关于 QCon 的报道
共 4 篇相关报道
失败一次，受益多次：测试 Agent 从记忆到持续学习的工程实践｜QCon上海
AI 洞察测试脚本的迭代开发和维护是自动化测试长期痛点，需要新的解决方案。赵旭峰团队正在探索使用 AI 自主探索界面把模糊需求结构化，自动生成脚本与执行计划，例如使用知识库、脚本和执行产物等结构化数据来设计 Agent 工作流，并实现失败驱动升版的自愈闭环。从 Harness 到 Loop：Agent 如何走向可靠交付与持续进化？
AI 洞察AI Agent 的竞争核心正从大模型本身向外围工程系统转移。从 Harness 到 Loop 的转变，意味着系统设计从解决单一任务执行的静态架构，升级为依赖执行反馈实现自进化的动态闭环，这彻底重塑了人机之间的分工与协作关系。核心结论Agent 的竞争边界正从模型能力比拼转向工程系统的自进化闭环构建。为什么重要代码生成率等单一指标已无法解决实际研发成本转移的问题。只有通过 Loop 架构实现系统在生产环境中的持续反馈与自进化，才能真正突破 Agent 落地的可靠性瓶颈。影响谁- 潜在受益AI 研发团队通过引入 Loop 工程架构与自动化 Eval 体系，能够显著提升 Agent 在生产环境中的可靠性与交付效率。
- 潜在受益软件工程基础设施厂商轨迹级可观测性、工具协议与安全沙箱等支撑 Harness 与 Loop 的基础设施需求将迎来爆发。
后续看点后续应重点观察各大企业在生产环境中落地 Loop 架构的实际案例，特别是自动化 Eval、安全沙箱与基于执行反馈的自进化机制的落地成熟度。重要度 80/100从 Agent 到 Loop：AI 正如何重构软件工程？｜QCon 上海 2026 即将开幕
AI 洞察中国头部互联网企业在 2026 年的技术实践表明，AI 应用正从单点模型调用（如 Coding）全面转向涵盖研发、基础设施与复杂消费链路的 Agent 体系。这意味着 AI 的核心价值正在从工具提效向完整的服务履约与商业重构演进。核心结论软件工程正在从孤立的模型调用转向以 Agent 和持续 Loop 为核心的全链路重构。为什么重要当 AI 深入旅行等复杂消费链路时，其挑战不再局限于模型推理能力，而在于如何连接动态供给与服务网络。这决定了 AI 能否真正进入交易与履约环节，成为业务生产力的核心。影响谁- 潜在承压软件工程团队研发组织需要适应从编写代码到构建 Agent 持续运行 Loop 的流程变革。
- 潜在受益消费级互联网平台通过引入 AI-Native 的服务网络，可能重构人与服务的连接方式并提升履约效率。
后续看点后续应关注 QCon 上海 2026 大会上各大厂在消费级 Agent 落地中的实际技术架构与数据飞轮案例，以验证真实场景下的商业化可行性。重要度 78/100Agent 的记忆不在对话里：把企业数仓沉淀为可治理的共享语义记忆｜QCon上海
AI 洞察AI Agent 的记忆构建正在从「对话流的个性化历史」向「企业数仓的共享语义治理」演进。这一转变意味着，垂直领域多Agent的核心壁垒不再是记住用户偏好，而是如何将分散在数仓、代码和文档中的企业知识转化为可验证、可消解冲突的结构化资产。核心结论Agent 的记忆焦点正从对话历史转向企业数仓的共享语义治理。为什么重要当前主流记忆框架多聚焦于对话交互，难以满足工业等复杂场景对业务数据准确性的严苛要求。将企业数仓转化为可治理的共享语义记忆，直接决定了多Agent在企业生产环境中能否从实验走向规模化落地。影响谁- 潜在受益企业级 AI 开发者提供了将企业数仓转化为结构化共享语义记忆的工程路径，有助于降低多Agent在垂直领域的落地错误率。
- 值得关注Agent 框架厂商促使现有侧重对话记忆的框架（如 Mem0、Letta 等）向企业级数据语义治理和融合方向扩展功能。
后续看点后续应重点观察工业及企业级 Agent 落地案例中，基于数仓语义治理的架构是否能有效解决大模型在复杂业务查询中的幻觉与错误注入问题。重要度 65/100