从「构建 AI」到「驾驭 AI」，如何搞定 AI 深水区的 6 个工程问题？

现如今，AI 不仅会写代码、会做测试、会调用工具，甚至已经能自主完成复杂任务。 当 AI 从“回答问题的模型”演变为“能够行动的软件系统”，软件工程面对的挑战已经不再只是如何训练模型、如何部署模型、如何写 Prompt，而是如何让具备自主能力的 AI 稳定、可信、可控地运行在生产环境里。这意味着，接下来真正决定AI 能否创造持续价值的，已经不只是如何 Build AI（构建 AI），而是 Harness AI（驾驭 AI）。 10 月 22-24 日， QCon 全球软件开发大会·2026 上海站 "，我们把以上一系列问题拆成了 6 个关键追问——从代码到 Agent、从系统到业务、从软件到物理世界，直面 AI 深水区的真实工程挑战。 问题一：AI 会写代码之后，软件工程要怎么重构？ Coding Agent 正从代码生成深入重构、评审、测试与交付的每一个环节。代码产出速度越来越快，但“写得更快”也让验证、质量与稳定性成为新的工程瓶颈。AI 写的代码谁来保证质量？数十万行的巨石应用怎么用 AI 安全重构？Code Review 怎么从人审变成人机协同？当代码不再稀缺，确定性底座又该怎么建？ 这一次，QCon 上海站把一线实践者请到了现场。 在「 Vibe Coding 时代的新质量债 "」专题论坛，四位一线实践者将从工具、方法、体系到完整链路，拆解这笔债该怎么还： Agent 驱动的全平台 GUI 持续验证实践 "：王政达 微软 SENIOR SOFTWARE ENGINEER 60 万行巨石应用 AI 重构的可验证交付工程 "：蒋宇 蚂蚁集团 /研发工程师 当验证追上生成：AI Native 质量保障的体系化实践 "：李桐馨 飞猪测试开发工程师 从生码到可信交付：Harness For Hybrid Coding 实践 "：何伟 阿里巴巴 Aliexpress 技术专家 如果说「Vibe Coding 时代的新质量债」是纵深切入质量这一个核心命题，那么「 AI 驱动的软件工程 "」就是把视角拉宽——从编码、审查、验证，到运维、治理、开源生态，看 AI 如何重构整条研发链路。 AI Coding 在大型客户端工程中的落地实践——从通才模型到专才 Agent "：杨凯 小红书客户端基础技术负责人 Open Code Review：百万真实任务验证的确定性工程与 Agent 协同 "：李峥峰 阿里巴巴高级研发工程师 AI 时代的一人公司：从 Idea 到 Growth的完整工作流 "：casa 独立开发 AI 写完代码，谁来验证？——手淘 TEKO "：泠乐 阿里巴巴淘天集团高级测试开发专家 AI 时代的移动端稳定性保障 —— 柯南 AI Agent 实践 "：王泽锋 快手技术专家 当代码不再稀缺：大型工程 AI 狂欢下的确定性底座 "：张忻正 哔哩哔哩技术专家 Kimi 现代高速开源治理的 AI Native 实践 "：唐飞虎 月之暗面研发工程师，开发者关系负责人 问题二：AI 从“会回答”到“会行动”，系统如何做到可控、可信、可协作？ 当 AI 开始拥有长期记忆、自主执行、多智能体协作与持续进化能力，难点已经从“能不能完成任务”转向“怎么稳定运行、可靠协作和持续优化”。Agent 会不会偏离目标？多个 Agent 怎么可靠协作？工具调用怎么保证安全？企业数据怎么合理授权？AI 的行为怎么观测、评估与治理？ 针对这一系列问题，本次大会策划了 8 个相关专题，分别从可控、可信、可协作三个维度，系统拆解生产级 Agent 如何做到跑得稳、看得见、管得住、协同好。 可控：把 Agent 关进确定性的笼子里 Agent 能自主行动是好事，但行动的边界在哪里、执行的路径能不能调控、出了问题能不能及时叫停——这些问题是 Agent 进入生产环境的第一道门槛。 AI Native 架构 "：围绕核心原语与认知控制流重构（Loop Engineering）、上下文工程与 AI 原生数据平面、智能体运行基座（Agent Harness）与外部系统交互、持久化执行（Long-horizon）与运行时治理等方向展开深度研讨，直击 AI 时代软件系统被重新设计的工程内核； Loop Engineering "：重点讨论生产级的 Agent、Agent 可读的代码与知识体系、工具协议与安全沙箱、轨迹级可观测性、自动化 Eval、多智能体协作与权限控制，以及基于执行反馈的 Harness 自进化； Agent as a Service "：重点讨论托管 Agent 服务的架构，例如手脑分离和本地 Agent 的交互；托管 Agent 服务的调度控制、状态/会话管理，底层并发控制、存储管理；安全能力，如密钥管理、沙箱隔离、文件系统隔离等话题； Harness、Loop 与 Graph：Agent 产品设计的演进之路 "：聚焦 AI Native 产品设计，从技术演进与组织变革的双重视角，探讨 AI 时代产品形态将如何变化，以及"可用、可信、可协作"的 Agent 产品该如何被设计。 可信：让 Agent 的行为可观测、可评估、可进化 Agent 做了什么、做得对不对、出了问题谁来背锅——当 AI 从“回答问题”变成“采取行动”，可信度就成了生命线。可观测、可评估、安全可控，是 Agent 赢得信任的三块基石。 AI Agent 可观测与持续改进工程 "：探讨 Agent 可观测体系全链路构建、生产环境的 Agent 评估、Agent 自改进闭环、Agent 运行时全链路审计/安全治理、Agentic AIOps 的前沿实践等话题； AI 时代的攻防重构 "：分享从攻击者视角和 AI 使用者安全管理者视角的不同维度安全工作，为参会者带来 AI 时代的安全思考； Agent 自主进化：从记忆到持续学习 "：通过一线生产实践与量化评测，为构建“记得住、想得起、学得会、管得住”的 Agent 提供可落地的工程体系，推动智能体从“完成任务”走向“持续进化”。 可协作：多 Agent 协同，从单兵作战到组织级生产力 单个 Agent 再强，能做的事也有限。当多个 Agent 一起工作，怎么调度、怎么分工、怎么保证数据安全和权限可控——多智能体协作，是 Agent 从工具升级为组织级生产力的关键一跃。 企业级多 Agent 架构与系统 "：聚焦企业级多 Agent 架构设计、协同机制与工程落地，解决多智能体调度混乱、协同低效、数据不可控、迭代困难等行业痛点，分享可复用的多 Agent 系统建设方法论，让 AI 工具升级为可管控、可自治、可规模化的组织级 AI 生产力。 问题三：AI 真正跑到规模化，底层系统怎么扛住？ AI 进入规模化生产后，瓶颈已经转向算力怎么用得更高效、训练怎么持续进化、数据怎么稳定供给、生产系统怎么可靠运行。推理成本居高不下怎么办？KV Cache 还能怎么优化？Agent 执行环境怎么支撑超大规模并发？SRE 怎么把 AI 关进确定性笼子里？ 本次大会将从算子优化、强化学习、训练数据系统、Agentic Data 到 SRE 可靠性实践，拆解 AI 大规模运行背后的效率、数据与稳定性挑战。 AI Infra：