“養蝦”熱潮下，專家幫你拆解Agent如何重寫軟件邏輯 | 奇點智能技術大會首日精彩回顧

作者 | 屠敏、鄭麗媛

出品 | CSDN（ID：CSDNnews）

2026 年，關于人工智能的討論，已經明顯進入了一個新的階段：

• 從全民“養蝦”式的工具熱潮，到圍繞 skills 與真實任務執行的再定義；

• 從“能不能做”的能力驗證，走向“如何規模化落地”的系統工程；

• 從單點模型能力比拼，轉向以 Agent 為核心的系統性重構。

軟件形態、交互方式乃至整個互聯網產業的運行邏輯，都在被重新定義。在這樣的背景下，由 CSDN 與奇點智能研究院聯合舉辦的「2026 奇點智能技術大會」于 4 月 17 日正式開啟，圍繞技術拐點與產業路徑展開集中討論，也試圖為行業從業者提供更深層次的理解與思考路徑。

今天上午的主會場，奇點智能研究院院長、CSDN 高級副總裁李建忠，榮耀終端 AI 首席科學家、首席人工智能官（CAIO）黃非，螞蟻集團副總裁、國家級創新領軍人才周俊，上海人工智能實驗室青年領軍科學家、大模型中心負責人陳愷等重磅嘉賓，圍繞大模型演進、推理能力躍遷以及 Agent 產業生態等方向，分享了各自的最新觀察與實踐進展。

座無虛席的會場內，討論氛圍持續高漲。

接下來我們精彩呈現這場大會首日的核心亮點，還原這半天最值得關注的技術觀點與關鍵行業信號。

白皮書 × 評測體系 × 開發者社區，一場關于 AI 軟件研發的三重奏

本次大會上，奇點智能研究院院長、CSDN 高級副總裁李建忠重磅發布《AI 原生軟件研發成熟度模型AISMM白皮書》。該白皮書由奇點智能研究院專家團隊，基于豐富的行業客戶咨詢案例、并融合業界最佳實踐，在 AI 軟件研發領域的重要階段性成果。

從內容來看，這份白皮書不僅是對 AI 介入軟件研發全過程的系統性梳理，更試圖為行業提供一條清晰的演進路徑。報告圍繞研發流程、組織架構、基礎設施與工具鏈等多個層面，系統提出變革要求與落地路徑。在李建忠看來，盡管當前 AI 軟件研發呈現出快速繁榮的態勢，但在企業實際落地過程中，仍普遍面臨組織協同、流程重構與工程范式切換等挑戰，因此白皮書的重點之一，正是回答“如何真正走向 AI 原生研發”這一核心問題。

整份白皮書共分為五大章節，涵蓋 AI 重塑軟件全新范式的變局、AISMM 全景解讀、AI 原生軟件工程的核心變革剖析、企業現狀與行業格局評估，以及技術趨勢與價值主張的展望。在大會現場，李建忠還基于白皮書內容，分享了對 2026 年 AI 產業變革的十二大前沿趨勢判斷，覆蓋計算、開發與應用三大范式：

趨勢 1：推理算力的池化、異構與彈性調度

趨勢 2：云計算服務模式的深度重構：從 IaaS/PaaS/SaaS 到 Token Factory/MaaS/AaaS

趨勢 3：端云協同的 AI 計算架構走向成熟

趨勢 4：Token 經濟學從應用技巧升維為基礎設施工學

趨勢 5：自主軟件工程的邊界持續拓展

趨勢 6：Harness的成熟和進化：手工配置到 AI 輔助與自動優化

趨勢 7：開發工具和基礎設施從人類中心走向 Agent 原生

趨勢 8：即時軟件快速增長，柔性軟件走向工程化成熟

趨勢 9：Agent 成為用戶交互第一入口，傳統軟件下游化

趨勢 10：生成式用戶界面（GenUI）為用戶提供更個性化體驗

趨勢 11：Agent 將互聯網從信息網絡重構為行動網絡

趨勢 12：自然語言交互 + Agent 網絡為多元設備提供人機界面

李建忠表示，未來白皮書將持續迭代，進一步吸納國內同行的實踐案例，打造開放性的研究成果，助力中國技術人在 AI 與軟件研發范式變革中持續貢獻力量。

在白皮書發布之后，大會進一步將視角從“方法論框架”延展至“行業評價體系”。奇點智能研究院開源技術委員會主任、華東師范大學數據科學與工程學院教授王偉在現場發布了《AI 大模型技術體系綜合開源影響力榜單》，并對其評測體系進行了系統解讀。

王偉指出，奇點智能研究院延續去年工作，對 AI 大模型評測榜單進行了持續更新與迭代。該評測體系突破了單一性能維度的局限，從數據、模型、測評與系統四個維度構建綜合評價標準，覆蓋 53 個核心指標，數據來源于 17 個平臺的 13,541 個鏈接。相關評測方法論及部分數據集已在 GitHub（https://GitHub.com/brucecui0120/OSIR-LMTS ） 和 GitCode（https://GitCode.com/brucec/OSIR-LMTS ）開源，并采用同行協同迭代的方式持續優化。

此次發布的評測榜單包含三大分榜單及一個綜合榜單。從結果來看，據大模型技術體系開源影響力模型分榜單顯示，國際企業在模型性能方面整體表現突出，但中國在模型開源整體實力上已超越美國。數據分榜單顯示，北京智源人工智能研究院、艾倫人工智能研究院等中立非營利機構在開源數據集建設方面較為活躍，而企業則更多將數據作為核心競爭力加以保護。系統分榜單更聚焦各機構在軟件體系、工具鏈及硬件支撐等基礎設施層面的開放程度。綜合榜單則對各維度進行加權匯總，阿里、智源、Meta、上海人工智能實驗室等機構位居前列。

在方法體系與行業評測逐步完善的基礎上，大會也將關注點延伸至開發者生態建設。王偉在現場宣布，「Al DSpace」AI 開發者空間站正式成立。該社區由多位技術專家以個人名義聯合發起，定位為面向海內外技術專家的硬核 AI 開發者社區，旨在連接產業與學術、專家與初學者，推動更高密度的技術交流與實踐協作。

從目標來看，該社區主要圍繞三個方向展開建設：

• 其一，堅持社區驅動理念，不僅匯聚行業頂級技術專家，更廣泛吸納在校生、初入職場者等新生力量參與社區建設。同時發揮連接器作用，搭建技術專家與入門從業者之間的溝通橋梁，采用“專家領銜、志愿者驅動”的參與機制，打造人人可貢獻的開放生態。

• 其二，打造一站式內容與資源平臺，整合硬核干貨精選、線上線下立體化活動，以及本次大會發布的白皮書等獨家資源，為開發者提供全方位支撐。

• 其三，實現全棧技術與產業版圖的覆蓋，涵蓋 AI 全鏈路、產業實踐、底層基礎設施、重點場景、模型工程、前沿應用、運維落地及行業洞察等多個領域。

李建忠：Agent 重塑軟件與互聯網產業新范式

AI 奇點已至。在主旨演講環節，奇點智能研究院院長、CSDN 高級副總裁李建忠圍繞 Agent 對軟件與互聯網產業的重構，分享了他對當前行業演進路徑的系統性觀察。

在他看來，AI 的 Scaling Law 正在經歷一輪持續進化：從早期的 Pre-training Scaling，到后來的 Post-training Scaling，再到 Test-time Scaling，行業的重心已經發生明顯轉移：所謂 Agent Scaling，核心是在構建一個多步驟、自主運行的跨系統閉環，其最終衡量標準是任務完成度。直觀的講法是：Agent 開始真正“干活”了。

談及今年的行業熱點，李建忠表示：“今年‘龍蝦’熱潮，并不是空穴來風，它實際是 Agent Scaling 的具象化，讓更多人第一次對 Agent 有了真實的‘觸感’。”

從這一趨勢來看，他進一步指出，Agent 正通過“雙輪顛覆效應”重塑軟件產業：既改變軟件應用形態（Do What），也顛覆軟件開發方式（How Do）。

在軟件應用形態層面，這種變化已經逐漸顯現。首先，交互發生替代，Agent 成為用戶第一交互界面；其次，傳統軟件被進一步“下游化”，逐漸演變為可調用的工具；更深層的變化在于重構設計，即行業開始“為 Agent 去設計軟件，而不是為人類設計軟件”。李建忠特別提到，相比 GUI，CLI（命令行界面）對 Agent 更為友好。圍繞 Agent 的執行鏈路，行業需要重新構建一整套能力體系，包括可調用的工具與 API、面向特定任務沉淀的 Skills，以及支持運行的云端環境（沙箱）。

在這一過程中，軟件形態逐漸形成從“傳統軟件—柔性軟件—即時軟件”的軟件光譜。其中，即時軟件成為一個尤為值得關注的方向。這類軟件通常由 Agent 自動生成、或者由大眾用戶使用“自然語言編程”來“黑盒創造”出來，其特點是即時生成、即用即拋，以低成本適配個性化需求，雖不符合傳統軟件工程規范，卻具備大規模、個性化、低成本的顛覆式創新特征，如同當年的 Web 軟件、抖音，從邊緣地帶逐步滲透主流。相比之下，柔性軟件則位于中間地帶，在穩定性與靈活性之間取得平衡，更適用于在穩定系統之上的企業級應用。

在軟件開發的工程范式上，李建忠指出，行業已經從 Prompt Engineering、Context Engineering，演進到當前駕馭工程（Harness Engineering）。與前兩者相比，這一階段更關注如何構建讓 Agent 可靠、安全、協作執行任務完整閉環系統。他將其拆解為三個層次：第一是“知道”，即上下文、記憶與 Skills 的構建；第二是“行動”，包括工具調用、基礎設施、沙箱環境以及任務編排與協同能力；第三是“反饋閉環”，評估任務、調試修正、追蹤和可觀測的能力。

談到 Agent 對互聯網的重構，李建忠給出了一個更底層的判斷，互聯網的核心是連接邏輯（改變生產關系），而 AI 是計算邏輯（改變生產力）。如今 Token 變成了 AI 最核心的衡量指標。不過，這種重構并非均勻發生，李建忠表示，當前 AI 對互聯網的顛覆呈現“差異化速度”——對內啡肽賽道（生產力、搜索、信息）顛覆迅猛，對多巴胺賽道（電商、娛樂、社交）則相對緩慢，因現階段 AI 更擅長“節省時間”而非“消耗時間”。Agent 正推動互聯網從“信息網絡”迭代為“行動網絡”，未來絕大部分互聯網服務要被重構為 Agent 可調用的接口，隨著生態開放，這一范式轉移將逐步落地。

黃非：《跨越周期：人工智能的演進和未來》

當大模型能力不斷刷新榜單，為何企業落地仍差“最后一口氣”？榮耀終端 AI 首席科學家、首席人工智能官（CAIO）黃非在本次大會上給出答案：單靠模型無法創造穩定的商業化閉環，真正的跨越在于從“模型決定一切”走向“模型與系統協同”，并最終邁向以人為中心的增強人類智能（AHI）。

當前 AI 行業發展迅猛，大模型在參數規模與榜單性能上持續突破，但黃非指出，企業級 AI 項目中超過 60% 仍停留在 PoC 階段，許多場景下推理成本已占整個 AI 系統成本的 70% 以上：“模型準確率雖可達 60%-80%，但 B 端和 C 端場景需要 90% 甚至 95%——最后 5-10% 的差距，需要付出極大代價。”

回顧 AI 發展史，黃非將其劃分為三個階段：規則驅動（符號主義，依賴專家規則，缺乏泛化）、數據驅動（統計機器學習，依賴特定任務數據）、模型驅動（當前大模型時代，Transformer架構+大規模預訓練，具備跨任務遷移的通用能力）。

Scaling Law 驅動下模型能力指數級提升，卻也帶來了幻覺、推理不穩定、與現實需求存在距離三大瓶頸——針對大模型的固有痛點，黃非提出了“模型與系統協同”的解決方案：“模型解決認知問題，系統解決行動問題。”

他表示，大模型本質上是概率模型，幻覺難以從算法層面根除，且長鏈推理會增加算力消耗與出錯概率，單純依賴模型的邊際收益會逐漸遞減。基于此，Harness 工程成為 2025-2026 年智能體領域的關鍵范式。它不是讓模型更聰明，而是為其構建“外骨骼”與“圍欄”。

目前，主流 Harness 體系遵循 CAR 邏輯：

• 控制層：通過結構化文件設定操作規程，確保AI在定義軌道內運行

• 代理層：多智能體協同編排任務，防止復雜任務中的幻覺

• 運行時：通過輕量級容器實現權限隔離，提供文件系統、瀏覽器、Shell 等工具接口

以 OpenClaw 架構為例，其核心特點就是開放性、可組合性、可進化性，通過 RAG、Agent、Workflow、Tool Use、Memory、Skill 等能力件共同構成系統層，讓 AI 真正從“回答問題”走向“完成任務”。

緊接著，黃非提到當前訓練邊際收益開始下降，成本重心逐漸向推理端轉移，而推理優化的新方向包括模型壓縮、量化、大小模型協同，以及邊緣計算與端側推理——將云端推理能力向邊緣和端側下放。

他解釋道，云端集中式架構面臨延遲高、成本高、隱私風險三大痛點，而端側作為“詞元避風港”，以近乎零成本的本地小模型承接高頻任務，為此，他提出了“云-邊-端協同”分布式智能新范式：

• 云：負責大模型訓練、更新與重度復雜推理

• 邊：負責區域任務調度與脫敏數據處理

• 端：負責實時響應與個性化意圖理解

在此背景下，智能手機、可穿戴設備正成為分布式智能的關鍵入口，具備低延遲、高隱私、強個性化等核心優勢。面向未來，黃非也提出了榮耀的遠景：增強人類智能（AHI）——AI 不是替代人類，而將成為持續存在的人類“認知擴展層”。他介紹，榮耀未來三年將以“增強人類智能”為戰略，在隱私安全為底座的前提下，通過端側能力賦能個人，讓終端設備成為真正懂用戶的數字分身。

在演講最后，黃非指出 AI 對企業的價值將經歷三個階段：降本提效、增收擴產、組織重塑。未來，AI 大模型也將從現有 OS 的工具應用，轉變為操作系統核心，進一步升級成為 產業發展和社會進化的操作系統。他總結道，通過 模型，Harness 與端云協同架構，以意圖理解和任務完成為核心，拆解復雜場景、平衡成本與精度，同時堅持以人為中心的 AHI 發展路徑，才能推動 AI 真正普及，實現技術與商業價值的雙重突破，為千行百業賦能，為人類在技術的快速發展中尋找長期的價值。

周俊：《從語言到推理：百靈大模型的 AGI 探索》

近來大模型領域一個最突出的特征，就是“范式變化太快了”。

在螞蟻集團副總裁周俊看來，“很多時候，哪怕身在其中，我們也很難判斷當前的范式到底是不是對的。”他直言，無論是國外頂尖大模型公司，還是國內廠商，在很多關鍵問題上并沒有形成一致判斷，大量“非共識”并存。這恰恰構成了 AGI 時代比較有趣的地方，把很多非共識慢慢做成了共識。而在這過程中，Scaling Law 是引領大模型演進至語言智能時代的關鍵。

基于這樣的觀察，周俊將大模型的演進路徑概括為三個階段：

• 一是語言智能階段。周俊認為，這一階段其實遠未結束。模型在文本生成、情感表達等偏“感性”的能力上，依然有明顯提升空間。“文無第一，武無第二”，人類的表達本身就難以標準化，要讓模型寫出真正沒有“AI 味”的內容，本質上仍是一個長期挑戰。

• 二是以 GPT 為代表的推理智能階段。模型不再只是“會說”，而是開始具備復雜推理能力，從“快思考”走向“慢思考”。不過，周俊也提出一個現實問題：這種依賴長思維鏈、消耗大量 Token 的方式，是否具備長期的經濟性，仍然值得討論。更關鍵的是，推理本身并不是終點，至少在真實世界里面，用戶真正需要的不僅僅是一個會分析的模型。

• 三是智能體的智能。在周俊看來，盡管“Agent”這個詞已經被廣泛使用，但真正的內涵其實很簡單：模型不僅要能推理，還要會調用工具、與環境交互，并在反饋中不斷修正自身，最終完成任務閉環。從這個角度看，AGI 的關鍵不只是更強的語言能力，而是打通“理解—推理—行動”的一體化能力。

其中，Token 的變化提供了一個直觀的側面指標。周俊指出，從 Chatbot 到推理模型，再到 Agent，Token 消耗呈數倍增長，如同人類解題時的思維推演，更多的 Token 消耗意味著更全面的思維鏈。但當前 Agent 發展仍面臨記憶泛化、復雜環境搭建、自主學習等未解決的難題。“如果繼續沿著這個方向走，范式不斷消耗更多 Token，那么智能計算的密度一定是在持續提升的。隨著這種密度的累積，模型能力有可能逐步向更高等級（L4、L5）逼近。”

在這一判斷之下，螞蟻集團內部也形成了一條相對清晰的工程化路徑。周俊介紹，其“百靈”體系正是圍繞“語言—推理—智能體”三階段演進，構建的一套持續迭代的模型能力框架，核心由三類模型組成。

其中，LING 模型作為語言智能底座，通過混合線性注意力機制與 MoE 架構，在多輪實驗中實現了算力與參數效率的平衡，重點解決高效 Token 處理問題。

在此基礎上，RING 推理模型完成關鍵躍遷。其團隊在這一階段引入了大量面向 Reasoning 和 Agent 的強化學習訓練，并結合自研方法與開源的 OpenClaw 智能體框架，通過 RLHF 等機制，使模型不僅具備推理能力，也能更好地對齊人類意圖，為后續走向 Agent 和真實任務執行打下基礎。

周俊表示，如果模型要真正進入現實世界，還需要原生的多模態能力。因此螞蟻集團也推出了 MING 多模態模型，基于 MoE 架構實現音、視、圖、文的統一理解與生成，推動模型從“語言世界”走向“真實世界”。

談及未來，周俊認為，大模型的核心發展方向是更復雜的 Agent 與群體智能，以及更高的智能密度，模型智能的關鍵不僅僅是更強的能力，而是能不能以更少的 Token、更低的成本和更高的吞吐，把模型真正釋放出來。“下一階段不是簡單做一個更大的模型，而是讓模型一方面更強，另一方面更高效。”他說，本質上，是讓 AI 從一個“會回答問題的工具”，演化為一個能夠完成復雜任務的智能體。

陳愷：《萬億參數科學多模態大模型：Intern-S1-Pro 技術解析》

在通用大模型能力日益趨同的今天，AI 的下一個戰場在哪里？上海人工智能實驗室青年領軍科學家，大模型中心負責人陳愷認為是：用 AI 變革科學發現范式。其最新發布的科學多模態大模型 Intern-S1-Pro，以萬億參數規模在多項科學任務上超越 GPT-5.2 和 Gemini-3-Pro，走出了一條“通專融合”的獨特路線。

回顧 AI 發展史，專業模型（如 AlphaGo、AlphaFold）在特定任務上早已達到人類頂尖水平，但泛化能力不足；而通用大模型雖泛化性強，在專業任務上與人類專家仍有差距。而上海人工智能實驗室的目標是：“未來 AGI 應當能夠在多個領域達到至少人類專家水平。”

陳愷表示，當前通用模型多聚焦于編碼領域，而上海人工智能實驗室把目光投向了 AI 賦能科學發現的全新賽道。他介紹，這一方向已成為全球共識：2025 年 11 月美國啟動的“創世紀”國家級計劃，聯合了頂尖科技公司與科研機構，致力于通過 AI 變革科學發現范式。

早在 2022 年底，上海人工智能實驗室就開始布局大模型，此后推出了語言模型 InternLM、多模態模型 InternVL、推理模型 InternThinker 等核心成果，并最終打造出了全球領先的科學多模態大模型 Intern-S1 與 Intern-S1-Pro。

其中，Intern-S1 是 2025 年 7 月發布的科學多模態 MoE 模型，擁有 128 個專家，總參數量 241B。在通用能力上，它超越了當時的通用多模態模型；在科學能力上，更超越了頂尖的專業模型——在化學、生命科學、地球科學等 9 項科學評測中，8 項優于 Grok-4。

今年年初發布的 Intern-S1-Pro 更是重磅升級，將參數規模擴展至 1T，采用更稀疏的 MoE 架構：擁有 512 個專家，推理時僅激活 8 個（約 22B 參數）。在專業任務相關的科學評測基準上，它超越了 GPT-5.2 和 Gemini-3-Pro，在通用能力上也具備強競爭力。

陳愷透露，Intern-S 系列模型的核心突破在于架構、數據、基礎設施與算法的幾重優化：

• 架構層面，團隊提出了“科學模態詞元化”方案，通過動態 AI 智能體將 DNA 序列、蛋白質序列、時間序列等異構科學數據統一編碼，實現極致壓縮。同時引入傅里葉位置編碼（FoPE），解決了傳統 RoPE 在長周期擴展中的性能退化問題。在 MoE 路由上，通過參數擴增初始化、專家分組和梯度估計算法，保證了萬億參數級別的負載均衡與訓練穩定。

• 數據層面，使用了 5.5T 高質量預訓練 Token，其中近一半為科學數據，涵蓋網頁文獻、實驗過程數據、跨學科知識。團隊還構建了頁面級文檔解析流水線和科學圖文對生成管線，利用 InternVL3.5 與 CapRL 技術生成細致精確的圖像描述，大幅提升模型的科學理解能力。

• 基礎設施方面，團隊自研的 XTuner 訓練引擎解決了萬億參數 MoE 的并行化、負載不均衡、訓練推理不一致等挑戰，實現了高訓練吞吐量與穩定的混合精度強化學習。

• 算法方面，針對不同任務類型（生成難度×驗證難度），統一采用強化學習+混合獎勵機制（MoR）；CompassVerifier 作為面向 RLVR 的魯棒統一驗證器，不管是用于評測還是作為獎勵模型，都能保持準確且更優的性能；InternBootCamp 內置 1000+ 驗證環境，覆蓋算法、邏輯、密碼、自然科學等任務——混合訓練的任務越多，模型性能越好，甚至能讓此前無法解決的難題“涌現”出解法；POLAR 則提出全新獎勵模型范式，不建模絕對偏好，而是判斷兩個回復是否來自同一模型，無需人工標注即可規模化擴展。

演講最后，陳愷表示目前 AI 領域的核心發展方向已逐漸轉向智能體和長程推理能力的提升。無論是 AI for Science 的落地，還是其他技術創新與未來應用，均離不開 AGI 的驅動。未來，上海人工智能實驗室將持續深耕AI與科學的融合，助力 AGI 落地，推動科研范式變革。

圓桌對話《跨越奇點：推理拐點下的 Agent 產業新生態》

作為上午場的壓軸環節，奇點智能研究院院長、CSDN 高級副總裁李建忠，榮耀終端 AI 首席科學家、首席人工智能官（CAIO）黃非，上海人工智能實驗室青年領軍科學家、大模型中心負責人陳愷，新浪微博首席科學家及 AI 研發部負責人張俊林，在奇點智能研究院開源技術委員會主任，華東師范大學數據科學與工程學院教授王偉的主持下，展開圓桌對話。

討論圍繞“AI 對軟件形態的重塑”這一核心主題展開，并進一步延伸至技術變革對開發者群體的現實影響，包括程序員能力結構的變化、職場工程師的轉型路徑，以及在校學生應如何面對新一輪技術范式切換等與從業者切身相關的話題。

王偉：AI 正在改變軟件形態，比如即時軟件，具備即時生成、用完即棄的特點，也有一些處于中間的柔性軟件。站在一線從業者角度，你怎么看這些變化？對我們的工作方式和學習路徑，會帶來什么影響？

張俊林：當前 AI Coding 已相當成熟，更值得關注的是其能力提升速度正呈指數級躍遷。半年前我們內部評估還認為，復雜后端工程難以完全依賴 AI coding 實現。但如今，尤其以 Claude 為代表的模型，在持續高頻迭代下，已能夠勝任復雜后端乃至前端開發（且在前端表現尤為突出），整體具備了實際生產可用性。

這一變化對個人和企業而言，意味著生產方式的重構。對個人來說，“程序員何時會被 AI 取代”正從抽象擔憂變為現實問題，而且時間點可能比預期更早。既然大勢所趨，我們不可能螳臂當車，逆著這個趨勢去行動。所以我們需要進一步評估 AI 的發展速度，思考如何最大化地利用工具，展現出自己的能力，讓自己在職場上更有競爭力。

從企業視角看，AI Coding 與 AI Agent 的能力提升，核心仍圍繞“降本增效”。對內是降低成本、提升人效，對外是推動功能創新、擴大用戶與收入。當前來看，AI 在直接創造 To C 新功能上的表現仍低于預期，但其作為生產力工具的價值已十分明確。在此背景下，企業自然會傾向于通過減少人力、提升單人效率，實現總體成本下降而產出不減甚至提升。我相信這個會對我們所有從業者未來的職業發展形成巨大的沖擊。至于如何應對，其實我也沒有很好的答案，仍需要每個人結合自身情況認真思考。

陳愷：AI Coding 已成為明確的大趨勢，幾乎所有企業都在推進相關實踐，未來軟件形態很可能走向分層發展。一方面，AI 顯著降低了開發門檻，未來可能會出現個性化軟件和“即時軟件”。在我們團隊內部，大家遇到一些小規模或個性化需求時，第一反應都從“去 GitHub 找現成工具”，轉變為“能否直接用 AI 自己寫一個”。這種變化大幅降低了長尾需求的滿足成本，使過去傳統軟件工程或“不會編程”難以覆蓋的場景，開始具備可行性。

但這并不意味著如 SaaS 這類軟件會消失。雖然其發展肯定會越難越難，但行業中還是會有大量共性需求，以及對穩定性和魯棒性要求極高的場景，仍然依賴標準化軟件來支撐。不過，這類軟件的商業模式可能發生變化：過去用戶為軟件付費，很大程度上是為高昂的研發成本買單；而在 AI 參與研發之后，一體化開發模式下，工程師的角色正從“解決工程問題”轉向“表達需求、驅動 Code Agent、以及完善測試”。在這種模式中，付費的核心可能轉變為減少需求梳理成本、降低 token 消耗，以及提升整體交付效率。

因此，標準化軟件的成本會下降，但需求依然存在。畢竟，即便借助 AI coding，將需求轉化為可用軟件本身仍有一定門檻，這一門檻雖在持續降低，但不會在短期內消失。整體來看，軟件生態將逐步演化為分層結構。

黃非：回想一年半甚至更久以前，我和阿里李永彬老師（現通義靈碼技術負責人）帶領團隊研發通義靈碼時，就形成了一個基礎認知：代碼是大模型最早也是最適合落地的應用場景之一。這一判斷主要基于三點：第一，代碼運行具備低成本的模擬與驗證環境；第二，GitHub 等平臺提供了大量高質量開源代碼作為學習素材；第三，在執行過程中，無論是編譯報錯還是運行結果反饋，都能提供豐富的信號用于模型優化。由于這些因素，使得大模型在代碼能力上發展得非常快。現在的發展也驗證了我們當時的判斷。

回到當下與未來，盡管大模型已經能夠高精度生成很多代碼，但大家對“高精度”的定義并不一樣。按照我個人的理解，在長尾需求場景中，更接近即用即拋式開發。但在高頻、關鍵、核心業務場景中，大模型代碼是否能夠達到足夠的安全性、低成本與可靠性，仍有待進一步觀察與驗證。即便在硅谷，很多開發者在實際使用 AI coding 時，也仍然認為模型生成的代碼存在大量問題，甚至仍然是“屎山代碼”的來源之一。

因此，未來在關鍵系統中，仍然需要經驗豐富的架構師與產品負責人，與 AI 協作完成更好的代碼。從開發者職業發展的角度來看，我認為軟件開發門檻將持續降低，人人都可能成為開發者。但開發者的核心價值將不再體現在“寫代碼”，而更多體現在“問題定義能力”上，即識別問題、判斷需求，并決定用何種技術路徑解決。在這一過程中，每個人都在某種意義上轉變為產品經理。如果僅停留在單點技能或單一能力層面，在未來的職業發展中將面臨更大挑戰。

李建忠：很多軟件從業者從一開始就根深蒂固地認為代碼是永存的，但在人類文明史上，代碼存在的時間其實并不算長，硬件時代的計算機本就沒有軟件。從歷史角度看，今天的軟件形態，和十年前我們熟悉的軟件早已截然不同。軟件只要能驅動硬件、具備計算邏輯即可，其依托的代碼形式與工程范式，必然會發生巨大改變，這兩年 AI 編碼的發展，已經展現出這種變革潛力。我們若用傳統觀念和軟件工程理論體系看待新時代的軟件，就好比軟件時代的人看待巴貝奇差分機，疑惑“為什么沒有軟件代碼去操控機器”，可它依舊能完成運算，這便是歷史維度的對比。

回到當下，傳統軟件乃至整個 SaaS 領域的市值確實都在下滑，這是軟件行業的根本性變革。在我看來，軟件行業正經歷一場板塊式運動，傳統軟件會被即時軟件、個性化智能體等新型形態大量替代與蠶食。當然也不可否認當下大型傳統軟件在 AI 發展中，仍存在不少軟件工程與質量問題，甚至和一線工程師的水平存在差距。但這種狀況會快速改變，尤其是今年智能體與駕馭工程技術的飛速發展。只要能實現閉環驗證、邏輯可收斂的內容，大模型都能使其完善，無論是代碼規范、設計質感，還是不符合設計原則等問題，只要能被量化，都能通過自動化工具檢測評估。只是如今我們的工程與工具鏈都是為人類工程師設計的，尚未全面轉向智能體體系。一旦架構評審、代碼質量檢測、性能測試，乃至漏洞檢測工具等全部實現智能化，即便傳統開發模式存在不足，也能快速優化完善。

最后對于大家關注的工程師職業發展問題，對此，我并不悲觀。從人類歷史發展來看，每個時代更迭都會伴隨短期陣痛，比如當下硅谷的裁員潮，但人類總能渡過這個階段，實現技術升維。過去我們編寫代碼，未來或許會轉向定義技能，技能將成為未來定義軟件的核心方式。這里有個核心前提，未來軟件的需求只會增多不會減少，這符合杰文斯定律——生產力大幅提升后，需求往往會隨之暴漲。就像從馬車到汽車的變革，馬車夫雖失業，卻催生了數量更龐大的司機群體，因為人類的交通需求實現了井噴。歷史上大量軟件需求因開發成本過高未能被滿足，如今通過技能定義的方式降低門檻，會推動職業升維，釋放更多需求。盡管產業切換會帶來短期陣痛，但長期來看，我依舊保持樂觀。

王偉：當前 AI 領域概念迭代極快，從提示工程（prompt engineering）到上下文工程（context engineering），再到如今的駕馭工程（Harness Engineering）——即對 AI 智能體的協同與管理。請問各位，職場人員與在校學生應如何應對？是投入相關的 AI 學習，還是去構建這種系統化的對大模型的駕馭能力？

張俊林：如果不是專業從事 AI 研發的人員，我建議不必急于投入駕馭工程。

回顧大模型發展三階段：2023 年初至 2024 年 9 月，拼通用知識，ChatGPT 遙遙領先；2024 年 9 月開始，重心轉向邏輯推理，由 OpenAI 的 O1 引領，DeepSeek 因開源推理范式而爆火；2025 年 9 月又進入第三階段——AI 智能體轉型，Claude 憑借編碼（coding）智能體能力顯著領先。

為什么對駕馭工程要“懶”一點？因為大模型正將 AI 智能體能力從應用層吸收到模型層。過去做 AI 智能體，維護大量上下文、各種外部檢索增強生成（RAG）以及自行搭建系統來構建 AI 智能體能力；而現在做 AI 智能體變得簡單了，因為大模型的基本Agent能力變強了。

目前，所有其他大模型在 AI 智能體能力上都在追趕 Claude。而順著這個周期再往后推，其實很容易推出駕馭工程的趨勢。駕馭工程本質上是：大模型作為大腦，雖然能力較強，但仍有很多薄弱環節。例如，上下文一長大模型就會混亂，大模型自身無法解決這個問題，只能通過外部介入。

但根據大模型發展歷史，有一個明顯趨勢：未來駕馭工程會越來越薄，很多能力很可能會被大模型“吃掉”，大模型公司一定會把能吸收到模型內部的能力都吸收進去。就像一年前我們需要學習提示技巧，現在已不再需要；同樣，一年之后駕馭工程也可能不再需要專門投入精力去學習。

陳愷：我認同工程會變化，且模型會吸收能力。云廠商和工具廠商也在推動駕馭工程自動化，從半自動走向全自動。但我認為駕馭工程仍然值得學習——不是學概念本身，而是從第一性原理理解它要解決的本質問題。

提示工程、上下文工程、駕馭工程并非三個獨立的新事物。例如，對于搭建AI智能體的人來說，上下文工程本身就是駕馭工程的一部分：如何設計上下文、工具調用的間接性披露、工程約束等。因此，駕馭工程只是現階段總結的概念，未來肯定會有新概念。但只要它要解決的問題還在，并且我能判斷這個問題解決到什么程度，那么我所學的、所積累的東西就是有效的。

未來，模型必然會逐步吸收共性最佳實踐，包括當前編寫的技能（skills）和框架。但如果我們能夠深入理解Harness背后的本質問題，就能判斷自己搭建的框架中哪些部分可被模型替代，哪些需要強化或弱化。所以，我們需要從第一性原理出發，找到這些概念演進背后的關鍵問題，并進行學習。

黃非：我的觀點是“知其然也要知其所以然”，這是學習的根本道理。大模型降低了知識獲取和學習的門檻，但容易讓人變懶，缺乏思考和學習能力。不斷涌現的新名詞反映了產業界和學術界的拼搏精神，但過程中大家可能迷失了最本質的東西。

我非常同意“第一性原理”的觀點。圍繞第一性原理出發判斷，不僅能理解過去的發展、當前的技術熱點，還能更清晰地把握未來的技術趨勢。回到提示工程、上下文工程或駕馭工程，它們核心要解決的問題就是模型的能力問題——如何通過輸入或上下文，讓模型產生期望的輸出，不管是意圖理解，規劃執行，推理能力，工具調用，還是幻覺降低。如果模型自身搞不定，就通過調整上下文、檢索增強生成（RAG）或工程框架，使模型產生期望的輸出，這是最根本的目標。

以此為指導，我們需要理解在模型未來發展過程中，哪些問題本質上是難以改變的。有些問題模型可以解決，但或許有更輕量級、更低成本的方式。是在模型內部完成，還是在模型外部完成，才能更加低成本、可控、可干預？這其中存在很多不確定性和工程發揮空間。

最后回到從業者的問題，一方面要盡量了解事物本質，判斷學習方向；另一方面要了解技術發展，除了表面技術，還要了解底層邏輯，這樣學習才能更加深入。

李建忠：根本上要學習一些解構性的、底層的核心內容，包括第一性原理、領域范式變化的結構性原因和技術邏輯，這樣才能在未來駕馭AI。因此，我們需要對 AI 的技術曲線有“位置感”：我們從哪里來、現在在哪、未來向何處去。

目前來看，智能體（Agentic）遠未達到上限。去年我與 Transformer 八子之一、OpenAI 資深研究員 Lukas 對話時，他曾比喻：推理模型和智能體相較于強化學習和 Transformer，就像當年 Transformer 相較于卷積神經網絡（CNN）和循環神經網絡（RNN）。在 RNN 時代，大家發現 RNN 很難。所以，智能體和強化學習這塊還有巨大的上升空間。

我們現在的智能體協作才七八個，才十幾個智能體，運行時長也才幾個小時、最多幾天。未來 AI智能體的運行時長很快就會達到月級、年級，甚至持續運行數年。從這些上限來看，我們當前討論的工程范式，未來還有很大的范式轉換可能性。因此，我們學習的重點，未必是具體的技術內容，更重要的是學習“學習的方法”、研究“研究的方法”，掌握底層邏輯，才能適應技術的快速迭代。

明日精彩繼續

除了精彩的主題演講外，大會下午同步開啟四大平行分會場，圍繞“大語言模型技術演進”、“多模態與世界模型”、“AI 原生軟件研發”、“智能體系統與工程”等前沿方向展開深入交流。來自新浪微博、微軟亞洲研究院、月之暗面、階躍星辰、騰訊、NVIDIA、Google Cloud、SGLang 社區、螞蟻集團、昆侖萬維、快手、阿里巴巴、百度、硅心科技等企業和社區的技術專家，從底層算子優化到上層 Agent 架構重構，進行了多維度的分享與交流，現場討論密集而深入。

會場外展區同樣持續升溫，不少觀眾在各個展位之間穿梭交流，技術展示與實際應用體驗同步展開，氣氛相當活躍。在此也特別感謝中能拾貝、Omni-AI 開源社區、樂奇 Rokid、人民郵電出版社異步社區、清華大學出版社等合作伙伴對本次大會的大力支持。

值得關注的是，大會明日還將繼續帶來多場主題分享與深度討論，敬請期待。