

    • OpenAI. Agents SDK document.

    • Theory Ventures.The Seven Components of an AI Agent Harness. 2026.

    • OWASP.Agentic Applications Top 10 (2026).

    • Google Cloud.Agent2Agent (A2A) Protocol ;Anthropic.Model Context Protocol (MCP) .

    跳转微信打开

    •  

    压测 AI Agent 治理与评测调优实践

    恒宇 2026-11-16 18:30 上海

    压测平台接了智能分析 Agent 后,我才发现:结论跑偏时,根本不知道坏在哪一环。

    于是我们把它治理调优,关键就这几步:

    反馈没用→Trace 回放找错因

    改完要验证→冻现场,喂回重跑

    评测三件事→质量、延迟、成本

    最扎心→一次高分不算数,得反复跑

    经验→落成可回放、可对比的用例

    坏在哪一环、怎么定位的,评论区聊聊 👇

    跳转微信打开

    •  

    别急着用AI裁员!OpenAI首席经济学家:模型会做任务,不代表岗位就会消失

    原创 姜篇 2026-11-16 18:00 日本

    罗尼·查特吉:在已经使用AI的企业里,真正给它接上现有软件的,仍然只是一小部分。

    编辑 | 姜篇

    罗尼·查特吉:在已经使用AI的企业里,真正给它接上现有软件的,仍然只是一小部分。

    罗尼·查特吉:就业市场还没有像人们预想的那样大变。变得更明显的,是人们每天实际在做的工作:相当一部分已经超出了岗位说明。

    罗尼·查特吉:如果AI只能回答问题,没法连接你的电脑和软件,你得到的还不是它的全部能力。

    在一场访谈中,OpenAI首席经济学家罗尼·查特吉(Ronnie Chatterji)谈了一个变化:公司还没来得及改岗位名称,员工已经开始跨出原来的职责范围;模型能力一路增长,许多企业却还没把它接进真正使用的软件。

    他拿自己的工作打趣。加入OpenAI前,他亲手写了这份首席经济学家的岗位说明;两年后再看,这份工作大约变了6次。

    谈到更广泛的变化,他用财务人员也能做营销、人事工作,传播人员也能自己分析数据作例子:岗位没有按任务清单一项项消失,任务却开始在岗位之间流动。

    这场对话还谈到另一面:Agent如果真的进入企业系统,谁给它权限,谁接收它持续产生的代码和信息?AI能完成一项任务,又能不能据此推断一个岗位会消失?

    查特吉谈上任以来的工作内容多次变化

    以下根据原访谈翻译整理。

    AI会回答,却还进不了公司的软件

    主持人问查特吉,未来一两年,AI在企业里会发生什么变化。他没有先谈模型参数,而是说起“连接器”。

    连接器,就是让AI在获得授权后,接入企业已有的软件和数据。没有这一步,AI无法读取系统里的实际信息,也很难在现有流程里完成工作。

    罗尼·查特吉:很多公司已经说自己在用AI,但其中真正打开连接器的仍是少数。AI若没有接到人们正在使用的软件,能做的主要还是问答。

    查特吉谈企业连接器的启用仍处在早期

    这也是“能回答”和“能干活”的区别。企业需要的不只是一个会说话的模型,还要让它在许可范围内获取信息、调用工具,并把结果交回原有流程。

    罗尼·查特吉:如果AI只是一个问一句、答一句的工具,你还没有用到它的全部能力。接下来12到18个月,我预计会有更多企业让Agent进入实际工作。

    查特吉用“问答机器”形容未接入现有软件的AI

    模型的能力在提高,企业能不能用起来,还取决于系统、数据和权限有没有接通。

    职位没换,手里的活先变了

    查特吉说,就业市场至今没有出现一些人预想的剧烈变化。但看员工每天做的事,变化已经很明显。

    罗尼·查特吉:我看到越来越多工作已经越过了岗位说明的边界。随着Agent进入企业,这种变化还会继续。

    查特吉说的不是员工换了岗位,而是职位名称没变,负责的事情却变了。AI接手一部分工作后,员工可能承担过去不属于自己岗位的工作。

    查特吉认为,跨岗位工作会随着企业使用Agent而增多

    他还提到OpenAI内部的使用节奏:技术团队先用上Agent,非技术团队大约晚了4到5个月才跟上。

    罗尼·查特吉:不要只看技术团队。非技术团队也在使用Agent,而且可能比外界想得更快。OpenAI内部,两者的普及时间大约差了4到5个月。

    这个时间差只来自OpenAI,不能套到所有公司。但方向很清楚:AI可以代替的工作越来越多,开发者不能只把它做成技术团队的工具,还要考虑其他部门能否安全、顺畅地使用。

    Agent不停干活,人却未必接得住

    Agent可以连续工作,查特吉却提醒了一个很简单的问题:它做完以后,谁来接收结果?

    一方把工作交给AI,另一方却仍按原来的方式处理,就会出现新的堵点。一个任务不能只在工作一端自动化。

    罗尼·查特吉:如果越来越多请求由Agent发出,接收的一方也得有处理这些请求的能力。只有一边自动化,不会让整个流程变快。

    还有一个问题:AI能不断生成内容,但接收的人未必有时间逐一阅读、判断。它产出得越快,后面的审核工作可能越重。

    罗尼·查特吉:如果把大量AI生成、别人又看不懂的内容直接交过去,等于把负担转给了对方。人需要决定哪些内容值得传递,以及由谁检查。

    查特吉谈AI生成内容可能给接收者增加负担

    因此,开发者做Agent时,不能只看它完成了多少任务。还要明确结果交给谁、谁负责判断、出了错谁来处理。否则AI只是把工作从一端转移到了另一端。

    AI能完成任务,不等于岗位就会消失

    谈到就业,查特吉反对直接拿模型的任务成绩预测失业。测试能说明AI会做哪些事,却不能说明一家公司会怎样安排人。

    罗尼·查特吉:AI擅长一部分工作,不等于承担这些工作的人就会失业。一个岗位的内容会随着工具变化,但不能把任务比例直接换算成失业概率。

    他认为,技术替人完成一些旧任务,也可能让人去做更多原来做不到的工作。岗位会不会减少,还要看企业是否出现新的需求。

    罗尼·查特吉:人会放下部分旧任务,也可能转向新的任务。只测AI能完成什么,还不足以判断一个岗位会不会消失。

    这不是说所有岗位都不会受冲击,而是说“AI会做这项工作”与“企业不再需要这个人”是两回事。任务测试有价值,直接用它计算失业人数则不可靠。

    新工作从哪里来?先得有新产品

    主持人把话题转向AI会不会创造工作。查特吉说,他听到不少企业只谈节省人力成本;他更关心有没有人用AI做出以前因为成本太高而做不起的产品。

    罗尼·查特吉:过去的互联网和软件,并非只让旧工作变便宜。它们还带来了过去没有的产品和行业。我认为AI也有这样的机会。

    查特吉谈AI的机会不止于降低现有工作的成本

    AI还可能缩短从想法到产品的时间。尝试会变多,失败和成功都可能增加。

    罗尼·查特吉:AI让创业者更快看清一个想法行不行。试得快,失败会增加,但有益的成功也可能增加。

    这仍然是对未来的判断,新产品能不能变成新工作,还要看是否有人需要、是否有人愿意付费。

    对开发者来说,重点不只是把旧工作做得更快,还要找到有人愿意使用的新产品。只有新需求真的出现,新的工作才有机会出现。

    写在最后

    访谈结尾,查特吉说:“通往AGI的路要经过组织。”AGI是“通用人工智能”的简称。他的意思是,模型再强,也需要公司把它接入工作,并安排好人怎样使用、检查它。

    罗尼·查特吉:通往AGI的路要经过组织。模型能力能不能用在真实工作里,还取决于公司怎样组织人和工作。

    查特吉谈组织在AI能力落地中的作用

    因此,开发者要解决的,不只是让Agent更聪明,还包括让它接入软件、交付结果,并在需要时把工作交还给人。这些环节没做好,AI仍然难以走出问答框。

    参考链接:

    跳转微信打开

    •  

    从代码生成到需求交付:DarkFactory 的工程实践

    原创 欢迎关注的 2026-11-16 18:00 上海

    以研发任务为中心组织多 Agent 与验证体系,DarkFactory 让"代码生成"走向"需求交付":算子迁移效率提升约 5 倍,Test Runner 缺陷前置拦截率达 79%。

    。图片

    点击蓝字,关注我们

    图片

    作者 | DarkFactory

    导读 

    introduction

    "用 AI 写代码"已是日常,但在复杂系统里"完成一个需求"却难得多:代码生成只是其中一步,理解需求、确定影响范围、构建测试、定位修复、验收交付,每一步都可能出问题。本文介绍了百度建设的 DarkFactory 平台——以研发任务为中心,组织多 Agent 分工、执行环境与结果验证:四项能力(任务定义、角色分工、持续执行、结果验证)+ 四阶段验证体系(本地检查、集成验证、流水线回归、生产观察),并用算子迁移(效率提升约 5 倍)、13 Agent 协作长任务(约 14.5 小时)、Test Runner(缺陷前置拦截率 79%)三个场景验证了效果。

    全文 4249 字,预计阅读时间 5 分钟

    用 AI 写代码,已经成为很多研发人员的日常。补全逻辑、生成函数、解释代码、Web开发、修改局部实现,AI 能承担的工作越来越多。

    但是在复杂系统的研发场景里,把任务换成“在现有系统里完成一个需求”,难度就不同了。

    一个运行多年的系统,往往包含复杂的模块依赖、历史约定和业务规则。完成一次改动,需要理解需求、确定影响范围、修改代码、构建测试、定位问题,再经过修复和验收。代码生成只是其中一步。

    更强的模型能够改善理解、规划和编码表现,但仅靠模型能力,还不足以保证这条研发链路稳定完成。任务如何定义、上下文如何组织、执行中断后如何恢复、结果如何验证,都需要相应的工程机制。

    围绕这些问题,我们建设了 DarkFactory:以研发任务为中心,组织多 Agent 分工、执行环境、工具调用和结果验证,让 AI 能承担复杂系统的研发任务。

    目前,这套机制已用于存储研发、近线 GPU 管理、算子迁移、Feed架构研发 等场景,月度任务量达到数百项。实践中发现,AI研发的场景下,我们需要关注的点在变化,判断 AI 能承担多少工作,不能再看它生成了多少代码,需要看任务是否完成、结果如何验收,以及过程中需要多少人工介入。

    GEEK TALK

    01

    从写代码到完成需求,还差什么

    △ 从代码生成到需求交付的完整链路

    遇到的困难,主要集中在三个方面。

    第一,理解项目背景以及需求。

    复杂系统中的知识,并不都在需求文档里。某个字段可能被多个下游服务依赖,一段看似多余的逻辑可能用于规避历史故障,一项配置也可能影响其他模块的行为。AI 生成的代码即使语法正确、局部逻辑合理,也可能违反这些约束。开始修改之前,需要先理清:相关实现在哪里,依赖关系是什么,哪些行为必须保持,哪些信息仍然缺失。工程机制可以帮助组织这些信息,却不能凭空补齐未记录的知识。无法从代码、文档和工具结果中确认的业务约定,仍然需要人来解释。

    第二,如何持续推进一条研发链路。

    需求分析、方案设计、代码修改、构建、测试和问题修复,很少能够通过一次问答完成。执行过程中会出现新的信息:某个接口与预期不同,构建环境缺少依赖,测试暴露了此前没有考虑的边界条件。任务需要据此调整,而不是继续沿着最初的计划机械执行。需要系统可以维护任务状态,保存关键产物,处理工具反馈,并在失败后选择重试、修复或请求人工介入。

    第三,确认结果满足要求。

    代码生成后,还要确认能否构建、是否通过必要检查、是否符合需求,以及有没有破坏其他功能。如果这些步骤仍由人逐项发起、串联和追踪,生成环节节省的时间,就可能被后续验证和返工部分抵消。因此,我们要解决的问题是:如何围绕一个明确的研发目标,把理解、执行和验证组织成能够持续推进的流程。

    GEEK TALK

    02

    支撑任务交付的四项能力

    △ DarkFactory 四项能力

    DarkFactory 围绕任务定义、角色分工、持续执行和结果验证组织能力。四者共同作用于同一个任务。

    1. 任务定义:把目标与约束写清楚

    “把这个模块迁移到新框架”可以作为需求的起点,但不足以让AI完成所有实现工作。

    任务输入需要明确好:

    • 要改变什么,预期得到什么结果;

    • 涉及哪些代码、文档、配置和研发资源;

    • 哪些接口、行为和兼容性要求不能改变;

    • 使用什么方式验收,哪些节点需要人工确认。

    工作空间(Workspace)将这些信息与对应项目、代码仓库和工具资源关联起来,使 Agent 能围绕具体目标开展工作。

    任务定义也需要知道信息的不完整。对于尚未确认的依赖和约束,应明确记录,避免把假设当成事实继续传递。任务越复杂,前期澄清越有价值。

    2. 角色分工:让不同能力有序协作

    需求分析、技术调研、代码实现和测试验证,需要的知识与工具并不相同。

    我们将角色职责、技能(Skill)、工具和工作流程组织成可复用的能力单元,组成面向具体场景的“专家团”。不同 Agent 按任务需要分工,前一环节的产物成为后一环节的输入。

    多 Agent 的价值不在数量,需要关注分工是否必要、交接是否清楚。需要关注分析环节形成的约束,能否被实现环节遵守;验证环节发现的问题,能否转化为可执行的修复任务。

    在具体场景中形成的流程和知识,也可以通过Agent的配置、Skill 和工作流保留下来,方便知识的沉淀和更新。

    3. 持续执行:维护状态并处理失败

    △ 任务派发流程

    长任务除了需要较为完备的上下文,还需要记录执行状态、支持Trace,以及支持故障处理能力。

    DarkFactory 为每位用户配置独立的 Agent 运行沙箱、在线 IDE 和数据库资源。任务代码工作区按任务 ID 分目录组织,避免不同任务在文件路径上相互覆盖。为了避免任务相互干扰,也做了端口隔离。

    任务状态保存在数据库中,与某个具体沙箱 Pod 的生命周期分离。Pod 重建后,可以重新读取任务记录。但是恢复任务记录不等于恢复任意执行现场;能继续到哪一步,还取决于工作区、上下文和执行产物的保存情况。

    任务派发依次完成环境检查、访问凭据获取、专家团导入、下游任务创建和平台状态回写。全部步骤完成后,平台标记派发成功。

    运行过程中,我们对进程异常设置有限次数的自动重试,对限流、超时等瞬时错误采用退避重试,并区分自动恢复与需要人工处理的失败。

    自动重试主要处理执行故障。代码逻辑错误、需求理解偏差等问题,走验证反馈的流程并进行后续修复。

    4. 结果验证:将检查组织成独立任务

    在任务结构中,验证机制融合在流程的多个阶段中,同时也建设了专做Verify的Agent(Test Runner)。 任务进入验收阶段后,Test Runner 调用相应的测试 Skill、工具以及验证环境,收集结果并写回父任务。发现问题后,再将问题接入修复与复验流程。这种方式可便于观察哪些检查执行了、发现了什么问题,以及验证本身消耗了多少资源。接下来会详细介绍整个验证体系。

    GEEK TALK

    03

    验证体系:四个阶段与持续反馈

    △ 验证体系

    为了明确不同检查在研发流程中的职责,我们将验证体系按四个阶段组织,并通过数据与知识反馈持续改进。

    本地检查:尽早发现基础问题

    在代码修改过程中,就优先运行反馈快、成本低的检查,例如格式与静态检查、类型检查、编译、单元测试和必要的 Mock 测试。

    对于影响范围较大或风险较高的改动,还会加上安全分析、契约校验等检查。编译失败、测试失败和高等级安全问题会直接拦住改动。

    集成验证:检查真实依赖与交互行为

    本地检查通过,不代表代码能够与真实依赖正确协作,第二层加上了集成验证。

    集成验证比较大的工作量集中在搭建测试环境,这个过程中复用了现有的EOS和调研环境能力。集成测试中检查中间件、数据库、对象存储和外部接口的交互,覆盖必要的 API、契约、数据迁移及端到端流程。

    这些临时环境按需创建、用完回收,计算资源是各自隔离的;但由于成本问题,部分外部数据和服务用的是同一套,这部分并没有跟着一起隔离,需要避免对这部分数据状态的变更。

    流水线回归:确认改动没有破坏已有能力

    流水线承担更完整、可重复的检查,包括构建、回归测试,以及按任务风险选择的性能、安全和兼容性验证。

    检查结果应对应明确的代码版本与制品。修复导致代码或配置变化后,需要重新执行受影响的前置检查,再复验失败环节,避免直接沿用已经失效的验证结果。

    尽量用独立于实现的东西来当验证依据:需求约束、既有接口契约、基准结果和人工确认。这样测试就不会跟着实现一起沿用同一个错误假设——否则代码写错了,照着同一套假设写的测试也一样会放过它。

    生产观察:验证真实环境下的表现

    对于需要发布的任务,验证还会延伸到上线后的运行表现,通过灰度、健康检查、指标和链路数据观察变化。

    如果上线出现问题,会根据预先定义的触发条件触发告警、停止放量和回滚等操作。如果涉及到数据结构或不可逆的状态变化,回滚代码不能恢复业务,在上线前制定针对性的止损方案,例如回滚数据版本。

    持续反馈:把问题转化为下一次改进

    测试结果、缺陷和线上问题,会同时沉淀为回归用例、规则和场景知识,再用于后续任务。

    在保存信息的同时还需要注意维护信息的时效性和有效性。需要筛选有效信息、更新策略,并通过实际结果确认是否有效。

    Test Runner的建设的目标是将执行检查、问题报告、修复和复验连接起来,行程一套完备的质量验证机制。

    GEEK TALK

    04

    三个场景的初步实践结果

    目前DarkFactory已经在不同场景下完成验证,这些实践提供了三类不同的研发类型:效率变化、长流程执行,以及自动验证的使用情况。

    场景一:大模型算子迁移

    算子迁移具有重复性,但并不是简单的文本替换。我们把这个过程拆解成三段,先理解原版本的实现,然后适配目标环境,最后检查迁移后的行为。将分析、修改和检查组织成连续流程后,项目内部对照报告的迁移效率提升约 5 倍。

    场景二:多 Agent 协作长任务

    DarkFactory完成过一个由 13 个 Agent 参与、运行约 14.5 小时的近线GPU调度场景的长流程案例。虽然不是时间最长的,但是参与的Agent规模是最大的,同时验证了长程任务能够交付出符合预期的结果。

    场景三:测试接入任务执行

    在已有统计周期内,Test Runner 缺陷前置拦截率达到79%,无人值守占比达到了80%。

    从这些指标可以看到,测试已在实际任务中产生价值,并有效拦截了非预期问题。但这个指标还有提升空间,这些数据也为后续分析测试覆盖和验证策略提供了依据。

    GEEK TALK

    05

    哪些工作可以交给 AI

    △ 人机协作

    若干场景运行下来,逐渐形成了一些认识:目标和约束清楚、工具能够执行、结果能够验证的工作,适合交给 AI 推进。对于目标定义、关键方案取舍、信息缺失时的判断,以及最终验收,需要人负责。涉及合入、发布和生产变更时,也应保留明确的决策与权限边界。

    AI 能够稳定承担的范围,比最初估计的窄一些,但这个范围可感知的在扩大。有时任务能够持续执行,产出的代码却存在性能或功能问题;有时执行工具没有报错,结果也未必满足业务要求。

    通过这些经历有一点经验可供大家参考:先明确目标、约束和验收标准,再建立可执行的验证与反馈,机制验证之后再逐步扩大任务的长度和复杂度。

    DarkFactory 当前积累了一套围绕任务组织 AI 研发工作的实践,接下来还需要继续解决执行效率、成本、易用性等问题。

    跳转微信打开

    •  

    社区说|Gemini 4 工业级落地:从大工程代码交付到 7×24 智能体调度

    GDG 2026-11-16 17:30 北京

    攻坚大工程交付与全天候 Agent 调度,通关 AI 工程化落地。

    当大模型迈入生产环境,工程命题迎来关键变革:大模型应用正从 "运行 Demo 演示" 全面转向 "承载十万行级真实工程、全天候自主运转的 Agent 团队与工业级生产线"。依靠零散 Prompt 尝试的技术瓶颈已然显现,如何通过科学的架构设计与全流程闭环实现工程落地成为关键。

    在中大型 Android 开发中,如何通过严格规范与上下文工程实现高质量 "零返工" 交付?在自动化团队调度中,如何利用 Gemini 4 跃迁至 "AI 管 AI" 模式,配合 Computer Use 桌面端真实验收打破 "假交付" 困局?在多模态内容工程中,又如何基于 Agy CLI 联动 Linux 开源生态与 Blender,构建高质顺畅的工业级长片生产全流程?

    本期 "社区说" 聚焦 Gemini 4 驱动下的深度工程化与工业级落地实践。三位技术专家将齐聚直播间,带你从 Android 大工程交付规范、7×24 多 Agent 自动化协同调度,一路下沉到基于 Agy CLI 与开源生态的工业级视频生产全流程,助你通关 AI 工程化落地的关键关卡!

    活动时间

    11 月 19 日 (周四) 19:00 - 21:00

    活动安排

    19:00 - 19:10

    活动介绍

    19:10 - 21:00

    主题分享

    叶楠:Gemini 4 来了,Android 开发都需要什么?

    19:10 - 19:45

    精彩看点:

    工程化痛点:如何让 AI 稳定维护数十万行代码的中大型 Android 工程?

    全流程规范:基于真实数据,拆解从搭建、配置到架构与测试规范的闭环。

    零返工交付:解析 Android 最新 AI 工具链搭配,掌握 "零返工" 交付实战经验。

    朱涛:从「人盯 AI」到「AI 管 AI」:用 Gemini 4 调度 7×24 Agent 团队

    19:45 - 20:30

    精彩看点:

    调度范式跃迁:解决单点 AI 编程依赖人工的痛点,展示 Gemini 4 作为顶层主管驱动的全自动研发效果。

    分工与成本控制:结合 Gemini 4 的顶层规划与轻量执行模型搭建多岗位协同团队,平衡精度与全天候运行成本。

    防翻车与实机验收:通过测试关卡、交接规范与 Computer Use 真实桌面验收,杜绝混乱死循环与假交付。

    全天候自动化落地:解析自动巡检、发版与人工审批边界,演示 Munk AI 并开源团队配置模板。

    王玉成:Gemini 4 以及 Agy Cli 的应用

    20:30 - 21:00

    精彩看点:

    硬核迭代复盘:复盘从生硬 3D 沙盘到 1:1 满配画卷的试错与蜕变。

    破局核心理念:确立 "1 子句 = 1 幅因果画卷 + Blender 3D 自然意境 + 毫秒级音画契约" 的制作哲学。

    开源工具链打法:在 Ubuntu 环境下联动 Linux 开源生态 (Blender、Rembg、FFmpeg 等) 跑通工业级长片生产。

    讲师介绍

    精彩互动

    本期「社区说」还有精彩互动评选,期待您的参与,礼品多多,不要错过!

    直播中,对讲师分享的内容进行提问,每位讲师将选出 3 位提出最有价值问题的同学,将有机会获得以上随机礼品。

    举办社区

    深圳 GDG

    直播平台

    访问以下链接或点击阅读原文

    订阅每期活动

    https://ctalks.gdgcn.net/r/shj

    识别扫描下方二维码预约观看直播

    观看往期精彩内容

    【王玉成:如何在 Antigravity 中使用 Agent Manager 及 Skill】

     https://www.bilibili.com/video/BV1FnFKzPECK/

    【朱涛:基于 Gemini 3 & CLI 搭建 7x24 不眠不休的 AI 开发团队】

     https://www.bilibili.com/video/BV16EFKzeEQE/

    【张益新:具身智能与 Gemini Robotics-ER】

     https://www.bilibili.com/video/BV1rEFKzeEG2

    关于社区说

    「社区说」是由谷歌开发者社区 (Google Developer Groups) 与谷歌开发者专家计划 (Google Developer Experts) 联合推出的月度线上分享会。

    每期由不同的谷歌开发者社区举办,根据主题或技术方向邀请谷歌技术专家,谷歌开发者专家以及对技术有热情、爱分享的嘉宾为开发者提供时长 2 到 3 小时共同学习交流机会。


    图片 点击屏末| 阅读原文 | 即刻观看

    图片

    图片

    图片

    阅读原文

    跳转微信打开

    •  

    WebMCP 技术专栏|最佳实践与落地指南

    原创 Google 2026-11-16 17:30 北京

    深度盘点 Chrome WebMCP 的关键开发规范,涵盖工具策略规划、简化认知计算与安全考量,助力开发者抢先布局 Agentic Web。

    作者 / Alexandra Klepper, Maxim Salnikov, François Beaufort

    WebMCP 工具声明应当清晰明确,无需开发者或智能体查看输出并重试。无论开发者使用的是命令式 API (Imperative API) 还是声明式 API (Declarative API),都应遵循以下最佳实践:

    • 在构建之前,请先制定工具策略

    • 使用清晰的语言和语义化 HTML

    • 设计 Schema 并妥善处理输入

    • 构建可靠的工具

    • 测试和调试

    关于如何构建注重安全的工具,请查阅我们之前发布的文章。

    落实架构约束

    为构建稳健强大的 WebMCP 工作流,请务必执行以下实用约束:

    • 一次性注册所有工具:页面必须完整公开工具接口,或者一个也不公开。若注册失败,应回滚整批工具,而不是让工作流只有一半可被调用。

    • 共享应用服务:通过共享同一套应用服务来处理校验、权限控制及副作用处理,确保可见用户界面 (UI)、WebMCP 工具与测试环境保持同步。

    • 等待 UI 同步:只有当输出结果与应用状态一致时,才将工具执行视为成功。应用状态需要体现在代码变更中,而不一定需要可见的 UI 变化。

    • 设定明确的提交点:定义什么时候取消操作可以停止变更。在应用执行更新、提交状态转换、同步 UI 并返回成功之前,需确认用户是否请求了取消。若之后才收到中止信号,则该变更可能并未被成功取消。

    制定工具策略

    正如开发任何软件应用一样,您的首要步骤应当是规划工具策略:

    • 每个工具应只包含一个功能。例如,一项工具可用于引导用户前往特定表单类型,另一项工具则应将输入字段与用户信息相匹配。请注意不要创建功能重叠的工具,以免混淆智能体。您可以在计划时考虑能否通过同一个功能来覆盖多个任务?

    • 管理工具注册。当工具在特定页面状态下适用时注册工具,然后在工具不再可用时取消注册。

    • 命令式 API:可通过调用 registerTool 动态管理注册。

    • 声明性 API:可通过在表单中添加或移除 toolname 和 tooldescription 工具属性来动态管理注册。

    • 降低复杂性:对于大多数应用而言,静态注册应该是默认方案。

    • 信任智能体能够完成任务。与其编写僵硬或否定式的指令,不如假设智能体能够理解完成任务所需的要求,而不是期望智能体管理确切的步骤流程。

    虽然允许使用的工具数量没有上限,但每个工具都会占用部分上下文窗口,并增加完成任务所需时间。您提供的工具越多,工具之间的重叠程度越高,智能体就越难正确选择工具。请通过实验确定适合您应用的方案。

      这有助于您构建用途不重叠的各个工具,并管理这些工具在何时可用。

      使用清晰的语言和语义化代码

      使用清晰准确的语言来命名工具并描述其用途。这有助于智能体找到所需内容、理解找到的内容,并按照开发者的预期使用该信息。

      在编写工具名称时,请区分执行和发起,并使用准确描述实际行为的动词。例如,create-event 是用于立即创建事件的工具,而 start-event-creation-process 是将用户重定向到表单以创建事件的工具。

      清晰的描述应说明工具的功能以及何时使用它。请使用正向的语言和偏好设置,而不是限制条件等负面语言。可以参考以下示例:

      • 错误做法

        "请勿将此工具用于天气查询。"

        限制条件应该隐含在编写良好的描述中。

      • 正确做法

        "此工具可以创建安排在特定日期和时间的日历事件。"

        这种表述方式不是告诉模型做什么,而是描述工具可以采取的操作。

      尽量减少认知计算

      正如您应尽量降低人类完成复杂任务时的认知负荷一样,您也应尽量降低模型的认知计算量:

      • 接受原始用户输入。避免要求智能体执行数学运算或转换输入字符串。例如,如果用户说 "11:00 至 15:00",工具应将其视为字符串,而非让模型计算这两个时间之间的分钟数。

      • 为参数声明特定类型,例如 string、number 或 enum。

      • 说明您做出特定选择的原因。您所做的选择应能自行解释。"原因" 有助于智能体做出更明智的选择。例如,如果您经营的是电商店铺,请使用自然语言声明配送类型,而不是使用含义模糊的 ID,使用 shipping="Express" 而不是 shipping_id=1。

      优先考虑可靠性

      智能体和用户都可以从行为符合预期的工具中受益:

      • 为速率限制设置优雅失败处理。工具应允许合理的重复操作,例如用于价格比较。如果工具受到速率限制,请返回有意义的错误或建议用户手动执行任务。

      • 在函数完成后更新界面状态。智能体可能依赖于界面来规划后续步骤,而函数可能需要比界面加载更长的时间才能完成。智能体应在界面更新后确认函数是否已完成,或再次请求更新。

      • 在代码层面严格验证,在 Schema 中宽松验证。对于具有二元逻辑的函数和代码,应使用约束和测试。虽然 Schema 约束可能很有用,但它们并非万无一失。请向函数代码添加描述性错误,以便模型能够自我更正并使用新的有效参数重试。

      在人类用户更新页面或跳转至新页面之后,智能体可能会重复执行某项模拟、重试之前的某个工具,或调用一个有效的操作。为避免此类错误:

      • 工作流状态过期。通过将关键状态转换绑定到精确值 (如资源标识、状态版本、计划 ID、计划哈希值及精确作用范围),拒绝基于过期工作流状态发起的调用。

      • 确认时重新计算。任何相关的状态变更都必须使旧的模拟结果或暂存计划失效。在执行确认操作时,必须基于当前最新状态重新计算,并拒绝过期的工作。

      评估测试与调试

      创建评估测试,并开放工具供调试使用。与确定性单元测试不同,评估无法硬编码,因为输出可能会呈现意想不到的形式。

      关键术语:以评估为导向的开发提供了一个可重复且可测试的流程,用于以逐步方式优化输出、捕获回归问题并使模式行为与用户和产品预期保持一致。

      • 定义问题。您可以像定义 API 协定一样定义问题,包括输入类型、输出格式和任何其他约束条件。

      • 定义基准和理想结果。尤其是使用文本输入时,务必要了解哪些类型的结果可以为您带来预期的输出。

      • 确定如何评估输出。您可能会根据输入质量、实用性和完成后续任务的能力来识别和衡量主观的定性结果。您可以使用多种技术来评估输出,包括基于代码的检查 (针对基于规则的输出,例如字符数限制) 和 LLM-as-a-judge。

      避免添加过于具体的规则来修补特定模型的问题。例如,如果您添加了用于选择敬称的选择字段,模型可能会做出错误的选择。与其添加过于具体的规则来修补此问题,不如从更高层面审视并调整您的工具。最好的做法是将此字段设置为可选项。然后,让智能体询问用户哪种选择更合适,以确保用户对结果感到满意。

      福利时间

      WebMCP 正在积极讨论中,未来可能会发生变化。无论您是想第一时间为自己的 Web 应用接入测试,还是对 Agentic Web 的未来演进有独到见解,欢迎通过以下方式参与互动,赢取精美周边!

      1

      抢先体验 Origin Trial

      扫描右方二维码或点击阅读原文,加入 WebMCP Origin Trial。申请完成后,将提交成功页面截图私信发给公众号后台,即可有机会赢取 Google 开发者好礼!

      2

      留言区开麦,聊聊实测反馈

      欢迎在评论区分享您的 WebMCP 实战 Demo 或探索心得,我们同样会挑选深度优质反馈,送出精美周边!

      *定制磁吸卡包 Magsafe 支架

      *每种互动抽取 5 位获奖者

      *两种活动参与方式的获奖名额不可叠加,同一微信账号限领一份礼品

      欢迎您持续关注 "谷歌开发者" 微信公众号,及时了解更多开发技术和产品更新等资讯动态。


      图片

      图片

      图片

      阅读原文

      跳转微信打开

      •  

      用 Super-agent 的理念,拆解 Octop 团队模式

      原创 腾讯程序员 2026-11-16 15:26 广东

      Octop 「团队模式」

      作者:Jubaoliang,Octop 负责人

      导读DeepSeek 近日发布长文,系统阐述了其 Super-Agent 设计理念——打破 AI「单次仅能处理单一任务」的旧范式,以调度员(Router)加执行单元(Worker)的双层架构实现任务并行与后台运行,解放用户等待时间。

      无独有偶,在工程实践的另一条路径上,Octop 于 1.0.2 版本便已上线「团队模式」,由主持人 Agent 统筹分解任务、多名专家 Agent 并行执行。两者核心思路的殊途同归,恰好形成了一次跨越产品与时间的对照印证。本文即以 DeepSeek 的 Super-Agent 框架为参照,解析 Octop 团队模式的具体实现路径——两者如何在工程层面分别落地「多任务并行」这一共同目标。

      DeepSeek 近日发布了一篇长文,系统阐述了 Super-Agent 的设计理念。其核心主张是:AI 不应被束缚在「单次仅处理单一任务」的旧范式中。Super-Agent 采用双层架构——前端由调度员(Router)负责接收请求与任务分配,后端由多个执行单元(Worker)并行作业;耗时较长的任务自动转入后台运行,前台则持续响应新的交互请求;每条消息仅保留核心上下文,冗长材料归档存储并按需检索。这样一来,用户无需停留在单一窗口苦苦等待,AI 也能真正实现多任务的同步推进。

      Octop 是一款由腾讯云开源的多用户 AI 助手(Github 地址: https://github.com/TencentCloud/Octop)。在 Super-agent 的设计思路公开之前,Octop 1.0.2 版本便已上线了「团队模式」:整个团队由一名主持人与若干专家 Agent 组成,主持人负责任务的梳理与分派,专家们并行推进各自负责的子任务,核心思路不谋而合。本文即以 Super-agent 为参照,解析 Octop 团队模式的具体实现。

      一、Super-agent 要解决的问题

      先来看一个日常工作中最常见的场景。

      群里突然发来通知,要求周五提交一份季度汇报 PPT。此时手头还在排查线上故障,又有紧急的新功能要赶进度,无奈之下只能把 PPT 需求复制出来,新建一个会话窗口。随着手头的事情增多,浏览器里的对话标签越开越多,每个窗口分别推进到哪一步,全凭个人记忆。等到两天后汇报材料做完,同事又反馈第三页的业务数据需要更新,但早已记不清当初是在哪个窗口生成的,只能把前因后果重新给模型描述一遍;找不到历史记录,便不得不再次新开窗口。而在修改过程中,助手又要耗费数分钟重新生成整份内容,这段时间用户只能守在屏幕前干等,甚至连电脑屏幕都不敢合上。

      DeepSeek 在文章中给出了一个直观的数据:一个人通常只能同时跟进三到五个处于进行状态的复杂会话。当前的模型虽然越来越聪明,逐渐摆脱了“每一步都需要人盯着看”的局限,但各项事务究竟进展到了哪一阶段,记忆负担依然落在人身上。一件事能否做好,取决于底层模型的能力强弱;而多件事能否并行推进,考验的则是人类用户的精力上限。

      Super-agent 试图接管的,正是这种跨上下文的状态追踪与任务分派工作。为此,它设定了四个清晰的目标:

      • 连续性:无论用户是在聊天群组还是在代码评审页面与它交互,背后的服务实体始终如一,用户无需再费心记忆哪句话落在哪个孤立的窗口里。
      • 高效率:前置任务尚未结束时,不阻塞后续指令的接收,多项任务能够真正并发推进。
      • 主动性:不再依赖人类一条条机械地下达指令,群聊讨论、邮件往来、自动化测试结果中一旦出现需要协同的事项,它能自主介入处理;非相关事务则静默旁观,不产生多余打扰。
      • 持久性:常驻于真实的工作环境中,即便是长时间运行遭遇单点故障,也能基于持久化上下文恢复工作,无需推倒重来。

      目前行业普遍采用的“提示一次、执行一步、确认结果、再规划下一步”的交互范式,本质上是一种串行运转的单线程逻辑,一旦面对多任务场景便捉襟见肘。而 Super-agent 的架构,正是为了打破这一瓶颈而设计的。

      二、Super-agent 的几个关键设计

      2.1 双层结构:上层调度,下层执行

      DeepSeek 打过一个生动的比方:大语言模型好比是马,外部工具和运行环境是马具,封装后的产品形态则是车行;一辆配齐车夫与工具的马车,就是一个具体的 Agent,而用户则是每天需要调度发货的货主。

      按照目前主流的使用方式,货主每来一批货物,就必须亲自前往车行单独雇佣一辆马车,将这单任务全权托付给它;新开一个对话窗口,就相当于重新走一遍雇车的流程。

      Super-agent 换了一套协作路径:车行直接常驻到了团队的工作群中,无论是群内的日常讨论、代码评审下的改动留言,还是自动化测试抛出的异常报错,系统都能够统一感知。车行内部配备了一名专属的调度员(Router),职责非常纯粹,只负责任务的辨识与分派。所有外部需求统一汇聚到调度员手中,由其判断该分配给哪辆马车、是否需要多车协同作业,以及各方任务完成后如何汇总反馈。具体负责拉货作业的马车,则被称为 Worker。上层由轻量调度员总揽全局,下层由专业 Worker 并行执行,这便是 Super-agent 所倡导的双层架构。

      在这一设计中,调度员的角色被剥离得极为轻巧:只负责接收需求与分派任务,自身绝不承担具体执行,甚至完全不配置业务工具。 正因为调度员无需分心处理繁重的业务运算,面对持续涌入的新任务时才能始终保持快速响应。他仅需进行任务意图理解和路由分配,因此选用更轻便、更敏捷的模型即可胜任;而在底层承担具体执行的 Worker,则各自配备全套业务工具与独立的上下文对话流,接入能力更强的大模型,专注于将单一任务执行完毕后向调度员汇报,最后由调度员对外统一回复。

      相比之下,业内常见的“一个主 Agent 挂载若干 SubAgent”的设计并非真正的双层架构。在那种模式下,主 Agent 既要负责接收消息,又保留了自己直接下场干活的工具链,分不分工完全依赖大模型在当下的概率判断。DeepSeek 曾在试验中发现:如果系统提示词仅注明“在合适时可以寻求帮手协助”,测试五次任务竟没有一次触发分工,其中耗时最长的一项被拖延了近半小时;即使将提示词强化为“尽量将任务分配出去”,五次测试中依然出现过主 Agent 因自认为难度较低而亲自执行的情况,导致主窗口当场被长任务卡死。事实证明,只有彻底拿走调度员手中的具体业务工具,从架构层面阻断其亲自执行的可能性,才能稳定保证每一项进入系统的任务都能被可靠调度。

      配图1

      2.2 事件驱动:由外部触发替代轮询输入

      当执行体系建立之后,核心问题便转向了系统何时启动运转。

      驱动 Agent 工作的指令,不再是用户在对话框中逐字敲入的一行行提示词,而是整个协作网络中自然发生的外部事件:一条群聊消息、一封新邮件、一次日程提醒、代码评审中的评语,亦或是流水线构建失败的通知。这些统称为触发事件。当 Agent 嵌入工作环境后,正是这些实时发生的事件在驱动它开展工作,这也正是 DeepSeek 所强调的事件驱动理念——用户甚至无需特意找到它并主动发起对话。

      当然,工作群内的绝大多数闲聊与日常沟通与业务任务并无关联,如果将每一条群消息都送入大模型做语义分析,无论在响应速度还是调用成本上都吃不消。因此系统设计了双重过滤机制:前置层先通过基础规则过滤,凡是来源渠道不符、群组未授权或不在白名单范围内的信息直接丢弃;只有通过前置过滤的有效事件,才会递交给模型层,由模型依据自然语言编写的策略规则,综合研判该事项是否应当承接。

      此外,针对同一个代码评审、同一话题讨论或连续往来的邮件线索,系统会将其抽象为一条持续的“任务上下文线”。一旦某个任务被具体分配给某位 Worker,该任务线上后续追加的上下文将直接路由至对应的 Worker 手中,无需反复绕回调度员重新流转。试验表明,在代码评审提交二十多分钟后,即使评审人员追加了一条修改意见,负责该任务的 Worker 也能立刻无缝衔接历史背景,用户完全无需重述前因后果。对于已被认领的任务线,调度员不再过多干预,从而将精力聚焦在全局监控与未分配的新任务上。

      更进一步,系统甚至具备适度超前的推测执行能力。当研发群内还在就某处 bug 的可能成因展开讨论时,后台 Agent 可能已经提前准备好了复现脚本与初步的修复方案;如果团队最终确认需要修复,现成的方案便可即刻输出;若讨论决定无需改动,则在后台直接废弃推测结果。通过后台适度的算力冗余,换取人类等待时间的显著降低,这在系统设计中常被称为“推测执行”(投机执行)。

      与此同时,对话上下文的容量膨胀也是工程落地的一大制约。单一会话能够承载的上下文长度始终存在上限,盲目塞入过多背景往往会稀释模型的注意力,导致重点漂移;但如果信息保留不足,又会导致模型频繁调用外部工具反复检索。DeepSeek 采取的应对策略类似于日常对办公桌面的整理:当前轮次紧密相关的核心信息常驻在活跃上下文中,而篇幅冗长且调用频次较低的原始资料,则仅在主流程中保留摘要与引用标识,正文归档至持久化存储中,后续仅在需要深挖细节时按需调取。正如原文所强调的:在上下文窗口中浪费空间,本质上就是在浪费模型宝贵的推理能力。

      配图2

      2.3 全双工:前台不等待后台

      在实际业务场景中,当一条新消息到达时,系统后台很可能仍有尚未执行完毕的长周期任务。在传统的交互方式下,处理方案通常是线性排队:新消息虽然已被系统接收,但必须等当前轮次完全运行结束才能开始处理。以生成一份完整的方案 PPT 为例,往往需要耗费数分钟,用户在这期间就只能在屏幕前等待;如果中途强行打断,前置任务的产出又会被彻底废弃。这种模式在通信领域被称为“半双工”,如同对讲机通话一般,一方不释放通话权,另一方就无法插入。

      全双工交互模式则改变了这一机制:耗时较长的重型任务被移交至后台异步执行,前台对话流完全不阻塞,能够持续保持待命状态以响应用户的后续输入。例如当用户在后台任务运行期间提出“第二部分还要补充两个案例”,系统在完成后台任务的当前执行步骤后便能即刻捕获这一新要求;如果新指令与后台正在生成的版本并不冲突,系统会在后台产出完成后统一执行增量合并;若发现两者存在冲突,则能果断终止当前后台分支,带着新要求重新派发执行。而后台任务最终完工后,其执行成果会被封装为独立的系统消息,动态回填至前台对话流中。

      从交互逻辑来看,系统原有的“模型等待外部工具返回”转变成了“系统承载等待,模型持续响应交互”。这种模式高度契合分布式系统中的异步消息机制:将复杂计算请求分派出去后,主流程继续处理其他交互,计算结果则在完成后通过回调递回。

      与之配套的输出策略同样需要因地制宜:在即时通信群聊中,系统遵循最小打扰原则,仅在需要关键决策或成果交付的节点发声,且输出内容以简短结论为主;而在代码评审、长邮件或技术文档等非即时交互场景下,才详细展开完整的背景考量、改动明细以及验证报告。原文对此甚至给出了一条极具实操性的量化规范:在即时通讯场景中,单次回复内容尽量控制在百词以内。

      配图3

      2.4 持久在线与独立巡查

      如果在下班离开工位时,后台某项复杂的代码重构或大型 PPT 尚未处理完毕,直接合上笔记本电脑便会导致原本部署在本机的 Agent 进程中断。虽然纯云端托管的 Agent 能够继续运行,但本机未提交的代码改动、私有内网系统的访问权限以及敏感的本地凭据,在安全要求下又无法随意同步至公有云端。

      针对这一两难困境,DeepSeek 给出的架构方案是“手脑分离”:

      • 将“认知规划”与“状态记忆”托管于云端:通过轻量无状态的计算容器承载核心规划逻辑,将全局对话状态与任务轨迹持久化存入高可靠数据库;

      • 将“具体执行”保留在本地终端:在用户本机部署轻量守护进程,专职负责接收并执行由云端派发的具体命令;

      • 一旦云端容器发生异常崩溃,系统可快速拉起新实例,通过读取持久化记录无缝接续当前任务;

      • 本地代码与认证凭据自始至终保留在本地受控环境中,避免敏感资产外泄。

      与此同时,面对长周期复杂任务的持续运行,单纯依赖模型内部的自我反思很难全面保障系统的高可用性。因此,主系统外部通常还会配备一个独立的看门狗守护程序(Watchdog),周期性唤醒并对全局运行状态展开巡检:它不仅监控常规的网络接口报错或调用超时,更能借助轻量模型评估每个 Worker 是否在切实推进目标、当前执行路径是否产生偏离。实践表明,Agent 系统在实际运行中最棘手的故障往往并非进程崩溃,而是模型陷入逻辑死循环或偏离了最初设定的目标,这类逻辑层面的偏航是传统进程监控工具无法捕捉的。此外,外部运维人员也可以直接使用自然语言询问“上一轮任务失败的根源是什么”,或是在线动态调整事件触发的过滤规则。

      正如 DeepSeek 在文末客观指出的:这一整套设计并非凭空发明了新理论,而是计算机系统工程领域沿用数十年的成熟实践,在 AI 智能体场景下的自然延伸。

      三、再看 Octop 的团队模式

      Octop 是腾讯云自研的具备多用户,多专家,支持团队协作的 AI 助手。 命名灵感来自章鱼(Octopus)——多条触手协同作业,能同时处理几件复杂的事。在 Octop 1.0.2 版本中推出的团队模式,核心运转逻辑与 Super-Agent 如出一辙:由系统主持人率先对综合任务进行结构化拆解,随后将其分配给不同领域的专家 Agent,诸如市场调研、数据分析、文案策划等环节各司其职,各自闭环后再将成果交由主持人统一汇总收口。

      3.1 主持人负责统筹调度,专家专注于细分执行

      在 Octop 团队模式中,主持人的系统权限做得很克制,仅配置了查看团队成员、分派子任务、检索长期记忆以及感知时间的轻量工具。当用户提出一项复合需求时,请求首先统一由主持人承接。主持人会优先厘清核心目标、业务边界、限制条件以及预期的最终交付形式,进而为参与协作的每位专家分别生成一份定制化的任务指引——将工作目标、禁止边界、输出标准以及必要的背景上下文交代得清清楚楚。

      从系统内核来看,Octop 团队本质上就是一个工程落地的 Super-Agent 架构:团队内部的各位专家成员被抽象封装为标准化的工具接口,主持人通过工具调用将任务消息分发至具体专家,专家在本地执行完毕后再将成果异步通知主持人。每一个专家成员在底层保持高度隔离,拥有专属的本地工作目录、独立绑定的模型服务、独立的记忆沉淀以及隔离的会话流。用户既可以在主房间内发起多专家团队协作,也可以进入私聊窗口单独与某位专家深度探讨,甚至能将同一位专家引入多个不同的协同团队,各自的上下文记忆完全不会产生混淆。

      不过在交互呈现上,两者存在一处明显的取舍差异。DeepSeek 倾向于完全屏蔽执行单元的对外发声,所有输出统一收敛在调度员一人身上,以此保证界面的极致精简;而 Octop 则选择让各专家的回复直接携带其专属头像展示在协作房间中,让任务的推进过程直观透明。主持人只在全部环节结束后,输出一段不超过三句话的全局收尾,且严格避免重复专家已阐明的具体细节。这种将中间过程充分展开的做法,使得当专家之间出现方案分歧时,团队成员能够一目了然地追溯不同立场的逻辑根源。

      尽管交互细节各有侧重,但两者在“对外保留统领收口的角色”这一设计理念上高度契合:DeepSeek 依靠调度员从始至终主导交互脉络,而 Octop 则由主持人把控团队协作的序幕与终局。

      配图4

      3.2 异步协作与非阻塞执行机制

      在任务分配的执行机制上,Octop 同样采用了“提交即返回”的非阻塞设计:当主持人将子任务分配给对应专家后,系统绝不会陷入原地同步等待状态,而是立即转入待命模式,随时准备响应用户的后续新指令。各自分配出去的子任务完全交由对应的专家在后台并发推进,不同专家之间的任务彼此独立运行,而同一位专家名下的多项任务则在其私有队列中井然有序地排队流转。

      当专家顺利完成所负责的子任务后,系统底层会将阶段性成果组装为一条带有特定标签的唤醒消息回传给主持人,消息体中会明确标示这属于已有任务的回调而非用户的新增提问,并随附一段核心答案的节选摘要。主持人接收到唤醒信号后,会智能判断是否需要触发下一轮专家分派,或者直接用简练的几句话收尾,明确向用户说明决策结论及采纳依据。

      “分派即返回、后台并发作业、成果异步回填”,这三项核心特征在两套系统中均得到了完整体现。唯一的区别在于等待机制所处的抽象层次不同:DeepSeek 重构的是底层单次工具调用的等待协议,而 Octop 则是将协同链路抽象为一套事件收件箱体系——任务分派后主线程即刻释放,后台作业完成后再主动唤醒主持人。无论技术选型如何,那些耗时漫长的重型任务都成功从前台交互流中被彻底剥离出去。

      3.3 核心理念上的不谋而合

      深入剖析两者的工程细节,可以发现它们在诸多核心设计决策上展现出了高度的默契:

      任务主线回归特定上下文。 在 Octop 中,团队协作房间本质上承载了主持人的会话主干,每位专家在此基础上派生出属于自己的子会话。同一任务后续产生的追加讨论与交付结果,都会精准排队回归至最初创建的上下文线程中,绝对不会与用户同该专家的日常私聊记录产生交叉污染。这与前文提到的“同一任务线的增量信息直达原处理单元”在设计思路上完全吻合。不同的是,Octop 并未选择彻底绕开前台的隐式路由,而是让所有新消息统一步入主持人的视野,从而更加直观地厘清任务演进的全局时序。

      上下文容量的克制与归档管理。 面向篇幅冗长的工具返回数据,Octop 在前端渲染前会执行截断处理并保留折叠标记;而提供给主持人审阅的专家答卷,默认也仅提取核心结论的节选。在向下分配具体任务时,系统会自动将房间内的历史讨论纪要压缩提炼为一份精简的背景概要,并显式标注其仅供背景参考。将最关键的决策信息留在手边,将庞大的原始全文归档存放在专属空间,这一做法与 Super-Agent 所提倡的办公桌面整理法则在工程理念上如出一辙。

      因地制宜的场景化表达规范。 在缺乏完整富文本界面的即时通讯渠道中,用户无法感知到协作房间内专家逐字生成的动态过程,因此 Octop 在任务分派成功的第一时间,会主动补发一条“已指派某某专家处理,请稍候……”的即时状态提示。当专家完成工作后,系统会推送带有明确身份署名的完整结果;而在主持人全局复盘时,再单独推送标有“【主持人总结】”的前缀消息。在移动端及 IM 群组中保持输出简练且主体清晰,若用户需要查阅全量推导链路,则可随时无缝切回 Web 控制台深入浏览。

      单轮支持并发多路任务分派。 主持人支持在同一轮调度决策中,将复合任务拆解并同时分配给多位专家协同推进,避免前台交互被单一维度的任务分派所阻塞。DeepSeek 采取的方案则是将短时间内并发涌入的消息合并成批次统一处理。虽然工程手段不同,但两者旨在规避的前台串行阻塞痛点是完全一致的。

      把关键把控权始终留在人类手中。 Octop 并没有引入完全由程序驱动的外部自动化巡检进程,而是设计了一套严谨的人机协同安全机制:当专家在执行过程中涉及调用敏感系统工具时,执行链路会主动暂停,等待人类用户的显式确认与授权,最长等待时间可达半小时,在此期间系统绝不会误判该轮任务已经超时结束。若任务分派过程中遭遇网络异常或上下文超限等问题,系统会如实唤醒主持人进行客观说明,进而由主持人决定重新分派还是向用户汇报终止,严禁模型在异常状态下凭空编造替代结果。此外,只要专家身上仍有尚未收尾的活跃任务,系统就会在规则层面禁止将该专家移除出团队或执行删除操作。DeepSeek 选择用独立的 Watchdog 巡检保障可靠性,而 Octop 则将决定系统边界的安全确认踏实地交到了人类手中。

      配图5

      3.3 认知大脑在云上,执行的双手留在本地

      合上笔记本电脑之后,原先部署在这台电脑上的助手会一起停掉。整套系统搬到云上,云上的进程可以继续跑;工作区里尚未提交的改动、登录凭据,以及只有内网才够得到的资源,却仍然留在原来的机器上,云端够不着它们。DeepSeek 把这个矛盾收成「脑手分离」:负责规划和记忆的认知放在云端,本机只留下听命执行的进程。云端容器出了故障,可以换一个新的,读回已经存下的记录接着做;代码和凭据则始终守在本地。

      Octop 的云端协作,把同一件事做成了两台实例之间走得通的一条路径。一台 Octop 放在云上,人离开工位之后,从手机或另一台电脑仍然打得开,任务从这里进来,任务分配和来回对话也在这里发生,这一侧就是随时找得到的认知入口。另一台留在家里或办公室里持续开着的机器上,仓库、凭据和内网都在它旁边,这一侧是执行的双手。两边连上以后,云端界面里会出现家里的专家。你把任务分配给他,操作上与把任务分配给本地专家一样。请求经云端协作的桥送到专家所在的实例,模型循环、工具调用和文件读写都在那台机器上完成,改动落在工作区本来所在的磁盘上,对话记录也以专家这一侧为准,云端再把结果流回你正在看的界面。

      家里的机器通常处在家庭内网(NAT)环境之后,没有公网 IP,云端很难逐次直接访问它的服务端口。连接建立之后,后续请求改走已经连上的桥,云上的入口因此仍然够得到留在本地的那双手。人在外面打开云上的 Octop,完成任务分配和来回确认;仓库里的改动、凭据的调用和内网的访问,由守在这些东西旁边的专家完成。环境留在原来的机器上,人可以离开那台机器。

      配图6

      3.4 当前各自面临的工程边界

      DeepSeek 在原文中非常坦诚地强调,其所公布的原型方案仍属于阶段性的探索成果,尚未达到商用级生产环境的标准。全双工机制虽然在内部推理运行框架中完成了技术验证,但在对外产品中仍未默认全面放开。如何实现长达数月乃至更久维度的记忆一致性管理、如何在让 Agent 自主调用各类生产凭据的同时避免其被意外泄露至模型上下文之中、如何构建严格的数据隐私隔离机制,这一系列核心命题在原文中被归纳为一长串尚待破解的开放式课题。作者甚至给出了直白的判断:倘若安全与隐私的隔离红线在技术上找不到彻底解法,全自主 Agent 的应用场景就只能被严格限制在一个范围极小且高度受信任的封闭沙箱中。

      同样的工程克制也体现在 Octop 的产品演进路标中。目前的专家团队模式在官方定义中依然处于 Beta 试验阶段,其系统能力边界在设计文档中被清晰划定:当前版本尚未开放多团队间的嵌套协同机制,也暂未提供跨专家的集中共享工作空间;前台的任务收件箱目前主要依赖内存状态维护,一旦底层服务进程发生非预期重启,正在流转中的未决任务存在状态丢失的风险;系统内暂未集成全自动化的独立看门狗服务,也尚未实现“在群聊讨论阶段即前置预测并生成补丁”的推测执行能力;此外,跨越异构通讯软件与研发代码平台的跨端协同,在现有版本中也仍处于技术探索之中。

      尽管两者的切入场景各有侧重——DeepSeek 更关注如何让复杂的软件工程任务在即时通讯与研发平台之间无缝衔接,而 Octop 则聚焦于帮助个人用户、家庭及微型团队将日常业务诉求高效分配给专业专家团队——但两者在系统底层遭遇的瓶颈却高度重合:长周期状态如何实现跨节点的高可靠持久化、单点执行异常后如何实现自动恢复、人机协同的安全护栏究竟应该划在何处、复杂后台链路被隐藏之后如何提供足够透明的用户可观测性,以及在出现现实扰动时人类如何随时人工介入修正。

      四、两套设计背后的共通逻辑

      DeepSeek 在其长文的终篇明确指出,这套看似前沿的系统架构在理论层面并未创造全新的范式,其本质是将在现代计算机软件工程中历经数十年反复验证的经典系统原则,重新映射到了大模型协作生态之中:通过分层架构明确调度与执行的职责边界、通过异步解耦实现长短计算路径的分流、通过就近缓存策略严控活跃资源消耗、通过推测执行提升系统响应速度、通过计算与存储分离保障弹性扩展,并引入独立的外部监控机制守护系统底线。

      在 Octop 的用户手册与设计说明中,我们很难看到这些晦涩的计算机专业术语。取而代之的,是生动形象的章鱼触手隐喻、负责统揽全局的主持人角色、依据专业维度清晰划分的专家成员,以及各自独立的工作目录与不可随意挪动的协作约束。前者是用严谨的系统工程语言向架构师与开发者拆解底层拓扑,后者则是用直观的具象化语言帮助终端使用者快速建立认知模型。

      然而一旦透过表象深入技术内核,便会发现两者所面临的物理约束是完全同构的:

      • 人类的注意力带宽存在天然上限,单次难以兼顾三到五个以上的并行上下文,因此任务记录与统筹分派必须依赖专门的调度机制来接管;

      • 传统的“思考一步、执行一步”的线性思维循环在面对并发任务时必定遭遇严重阻塞,因此重型长效任务必须与前台交互流实现异步解耦;

      • 如果一个主控 Agent 既要负责统筹分派又要亲自下场承担繁杂运算,主执行链路势必会被耗时任务卡死,因此必须从权限层面彻底剥离调度者的具体执行工具;

      • 单次对话流的上下文承载空间极其宝贵,过度冗余的原始资料会导致注意力机制分散漂移,因此非核心素材必须建立多级归档与按需提取机制;

      • 多任务并发作业时的上下文细节交织在一起极易引发语义干扰,因此各执行单元的对话历史与执行空间必须施加物理隔离;

      • 最后,核心的访问凭据、敏感业务数据以及尚未最终确认的资产变更,在安全合规的刚性约束下绝不应脱离本地受控环境。

      换作任何做复杂多任务 Agent 的团队,最终也都会在这些客观存在的系统瓶颈面前做出相似的技术抉择。DeepSeek 从底层代码研发与编程辅助体系向上提炼,Octop 则从原生常驻本地的协作助手向外延展,两者的技术原点虽相距甚远,但在架构演进上,最终都用上了这一套经典的系统设计方法:分层治理、队列解耦、缓存精简、提交即返回、状态隔离以及基于回调的事件驱动。

      甚至许多关键概念的定名,也往往是工程实践先行、术语定义在后。正如业内在复盘 Anthropic 提出的 Agent Skill 规范时所指出的:在这一标准化概念被大厂正式确立之前,许多极客开发者早就在遵循类似的约定,将提示词工程、参考背景文档以及可执行脚本组织在同一套结构化目录中按需调用。Super-agent 的重大价值,在于将行业中散落在各处的自发工程实践进行了系统化的理论升华与边界厘清,并辅以翔实的数据支撑;而 Octop 则是用“主持人、专家、分工协作、工作房间”这样一套温和自然的产品隐喻,让每一个没有计算机科学背景的普通用户,也能毫无门槛地享受到现代系统工程与多智能体协同带来的效率提升。

      对于真实世界的使用者而言,日常协作中最朴素的核心诉求其实非常具体:那就是将手头的需求交代清楚,随后在约定的时间拿到靠谱的执行结果。至于背后的专业技术概念叫什么,大可留在事后慢慢讨论。而那些在系统底层尚未完全攻克的工程难题——状态的长期可靠保存、异常时的自动恢复能力,以及人机协作中的安全边界——则依然整整齐齐地记录在两家团队的后续待办清单中,静候着下一代智能体系统的突破与演进。

      附录 |参考来源

      • DeepSeek 产品部《Super-agent 设计探索:迈向更自主的 Agent 系统》,2026-10-31;开源原型为研究原型,官方声明非正式产品。

      • 该文的公开解读与报道:《Super Agent 到底是什么?》《一文读懂 DeepSeek Super-agent》《把 AI 从「一个窗口」变成「一个同事」》《Deepseek Super Agent 是什么鬼?》,以及环球网、浙江在线、新浪财经、央广网的报道。文中试验数字引自这些解读对原文的转述,正式引用请以 DeepSeek 原文为准。

      • Octop 官方《一分钟了解 Octop》;1.0.2 解读《自托管 AI 助手新特性:由不同性格的专家组队协作》;《腾讯开源 Octop:从个人助手到小团队工作区》;《腾讯云发布 Octop:开源版 WorkBuddy 真的来了?》;《Octop 装完就能用,聊得越多它越懂你》。

      • Octop 项目内的《专家团队模式》《Agent 后台协作》《Inbox + Callback 方案》三份设计文档。

      跳转微信打开

      •  

      Qwen4-Max 正式上线!

      阿里技术 2026-11-16 11:16 福建

      图片

      我们正式发布 Qwen4-Max——与你并肩工作、创作和探索的全天候 AI 新同事。Qwen4-Max 基于 Qwen4 系列全新结构,拥有 2.4 万亿参数,具备原生视觉能力,支持百万 token 上下文窗口。

      Qwen4-Max 以更强的专业工具运用、长程任务执行与成果交付能力,推动真实世界生产力的提升。从专业工作的深度到无限创意的广度,从 3D 建模与游戏开发到复杂精密的工业制造,从金融、法律、医疗到前沿科学探索,在与你的协作中,Qwen4-Max 能够理解工作全貌并持续推进项目,让每一个目标都拥有抵达现实的路径,实现人与 AI 协同工作的全新可能。

      Qwen4-Max现已上线千问 AI 平台对外提供 API 服务,用户也可通过阿里Token Plan调用新模型,或在千问办公、Qoder、千问APP、Qwen Studio 等应用中直接体验。Qwen4 系列的中小尺寸模型将陆续开源发布。

      性能表现

      编程、办公及长程任务综合性能对比

      相比 Qwen3.8-Max,Qwen4-Max 的整体能力提升如下。

      图片

      Code Arena:WebDev 

      Qwen4-Max 前端编程能力在 Code Arena盲测榜单中位居全球前列。

      图片

      Token 效率与成本

      Qwen4-Max 以更少的 token 消耗取得了优于 Qwen3.8-Max 的性能:在 Work360 上,Xhigh 和 High 两档推理强度下的 token 消耗分别减少约 24% 和 35%;在 Terminal-Bench 4.0 上,分别减少约 48% 和 49%。与此同时,相比 Qwen3.8-Max,我们全面下调了 API 定价,尤其大幅降低了缓存命中价格。在我们 Work360 的评测中,单个任务的平均费用从 26.58 元降至 11.16 元,降低了 58%。

      Work360 与 Terminal-Bench 4.0 的 token 效率。

      预训练

      Qwen4-Max 采用 Qwen4 系列的全新架构,拥有 2.4T 总参数,每个 token 激活 71B 参数,另有 328B N-gram Embedding 参数。该架构围绕Attention、Residual 和 Embedding三个方面对稀疏 MoE 模型进行系统升级,优化计算效率、模型容量和训练稳定性:

      • GDN + Qwen Sparse Attention(QSA): 每四层中,三层 Gated DeltaNet 将历史信息压缩为固定大小的状态,另一层 QSA 通过轻量级索引器,以 block 为粒度选择相关上下文,降低长序列的注意力计算与索引开销。

      • Gated Residual(GR): 将残差流扩展为四条并行分支,通过动态读写门控增强跨层信息传递,提升训练稳定性。

      • N-gram Embedding: 根据局部上下文查表,在第二层引入局部 token 模式的额外表示,以较低的额外计算开销扩展模型容量。

      图片

      Qwen4-Max 模型结构

      在 2.4T 参数规模下,Qwen4-Max 的预训练过程平稳,loss 持续下降,全程未出现 loss spike。这主要得益于模型架构和训练优化的改进。

      图片

      Qwen4-Max 平稳的预训练过程

      在知识、代码、问答和 STEM 四类内部评测中,Qwen4-Max-Base 的每字节比特数(BPB)在全部五个参评模型中均为最低。相比 Qwen3.8-Max-Base,在总参数量同为 2.4T 的情况下,其各领域 BPB 下降约 5–13%,同时每个 token 的激活参数减少约 25%。

      图片

      内部评测:指标为 10 × BPB,越低越好。参数量按激活参数 / 总参数标注。GLM-5.3 和 Kimi-K3.1-Pro 为后训练模型,后训练可能影响其与基座模型的比较。

      驱动真实生产力

      Qwen4-Max 深度融入千行百业的复杂工作流,以更强的专业能力推动高质量成果交付,成为驱动真实生产力的 AI 新同事。

      工业与专业应用

      为全面提升模型在工业与专业场景中的协作能力,我们构建了 Work360 综合场景建模框架。该框架对复杂行业场景进行系统解构与细粒度分类,建立了涵盖 26 个一级领域、182 个二级子领域和 721 个三级细分领域的层级分类体系,实现对工业与专业场景的全方位覆盖。基于这一分类体系,我们构建了极具挑战性的 Work360 行业基准测试。在最新评测中,Qwen4-Max (52.69 分) 相较于上一代模型 Qwen3.8-Max (47.74 分) 取得了显著进步,在更广泛的行业场景中成为更强大的专业生产力工具。

      Qwen4-Max vs Qwen3.8-Max 模型对比

      图片

      任务样例

      图片

      三维世界理解与生成

      Blender:三维建模与场景创作

      三维创作能力方面,Qwen4-Max 能够熟练使用 Blender 工具,串联几何建模、场景搭建、材质配置与灯光渲染等环节,将创意逐步转化为细节丰富、风格鲜明的三维作品。

      从建筑与室内空间,到自然景观和科幻场景,Qwen4-Max 展示了对空间布局、物体结构与视觉效果的综合把握。

      这种三维创作能力被进一步应用于游戏开发场景,并通过 3D 打印成为实体作品,将数字创作与后续开发、制作流程相衔接,为设计探索、内容创作和原型制作提供支持。

      游戏开发:基于专业引擎的游戏创作

      Qwen4-Max 能够熟练驾驭 Unity、Unreal Engine、Godot 等主流游戏引擎。 只需简单的自然语言需求,它就能合理利用外部资产,独立完成场景搭建、玩法逻辑开发、资产整合、材质配置、HUD 设计与特效制作,交付一个上手就能玩的游戏。

      开发过程中,它会实际运行游戏,根据画面与交互反馈调整各种细节,如镜头跟随、角色动作、命中效果与打击感、光影与节奏配合,通过持续的运行测试与迭代,将场景、玩法和视听效果整合为可直接运行和体验的 3D 游戏。

      喵出法随:Qwen4-Max 在 Unreal Engine 中打造猫咪法师冒险游戏。玩家可施放多种法术、选择能力强化,并挑战逐波敌群与首领。

      汽车制造:从产线规划到零件设计与加工提效

      在三丰智能装备、泛海统联精密的实际生产场景中,Qwen4-Max 将图纸理解、参数化建模与专业工具调用等能力融入工程流程,支持汽车制造中的产线规划、零件设计与加工验证等任务。其将设计生成、工具执行与反馈验证串联起来,展示了贯穿汽车制造全链路应用能力,带来可量化的效率提升。

      在产线层面,Qwen4-Max 根据二维布局图与工艺参数,调用既有设备库构建三维产线,并开展节拍仿真与 PLC 虚拟调试;在零件层面,它完成车门总成、摩擦轮等部件的建模与设计,并辅助开展加工工艺规划、刀路生成与仿真核验。Qwen4-Max 通过根据仿真反馈迭代加工方案,在上机前发现过切、少切等问题。

      在所展示的加工案例中,单个工件加工编程所需的人工投入由约 475 分钟降至 24 分钟,减少约 95%。

      Agentic 视频创作

      借助 Qwen4 与万镜一刻,您可以构建端到端的视频创作工作流。从打磨分镜脚本、搭建静态资产,到在白模预演中驱动相机动画、渲染生成独立片段,最终剪辑成连贯的多场景影片。

      Qwen4 强大的语言、多模态以及智能体能力给复杂视频创作带来了知识注入、可控性和稳定性:

      1. 知识以文本或参考图prompt的形式注入到生成模型,使得生成更能反应创作者的知识和逻辑。

      2. 参数化白模预演确保复杂静态资产中几何结构、比例尺度与空间关系的一致性,也可精确控制动态运镜中的相机路径、动作和事件的时间轴卡点。

      3. 人机交互的自然语言化以及预演的可控性使得最终的成品更加稳定可解释。期待您使用Qwen4创作更多精彩的内容。

      金融、法律、医疗落地实践

      在专业垂直领域,Qwen4 深入金融投研、法律尽调与临床医疗三大高门槛场景,不仅可以处理繁杂的原始资料,更能完成深度的逻辑推演与证据链溯源,真正实现从“信息检索”到“专业交付”的跨越。

      金融投研

      Qwen4 可熟练调用 90 个 MCP 工具,全面获取 A 股、港美股、债券、基金及衍生品市场的行情、财务、利率与分红数据,并结合搜索对公开资料进行交叉核验。面对复杂的投研需求,它能够跟踪行业供需与订单变化、研判宏观利率与信用利差、比较股债性价比,并开展多因子回测以评估风格暴露。

      以下案例以沪深 300 股指衍生品为例,展示了模型如何综合资金成本、股息率与合约期限计算理论基差、分析实际贴水,并考察隐含与历史波动率的差异。

      最终,投研成果以 Excel 底稿和可编辑的 PPT 报告形式交付,并提供双重溯源保障:一是来源可查,点击单元格链接即可直达原始数据出处;二是图表可对照,PPT 图表与 Excel 底稿完全对齐,研究人员可随时从报告回溯至底稿,精准核对数值与计算公式。

      企业 IPO 法律尽调

      处理长程复杂法律实务方面,Qwen4-Max 面对客户分批提供的 198 份格式混乱、命名不一的散乱底稿,模型能有效排除干扰,按实质内容重命名并归类为 14 个目录,自动编制底稿文件清单;同时主动检索工商登记、知识产权、司法及信用等公开信息,与底稿进行多源交叉核验,核实发行人相关事实。

      在核心的风险把控上,模型能深挖协议细节并剖析法律风险(如精准识别“对赌协议恢复条款”等潜在隐患),进而提供可执行的整改建议。

      最终,它按严苛的实务标准交付了一份 86 页、6 万余字的完整尽调报告,全面覆盖历史沿革、股权架构等 12 个模块及 14 项具体法律问题,且所有结论均附有底稿引用以便追溯,在大幅提升尽调效率的同时,有力支持律师将精力聚焦于核心风险判断。

      危重症临床医疗

      在危重症临床医疗场景中,患者往往并发症多、病情变化快,伴随高频次的检查化验,产生了体量巨大且形态各异的医疗数据——包括几十份检验单、上万字的病程记录、多份医嘱以及 1,433 张原始影像。

      视频中的患者在颈动脉支架术后经历室颤并复苏,拔管后出现胸痛,并于第六天再次插管。Qwen4 在单次对话中通读了整份复杂病历,完成了从信息提取到辅助决策的闭环:查指标(跨日期精准定位特定 CRP 结果)、理病程(将六天内的复杂事件对齐为清晰的时间线)、读影像(将影像归为六类序列,定位目标胸部 CT,通过多窗口并行读取数百张原始图像,准确识别出“双肺背侧实变”,与主管医生诊断完全一致)、做决策(综合多模态信息进行权衡,给出四条处置建议,与医生当日医嘱逐条对应)。

      通过深度的医疗协同,模型能够高效整合多源证据,为临床一线决策提供坚实可靠的辅助支持。

      驱动长周期智能体(24/7 Agents)

      Qwen4-Max 支持智能体全天候推进长周期任务,通过自主规划与持续迭代,分阶段交付可用成果,兼顾自主执行与用户掌控。

      持续交付:边做边交付,方向全掌控

      长程智能体经常蒙头做事,缺少阶段性反馈,导致用户难以实时掌握进展、发现偏差和调整方向。为此,Qwen4-Max 融入 Live Delivery 能力,先交付可用首版,再持续交付更新版本,逐版扩展内容、提升质量。用户可依据每版交付成果评估进展、校准方向,Agent 可结合用户反馈动态调整计划,让长程任务的交付进展可见、执行方向可控。

      我们同步开源 Qwen-Live-Delivery-Plugin,安装插件即可体验持续交付能力。

      云资源调度:

      提升模型自身应用、推理与训练的资源效率

      Qwen4-Max 具备围绕复杂目标与约束进行运筹建模、求解与验证的能力,从而交付高质量的优化决策方案。该能力在阿里云真实业务场景中落地,实现了模型自主迭代并优化自身所需调度方案的闭环,涵盖数据标注中的多模型调用调度、云计算 GPU 资源的在线分配调度,以及云计算 CPU 资源的离线重调度。

      在这一过程中,模型根据任务设定自主生成候选算法,协同阿里自研求解器 MindOpt 对可行性、目标值与耗时进行评估并获得反馈,进而通过修改代码、交叉验证来迭代更优策略。从上层模型调用到底层云资源调度,Qwen4-Max 依托可量化的反馈持续进化,直接优化了支撑其自身应用、推理与训练的运行系统,而由此带来的成本降低与资源效率提升,又将为下一轮模型迭代提供更坚实的算力支撑。

      在相应场景中,数据标注场景模型调用调度费用对应参考基线平均降低 10.42%,GPU 在线分配相对基线的整机空闲容量时长提升 4.62%,CPU 离线重调度场景中达到最优目标的求解速度提升超 14.61 倍。

      图片

      驱动科学发现

      干湿实验闭环:

      Qwen4自主设计与合成新型冷却液材料

      面向下一代高功率芯片给数据中心带来的散热挑战,Qwen4依托深度原理Mira提供的一体化干湿实验环境,自主完成了一种新型冷却液分子的设计、实物合成与测试验证,最终获得真实材料样品。

      在连续48小时的自主Agent运行中,Qwen4全自动完成路线调研,构建包含270万个分子的候选空间,并依次开展结构筛选、MPA性质预测、第一性原理计算、逆合成设计与实验规划。

      Qwen4进一步调度自动化湿实验室完成真实物料的配制、合成、分离纯化与测试,将屏幕上的分子结构转化为实验室中的实体样品。经过4轮“分子设计-合成测试-主动学习”的闭环迭代,Qwen4最终获得经过实验验证的新型冷却液分子。

      从用AI探索材料,到用材料支撑AI基础设施建设,本次任务为破解数据中心散热难题探索了新的材料路径,展现了Qwen4跨越数字世界与物理世界的长程科学发现能力。

      药物发现:

      以自主科研探寻延缓认知衰退的新路径

      阿尔茨海默病逐步损害患者的记忆与认知能力,也给家庭和社会带来长期照护负担。神经炎症是其重要病理环节,参与这一过程的 NLRP3 炎症小体,为探索新的干预策略提供了重要研究方向。

      围绕这一靶点,Qwen4-Max 在深势科技 PharmMaster 平台上,展示了贯穿靶点研究、分子优化设计与计算评估的全链路能力。它不只是生成分子结构,更将文献与专利理解、专业工具调用和计算反馈融入持续迭代的科研流程。

      在这一过程中,Qwen4-Max 自主检索文献与专利证据,选择参考分子并建立评估基线,随后通过多轮结构设计、性质预测与分子对接,根据评估反馈调整优化方向,最终结合跨轮指标比较与相对结合自由能(RBFE)评估完成候选优选。整个流程累计调用工具 454 次,完成 3,239 项计算指标评估,设计优化 24 个候选分子,将证据检索、设计生成、工具执行与反馈验证串成一条完整链路。

      相比专利起点,最终优选分子在多项核心计算指标上实现全面改善。RBFE 计算估计显示,其与目标靶点的名义结合亲和力达到起点的约 3.6 倍。深势科技的专家认为,该分子具有较高的研究价值,值得进一步开展湿实验验证。从疾病相关靶点到高潜力候选分子,Qwen4-Max 将证据驱动的设计、专业工具执行与计算反馈相结合,展示了自主推进长程科研任务、持续优化分子并形成有价值研究成果的能力。

      图片

      “模型-框架-产品”协同设计

      在 Qwen4-Max 的研发过程中,我们与 Qoder 等产品团队紧密合作,协同设计模型、智能体运行框架与产品。我们从用户在日常办公和专业设计中的实际需求出发,明确模型需要解决的问题,并以端到端任务的交付质量检验整体效果。在此基础上,持续提升任务执行能力、优化用户体验,帮助用户把想法落到实处,交付可直接使用的成果。

      安全

      我们以六大人工智能发展原则为指导,即:以人为本、包容诚信、隐私保护、安全可靠、可信可控以及开放共治,将模型治理贯穿于整个模型生命周期——从最初的设计与研究,到开发、训练、部署以及实际应用——确保负责任的人工智能是原生内嵌于设计之中,而非事后补充。

      在软件工程训练任务中,我们在功能性检查的基础上新增了代码安全检测,以增强模型的内生安全编码能力。在 Last Secure Code Bench 的“无安全提示代码重建”及“功能与漏洞双重检验”中,Qwen4-Max 的函数级功能与安全双通过率从前代(Qwen3.8-Max)的 22.0% 提升至 31.8%;在函数,文件,仓库三个粒度上的同时生成安全代码比例从 8% 提升至 14.7%,接近翻倍。

      模型在规避注入、内存安全和越权访问等核心风险上表现尤为突出,能显著减少默认生成的代码漏洞,协助开发者从源头压缩系统受攻击面。 

      在网络安全方面,我们按任务的具体用途筛选,保留用于漏洞验证、检测和修复等防御任务的数据,剔除用于提升攻击能力等进攻任务的数据。经过内部安全专家对长程任务运行轨迹(包含完整 CoT)审查发现,Qwen4-Max 的网络安全防御能力大幅提升,针对攻击性用途的防护能力也显著增强。尚未发现模型产生大规模网络安全风险的能力。 

      在 CBRN 方面,我们设计了安全数据并在安全后训练阶段提升了 Qwen4-Max 的内生安全。在内部评测中,Qwen4-Max 在未产生过度拒答的同时,识别出更多含有潜在风险的请求并给出安全回答。经过内部专家对模型作答(包含完整 CoT)审查发现,模型提出的方案不具备真正的创新性,也无法端到端的完成任务。尚未发现模型能够将相关知识转化为显著提升使用者能力的风险。

      总结

      Qwen4-Max 是面向工作、创作与探索场景的全天候人工智能协作伙伴。

      它融合先进推理、原生视觉与长程任务执行能力,将复杂目标转化为可用的交付成果与具体的研究产出。依托持续交付(Live Delivery)机制,以及模型、智能体运行框架与产品层面的协同设计,Qwen4-Max 能够持续推进项目,根据用户反馈进行动态调整,并提供可供审阅和进一步拓展的成果。Max 只是 Qwen4 的第一款模型,系列中的小尺寸模型也将陆续开源:同源的技术路线、同一代的训练与对齐积累,面向小模型真正擅长的场景做取舍。 

      作为新一代智能协作伙伴,Qwen4-Max 现已就绪,可随时响应用户的协作需求。

      图片

      图片

      欢迎留言一起参与讨论~

      跳转微信打开

      •  

      AI专栏 | 让知识库不只是“写过”:一份面向 AI 的知识工程实践

      原创 Snow 2026-11-16 17:00 上海

      把 AI 文档变成一份工程契约

      作者简介

      Snow,携程后端开发专家,关注前沿AI发展,对知识工程感兴趣。喜欢从底层机制理解技术取舍,探索可维护、可复用的工程实践。

      团队热招岗位:AI Agent 开发工程师

      「全文约 6,600 字,阅读约 16 分钟」

      导读:一份写得完整、格式规整的知识库,有时反而比没有更让人不放心:过期内容会被当成确定答案,AI 还会把它组织得更有理有据。过去一段时间,作者参与了团队知识库的建设,一边把散落的 PDF、Word 手册迁移为可校验的 Wiki,一边沉淀出一套内容标准:知识与入口分离、写入时记录生成与确认、指标定义可编译成看板与告警、检索采用混合召回加两阶段重排。如果你正在建团队知识库,或在思考 AI 时代的知识治理该怎么做,这篇值得一读。

      一、先把知识和入口分开

      二、写得像真的,不等于是真的

      三、知识还可以成为可编译的契约

      四、没查到,未必是没写过

      五、事实也会“脏读”

      六、做减法,也有代价

      一份写得完整、格式规整的知识库,有时反而比没有知识库更让人不放心。没有的时候,我们知道要去查代码、找负责人;有了以后,一段两个月前完全正确的说明,今天仍可能被当成确定的答案。现在再加上 AI,它还可以把这段说明组织得有条有理,顺便附上引用。

      引用确实存在,只是引用的内容已经过期了。

      最近一段时间,我参与了团队知识库的建设。我们一边整理散落的 PDF、Word 手册,一边从头建立团队 Wiki,把系统概念、业务规则和排障经验逐步沉淀下来。做着做着,关注点也从“怎样让 AI 帮忙写文档”,变成了“写下来的知识,怎样才值得继续使用”。谨以此文记录一些实践,以及我对这件事逐渐形成的理解。

      这里不打算介绍某款知识库产品,也不展开各种 Agent 框架,主要聊我们怎么做、为什么这么取舍,以及哪些地方还没有做完。

      一、先把知识和入口分开

      我们通常把“知识库”当成一个整体,实际可以先拆成两件事:里面的知识,以及访问这些知识的工具。

      工具负责编辑、搜索、展示,知识负责说明一个概念是什么、某条规则为什么存在、遇到问题该怎么查。工具升级换代很快,但这些内容不应该每次都跟着重新装修。对于团队来说,几年后能否继续理解和使用今天的积累,比当前页面是否足够漂亮更重要。

      因此,我们选择先做内容标准,再做入口。

      这个选择也来自我对平台和标准寿命的一点思考。平台常常在竞争中更替,而被广泛兼容的公共契约,往往能活得更久。POSIX 保留了不同 Unix 实现之间可复用的接口约定;OCI 沉淀了容器镜像与运行时规范,Kubernetes 则通过 CRI 对接不同运行时,更换实现并不意味着必须放弃已有镜像。OpenTelemetry 也让遥测采集与观测后端解耦,和 HTTP 一样,工具和形态可以变,共同的接口与协议仍可沿用。

      到了 Agent 时代,很难不让我联想到当年的 Unix 竞争:MCP、A2A 也许会成为类似的公共契约,但这仍是我的判断,还没有经过长期验证。标准不是更能预测变化,而是更能吸收变化;我想留下的,是实现更替之后仍能复用的积累。就像 Docker 死了,但它构建的镜像们活了下来。

      我借鉴了 LLM Wiki 的思路:让 AI 不只在查询时临时拼接原始资料,而是参与维护一份持久化的 Wiki,把摘要、概念关系、分析结果和来源整理成可以持续积累的内容。人负责提供来源、确定方向和作判断,机器承担整理、交叉引用、更新索引等结构化工作。当然,这不意味着检索不再需要,只是检索之前,先把值得检索的知识组织起来。

      内容格式采用 Open Knowledge Format,简称 OKF。它的底座很简单:一个 Markdown 目录,加上 YAML 元数据。规范的最小必填项只有概念类型 type,并不要求所有团队采用同一套目录,也没有规定必须使用某个平台。我们在这个基础上增加了来源、确认记录和校验等团队约束,这是在 OKF 的基础上建设的类似代码管理的一套团队约束。

      在我们的实现里,一份知识集合称为一个 bundle。下面是简化后的目录示意,描述文件用于本地识别和注册:

      knowledge/
      ├── okf-bundle.yaml
      ├── index.md
      ├── log.md
      ├── concepts/
      └── procedures/

      其中,index.md 提供导航,log.md 记录变更,其他目录由 LLM 根据内容自己组织。同一份 Markdown 可以在本地编辑器里阅读,也可以生成文档站点,或者交给 Agent 消费。换入口时不用重写内容。

      多个 bundle 也不必倒进同一个大仓库。团队手册、业务知识、工具说明可以各自维护,由不同的工作区选择需要的组合,这就是这里所说的“联邦”。它首先解决的是知识集合的自治、注册和引用,而不是宣布已经有了跨团队的统一搜索平台。截至撰稿时,跨库联合检索和权限治理仍是后续工作。

      知识、工作区与可替换入口的分层关系

      知识集合各自维护,组合由工作区决定,入口可以替换。

      我认为现阶段 AI 的发展仍然没有逃脱《人月神话》中关于复杂度的论述框架,所以做知识库积累这件事还是有价值的。同样的,标准既不是“银弹”,也不能保证迁移完全没有成本。它只是让内容和工具少一些绑定,给以后的选择多留一点余地。

      二、写得像真的,不等于是真的

      能够搬走,接下来才轮到可信的问题。

      一篇由 AI 整理的说明,往往看起来很完整。但“谁整理的”和“谁核对过”,是两件不同的事;“有来源”和“来源支持这个结论”,同样不是一回事。只靠读者在使用时自己判断,既费力,也很难让机器遵循一致的规则。

      我们把这些信息写进了文档结构。

      信息

      对应字段

      回答的问题

      生成记录

      generated

      谁在什么时候产出了内容?

      确认记录

      verified

      谁在什么时候核对过内容?

      来源

      sources

      依据来自哪些材料,能否回到原处检查?

      生命周期

      status

      、stale_after

      是否仍建议使用,何时应该重新复核?

      OKF 可以根据确认记录区分未确认、机器确认和人工审核三个档位。它记录的是客观信号,不是给文档盖一个“正确率百分之百”的章。人工审核过的内容也可能因为后续变更失效,文档过期了也不代表一定无效。

      所以这里刻意使用“可核验”,而不是“保证为真”:有依据、有记录,人与机器才有路径去检查。内容发生变化后,旧的确认记录也不能自动当成新内容的背书。

      生成、确认、来源与生命周期的客观信号

      确认档位表示记录状态,不是永久正确的保证,也不是必须逐级完成的审批流程。

      接下来是把约定落到检查里。来源是否缺失、链接是否断裂、元数据格式是否符合要求,这些尽量由程序确定性校验;概念之间是否矛盾、一次代码变更是否影响了排障说明,则需要结合上下文分析,不能都伪装成简单的格式检查。

      我们将检查放在不同位置:写入时尽早发现基础问题——Hook,持续集成检查结构与引用——CI,合入审核负责确认变更是否合理——CR。由于本地 Hook 依赖宿主 Agent 支持,不能把它当成唯一防线,所以我们设计了多层检查关卡保障,以保障知识库的健康状态,最后还有定期巡检来兜底。

      一个小插曲,曾经巡检结果先由子 Agent 产出,再交给主 Agent 转述。文字看起来没什么变化,群里的 @ 却失效了,因为转述过程改坏了结构化标签。后来我们把巡检编排收回主执行流程,减少这一次额外转述。原先采用子 Agent 有它的上下文隔离和成本考虑,设计之初还没有 DeepSeek V4 flash 这类高性价比模型。也是这次经历也提醒我们,需要原样传递的数据,不应该因为“再帮我整理一下”而多经过一次自由改写。知识的内容需要理解,结构化凭据则需要保真,两者的处理方式不必相同。

      三、知识还可以成为可编译的契约

      说到这里,知识库似乎还是一些带了元数据的文档。下面用一个指标的例子,说明它还能往前走一步。

      比如“请求成功率”,看起来大家都认识,但分母统计哪些请求,主动取消算不算失败,时间窗口怎么取,数据来自哪里,都可能有不同理解。如果文档、看板和告警各写一份定义,三份在当时都对,几轮修改后也可能各执一词。

      我们的做法是先在指标页里写清口径、来源和可执行查询,给查询一个稳定标识。注册表只引用这个标识,并描述它如何被看板或告警消费,不再重复保存另一份查询。

      引用大致如下,路径和名称均为虚构示意,不对应内部指标:

      query_ref: metrics/request-success.md#success-rate

      随后,校验程序检查来源信息、查询引用和生成所需的配置是否完整,再由编译程序生成目标产物。

      指标页到看板与告警配置的编译流程
      原始流程图源码

      图 1:一份指标定义被多种产物消费的抽象示意。

      这里真正有价值的,不是生成了多少面板,而是同一份定义同时有三个用途:人能阅读,机器能检查,下游能据此生成配置。它不再只是一段介绍,开始具备契约的性质。

      不过,编译成功不等于统计口径正确。编译器能发现引用不存在,却不能替业务判断“接口A的请求量指标是否关键”。哪些指标值得长期维护,也仍需要人的判断。我们没有从头自动梳理所有候选指标,而是基于已有人工积累继续治理。

      另一点是,看板和告警只是并列的消费方,不是所有看板指标都需要告警,也不是所有告警都必须先出现在看板上。共享事实定义,不等于共享所有使用方式。

      至于将生成的配置发布到真实系统,是单独的操作,需要单独授权,不能因为文件编译通过,就顺手替人上线。但我们通过 Browser Use 能力做到一键发布。

      四、没查到,未必是没写过

      写入有了约束,读取也会遇到另一类问题:知识在库里,Agent 却没有找到。

      我们在检索评测中碰到过这样的题目:询问某个平台的应用标识,答案就在总览页的表格里,但推荐返回范围没有命中,放宽返回范围后才能找到。这个例子不是“加上向量就解决了”的简单叙事。

      排查时,我们考虑了提问术语、字段写法、分块边界等因素。比如用户说“应用标识”,文档可能写“应用 ID”;用户使用平台简称,正文采用正式名称。这些都是合理的归因方向,但如果没有单题对照验证,就不能把猜测写成已经确认的根因。

      从方法上说,文本检索和向量检索各有长处。BM25 擅长保留表名、字段名、标识符等字面线索,向量召回擅长处理“换了个说法”。我们将两路候选通过 RRF 融合,再做重排。RRF 主要按排名合并结果,避免直接比较两路并不一致的分数尺度;重排再结合查询与候选内容判断相关性。

      这条链路也有一些外部佐证。2026 年 4 月公开的 T²-RAGBench 检索研究,在两万余条金融数值问答上比较了多种策略,文档同时包含文本和表格。下面截取其主结果表中的几项,Recall@5 衡量前五个结果对目标文档的召回情况,数字来自论文,不是我们的实测:

      方法(同一主结果表)

      Recall@5

      BM25

      0.644

      混合召回(BM25+向量,RRF)

      0.695

      上下文增强的混合召回

      0.717

      混合召回+神经重排(两阶段)

      0.816

      两阶段检索主链路与论文 Recall@5 对照

      四项数字来自同一论文主结果表,仅作外部架构佐证,不代表我们的实测或预期收益。

      在该研究所比较的策略中,两阶段方法取得了最高的 Recall@5。论文把重排称为“单项影响最大的组件”,并推荐将它放在混合召回之后。这和 QMD 的架构设计相近,也给我们继续投入召回与重排提供了方向依据。

      在该研究的 Recall@5 对照中,上下文增强的混合召回(Contextual Hybrid)仅次于两阶段方法,说明上下文增强仍有增益。我们现阶段优先完善已采用的混合召回与重排,再评估上下文增强。这是工程投入顺序的取舍。

      另外,QMD 的架构还有首尾两个关键节点:Query Expansion(词扩展) 和 Position-Aware Blend(位置感知融合)。对此我们也做了一些 Tradeoff,由于现代 Agentic Search 通常会自行扩展 Query 同时并行 Tool Call,所以我们认为在 MCP 里做 Query Expansion 是冗余工作,而 Position-Aware Blend 仍然有用,它可以避免 Reranker 根据语义相关性轻易推翻 BM25 传统检索已经找到的精确匹配结果,通过调节权重起到兜底作用。

      借助于 Markdown 标准格式的结构化语法,也可以做到语义相关性更好的 Chunking。标题层级提供上下文,表格和代码块尽量保持完整,每个片段保留标题路径。否则答案虽然在某一行里,脱离表头后也可能不再是答案。

      检索返回原始片段及来源路径,同时提供读取原文的能力。组织答案仍交给调用方 Agent:需要少量证据时不用把整篇文章搬进上下文,需要核对前提时又能继续下钻。

      小规模本地对照中,这种方式相比当时整篇盲读的基线,减少了上下文读取量和查询耗时。现在也已在线上试运行,后续还要整理真实环境的量化数据。

      五、事实也会“脏读”

      文档可以被找到,也有过确认记录,今天还有效吗?

      做了一段时间后,我更愿意把 Wiki 理解成一层“事实缓存”。代码、配置、原始材料和口口相传是来源,Wiki 保存的是对它们的整理与解释。我们复用这层结果,不必每次遇到问题都从头分析,但来源已经变化、页面没有更新时,也就发生了类似脏读的事情。

      这是一个架构比喻,不是说知识库已经具备了数据库级的一致性保证。

      要减少这类问题,我们需要两种反馈。一种来自来源变化,比如代码变更和部分遥测信号变化,用来提示哪些页面可能需要复核;另一种来自真实使用,看看用户为什么没有得到需要的帮助。更多配置、数据等来源的漂移检测,也需要逐步接入,不能因为元数据能记录某种来源,就认为已经能够自动监听它的所有变化。

      使用反馈尤其不能简单归因。比如用户在排障时知道要查某张表,却不清楚需要看哪个字段。这场排障没有完成,可能是文档缺步骤,也可能是工具调用失败,或者内容本来齐全,只是没有被检索到。把这些情况一律处理成“让 AI 再写一篇”,很容易越补越乱。

      因此,我们先判断有没有问题,再判断该由哪一层解决。如果归属知识库,还要继续区分:内容不存在、内容不正确、已有内容没有被找到,或者不同页面互相冲突。用户多问了几轮,也只能作为候选信号,不能直接视为一次失败。

      分析以完整会话为单位,分桶后再核对对应页面,产出带定位依据的修正提案。对于能明确定位的交叉引用缺失,可以生成局部修正,但提交的变更仍走审核流程。发现重复问题则按类型和定位做去重,在同类问题下跟进,避免每次巡检都重新制造一份待办。

      来源变化与使用反馈驱动的事实缓存维护

      来源变化与使用反馈经过归因、提案、审核和回归验收,形成知识维护路径(架构比喻)。

      不过,“发现问题并改了文档”还不是终点。改动究竟有没有用,有没有顺便改坏其他场景,需要评测。

      我们将题目模板与具体数据分开:Case 描述问题以及必须取得的证据,Instance 绑定一次具体场景和数据。能固定依赖的场景用快照或 Mock 做回归,需要实时查询的场景保留真实执行。

      我们的评分约定也不只看最后一句答案像不像正确答案,而是看必要证据是否获得,推导是否成立。对于允许保留不确定性的案例,明确指出尚未验证的依赖可以是合格行为;没有证据却强行给确定结论,反而应该失败。这不等于可以省略题目要求的必要取证。对排障来说,知道哪里还不能下结论,比猜中一个答案更值得保留。

      评测集本身也需要复核。我们的检索标注集规模还小,而且当时没有“库里根本没有答案”的负样本。一个很高的命中成绩,只说明已有题目答得不错,测不出遇到知识边界时会不会硬编。先补齐这类样本,再讨论几个小数点的提升,更有意义。

      目前,发现问题、提出修正和回归验收已经有了各自的机制,也经历了几轮闭环迭代。

      六、做减法,也有代价

      前面讲了不少治理,最后还是回到人怎么使用。

      我们提供了轻量阅读站点,也建设了面向特定手册的薄编辑入口。我还自测过一种在浏览器里运行 Obsidian 的兼容方案,主题、图谱和插件看起来都很不错,但没有解决团队多人并行编辑的冲突。调研完成后,我们暂时不投入这条路线。

      做团队知识库的第一性原理是赌上“未来的文档即现在的代码”的个人判断,所以我不追求做一个重型在线协作文档平台,跟现在管理代码的方式一样,协作主要沿用 Git、变更请求和人工审核。入口可以改进,但内容格式与检查规则尽量不绑在编辑器里。

      从起步结果看,两条工作都已经有了可用产物:存量手册被迁移成独立的 Wiki bundle,团队 Wiki 则从零积累了百余篇知识页,日常提交有同事,也有机器人。两类内容分属不同的 bundle,各自维护,但都在验证同一套内容组织与变更机制。对我来说,更有价值的是把迁移、阅读、写入和检查实际跑通,并开始进入团队的日常使用。

      当然,标准化治理不是免费的。补来源、确认口径、处理冲突和复核变更,都要花时间和精力。对一次临时交流来说,直接发段文字更方便;对需要多年复用的团队知识来说,留下依据和维护路径才更值得。我们只是把成本从“每次使用时重新猜”,挪了一部分到“写入和变更时认真检查”,并没有让维护凭空消失。

      临时交流与长期知识复用的维护代价对比

      维护成本没有消失,只是从使用时部分前移到写入与变更时。

      下一步,我们要做的是持续扩大来源变化的检测范围,发掘更多消费知识的场景,量化知识库在实际问题中的作用,降低整套运转机制的推广接入成本。至于上下文增强、更炫的编辑器和更多自动化,可以等这些基础问题做扎实后再看。

      知识库不必越来越像一个庞大的产品,但里面的每一份长期知识,最好越来越像一份有人维护的工程:有来源、有检查,变化时知道该找谁,使用时知道哪里还不能确定。

      至少下次遇到同一个问题时,不必全靠那个最了解情况的人恰好在线。

      【参考资料】

      1. LLM Wiki:持久化知识维护的设计笔记

      2. Open Knowledge Format v0.2 规范

      3. QMD:Markdown 文档检索工具

      4. From BM25 to Corrective RAG:文本与表格文档检索策略对照研究(arXiv:2604.01733v1,2026-04)

      【推荐阅读】

       “携程技术”公众号

        分享,交流,成长

      跳转微信打开

      •  

      李建忠与Łukasz Kaiser对话下一代模型与ASI, 70+专家拆解智能体与软件工厂等AI前沿议题|2026奇点智能技术大会全日程发布附参会指南

      CSDN 2026-11-16 11:35 江苏

      参会指南已就位,诚邀大家参与这场奇点盛会

      11 月 20—21 日,由 CSDN 与奇点智能研究院联合主办的「2026 奇点智能技术大会」将在北京万达文华酒店召开。「2026 C++及系统软件技术大会」也将同期同址举行。

      70+ 位来自产业一线、科研机构和开源社区的技术专家,将在两天时间内集中呈现模型能力、工程系统与生产落地之间正在发生的关键变化。

      目前,大会完整日程正式出炉,距离大会召开仅剩 4 天,请大家抓紧报名参会。

      图片

      从大模型能力演进到 AI Infra 与系统底座重构

      本届大会在首日与第二天上午均设置主会 Keynote,邀请来自 OpenAI、奇点智能研究院、华为、南京大学、昆仑万维与新浪微博的技术领军者,围绕大模型能力演进、强化学习、生成式 AI、智能体生态与自我迭代等关键方向,分享最新研究判断与产业实践。

      著名的大模型奠基理论「Transformer 八子」之一、OpenAI 资深研究科学家Łukasz Kaiser 将在线带来《泛化性与下一代模型之路》主题分享。他将从 Transformer 预训练与强化学习推理两项关键成果出发,以「泛化性」为核心脉络,讨论下一代 AI 模型如何走出通用任务的集中训练,转向针对细分领域的专门学习与能力深化,以及如何降低训练与推理成本、提升速度,实现分布式的模型体系。

      奇点智能研究院院长、奇点智能技术大会创办人李建忠也将与 Łukasz Kaiser 就《跨越奇点:下一代模型与ASI》展开精彩对谈。共同探讨, 下一代模型的演进逻辑与路线、实现超级人工智能(ASI)的机遇与挑战。

      此外,李建忠还将带来《AI 智能体生态的研究和思考》主题分享,他将结合对生态性产业的研究,分享 Agent 时代整个产业生态的底层逻辑、关键路径和未来格局。 

      华为科学家咨询委员会 CTO 王纪奎将围绕《智能世界 2035:从愿景到行动的十大命题》展开分享。

      南京大学人工智能学院副院长、教授俞扬将带来《大模型强化学习》,讨论强化学习如何推动模型从生成能力迈向复杂推理、决策与持续改进。

      昆仑万维集团首席科学家、南洋理工大学讲席副教授成宇将系统介绍昆仑万维在生成式 AI 方向的技术布局,覆盖 Mureka v10 音乐模型、Matrix-Game 4.0 世界模型以及 Riemann-1.0 机器人模型。

      新浪微博首席科学家及 AI 研发部负责人张俊林将分享《AI 自我迭代改进:方法、实践及其局限》,讨论 RSI 从研究设想到工程实践仍需跨越哪些边界。

      以下是大会首日上午场日程:

      主会结束后,大模型技术:从 Agentic Scaling 到自进化、从具身智能到物理 AI、AI Infra 基础设施与 AgenticOps、AI 原生软件研发、系统级软件、多模态与世界模型演进等 6 大专场将同步开启。

      下午的议题将更加接近真实生产环境,集中回答 Agent 如何自我改进、如何进入企业任务,以及底层系统如何承接不断增长的算力与工程压力。

      以下是大会首日下午场的完整日程:

      大会首日聚焦大模型能力演进、Agent 自进化、Physical AI、AI Infra 以及 C++ 与系统软件底座,呈现从前沿技术探索到核心基础设施重构的完整链路。

      进入第二天,讨论将进一步转向真实生产环境,关注这些技术如何走进业务、研发流程与企业组织。

      图片

      通往奇点之路,需要模型、Agent 与 Infra 一起演进

      第二天的关键词是生态、生产与规模化。

      议题将从 AI 智能体生态和自我迭代出发,进一步走向长上下文推理、超大规模执行环境、AI 原生组织、行业应用以及企业级智能体落地。

      主会分享后,李建忠、王纪奎、中关村学院杰出技术专家张家兴、张俊林与 Dataify CMO 钱城将就「通往奇点之路:模型、智能体与 Infra 的协同演进」展开圆桌对谈。

      随后,六大专题会场将同步展开分享,下面是第二日上午场日程:

      第二天下午的议程主要围绕 AI+行业应用、Physical AI、智能体开发、AI 原生软件研发、AI Infra 以及企业级 AI 落地等专题展开分享。

      此外,第二天下午同步设置「昇腾云训推平台算力的开源生态」最佳实践专场,分享 DeepSeek 官方开源昇腾基础组件、携手昇腾共建高效易用 AI 芯片软件生态的进展,讲解昇腾超节点架构、高效可靠的昇腾云训练 Infra 方案,以及面向 AI Coding 领域、基于昇腾云推理 PaaS 开放平台打造的推理全栈加速系统。同时覆盖 DeepSeek 等主流大模型在昇腾平台的训练推理适配、算子性能优化与大规模集群部署实践。

      该专场将向前 100 名报名用户免费开放,可免票参与原价值 1500 元的专场议程。现场席位有限,名额满即止,感兴趣的开发者请尽快完成报名。

      本届大会设置了多个并行会场,建议参会者提前根据工作方向规划参会路线。

      如果你关注大模型能力边界与下一阶段技术路线,可以重点选择 Agentic Scaling、自进化、强化学习、记忆原生模型、世界模型与 Physical AI 相关议题。

      如果你正在搭建 Agent 平台或大模型推理系统,可以重点关注 AI Infra、KV Cache、PD 分离、AgentENV、安全沙箱、训推一体与 AgenticOps。

      如果你负责企业 AI 落地,可以关注 Personal Agent、企业级智能体平台、行业 Agent、组织级生产力与真实业务实践。

      如果你从事 AI Coding、研发效能或技术管理,可以沿着 Harness、Loop、Workspace、仓库级智能体与黑灯软件工厂这条路线参会。

      如果你关注系统底层,可以重点选择 C++26、编译器、Linux 内核、RISC-V、数据湖仓、运行时、高性能与低时延相关议题。

      图片

      大会开幕进入最后倒计时

      模型、Agent 与系统软件正在快速汇合。

      许多技术问题已经无法只从单一层面寻找答案。一次 Agent 任务背后,既有模型推理和上下文管理,也有沙箱、网络、存储、编译器与运行时。一次企业 AI 转型背后,也不只有工具采购,还涉及研发流程、组织结构与基础设施的全面改变。

      11 月 20—21 日,北京万达文华酒店。

      2026 奇点智能技术大会与 C++ 及系统软件技术大会同期同址举行,从高性能计算、现代 C++ 到系统级软件,补上 AI 时代不可忽视的底层技术视角。

      完整日程现已公布,报名进入最后阶段。请提前锁定席位,并根据日程规划自己的两天参会路线。

      温馨提示:大会日程可能因现场安排进行微调,最终议程以大会官网及现场公布为准。

      图片

      参会指南已就位,邀您奔赴这场奇点盛会

      会议基本信息

      • 时间:2026 年 11 月 20-21 日

      • 地点:北京万达文华酒店

      官网

      交通指南

      驾车:定位北京市朝阳区建国路 93 号万达广场 C 座,从东三环,国贸桥左转到建国路向东大望桥下掉头在向西行驶 500 米,马路北边。从东四环,上建国路到大望桥出来走辅路向西 500 米,马路北边。

      地铁:

      • 乘坐地铁 10 号线国贸站 G 口出 东行 700 米

      • 乘坐地铁 1 号线大望路站 D 口出 西行500米

      大会签到

      签到时间:11 月 20-21 日 8:00--8:50 

      签到地点:北京万达文华酒店七楼

      签到方式:现场电子门票签到,扫码小程序码,点击菜单栏「大会」,点击「我的门票」完成验证,获取大会门票。

      图片

      会议服务

      1、大会日程:关注 CSDN 公众号或官网,可获取大会全日程;

      2、演讲讲义:大会期间,你可以在小程序观看演讲讲义,会后,讲义也会通过邮件发送给参会者;

      3、反馈评价:期待您将参会感受及宝贵建议反馈给我们。

      ↓↓ 点击「阅读原文」,前往「2026 奇点智能技术大会」官网~期待与您共赴盛会!

      阅读原文

      跳转微信打开

      •  

      11.24 北京| AI 数据大会,全议程来啦!

      CSDN 2026-11-16 11:35 江苏

      11 月 24 日,北京

      重建确定性,从数据开始

      AI 数据大会全议程公布,请查收~

      01

      战略与技术主论坛

      02

      洞见专场

      向左滑动,查看更多议程详情

      03

      邀上"AI 搭子"一起赴会

      还有三重好礼相送

      ▼点击「阅读原文」,报名 AI 数据大会

      阅读原文

      跳转微信打开

      •  
      ❌