Agent很聪明，企业为什么还要重做工程底座？——AiDD 北京站“AI+工程”线核心议题前瞻

作者 / 来源：中智凯灵 / AiDD

——AiDD 北京站“AI+工程”线核心议题前瞻

8 月 21—22 日，第 10 届 AiDD 北京站将在北京举行。 本届大会围绕 AI+开发、AI+测试、AI+工程、AI+组织与流程、AI+业务与需求五大方向展开，集中呈现 AI 原生软件工程从能力突破走向生产落地的一线实践。本文重点梳理“AI+工程”线的核心议题。

过去一年，Agent 的能力边界扩张得很快：它能搜索、推理、写代码、调用工具，也能在较长任务中自主规划和修正。但企业把这些能力接入生产系统后，最常遇到的仍不是“模型不够聪明”，而是另一组更朴素的问题：数据从哪里来，业务术语怎样对齐，Spec 是否真的可执行，Agent 能调用什么工具，错误怎样被拦截，经验如何进入下一次任务。

一次成功可能来自模型、提示词和样本恰好配合。工程系统要解决的，却是换一个任务、换一批数据之后，结果还能不能稳定出现。

截至 8 月 4 日，AiDD 北京站“AI+工程”线已公布 3 场论坛、12 个议题：8 月 21 日下午的“AI 数据工程和知识检索”，讨论 Agent 如何获得可信、实时、可解释的企业上下文；8 月 22 日上午的“ATDD 实践及其 AI 基础设施”，讨论 Spec、契约和验收怎样成为 Agent 可消费的工程输入；当天下午的“Harness Engineering（驾驭工程）”，讨论如何用规则、工具、反馈和治理约束 Agent 的执行过程。

三场论坛连起来，回答的是同一个问题：Agent 足够聪明之后，企业怎样把它放进长期运行的工程环境？

图 1：“AI+工程”线从可靠上下文、可消费 Spec、可执行治理三层建设生产级 Agent 底座

第一条主线：数据很多，不等于 Agent 拿到了可靠上下文

从“把资料喂给模型”到构建可检索、可追溯、可持续更新的认知底座

论坛主席：刘焕勇｜360 人工智能研究院认知引擎算法负责人

8 月 21 日下午，“AI 数据工程和知识检索”论坛首先处理 Agent 的输入问题。企业并不缺数据，缺的是让数据在正确时间、以正确语义、带着足够证据进入任务现场的能力。

• 360 人工智能研究院认知引擎算法负责人刘焕勇将在《盲人摸象困境下的“本体论”技术审视及落地观察》中，先为当下流行的“本体”概念正本清源。Semantic Ontology、知识图谱与 Palantir Ontology 并不是同一种东西，本体也不是装上就能生效的产品插件。它需要持续建模、人工运营和场景校验，真正价值在于明确企业里的实体、关系、规则与动作，让 Agent 不只看见一堆字段，而能理解业务世界怎样连接。

  
  

• Elastic 中国社区首席布道师刘晓国的《Elasticsearch 向量搜索及 AI Agents 开发》，把问题落到检索底座。关键词搜索擅长精确匹配，向量搜索擅长语义相似，混合搜索、业务过滤与重排序则共同决定最后送入模型的上下文是否相关、完整、可控。对企业 Agent 来说，检索不是“搜到一段像答案的话”，而是根据业务意图从结构化与非结构化信息中拼出一组可信证据。

  
  

• 阿里云高级技术专家、EventBridge/EventHouse 负责人沈林将在《Agent 开发范式演进：简化多源实时上下文构建》中，进一步处理企业数据的现实复杂度：文档、数据库、API 与实时日志彼此分散，Schema 不断变化，同一个指标可能存在语义冲突，陈旧信息还会造成 Context-Rot。其思路不是继续给知识库打补丁，而是以统一 Catalog 接入多源数据，自动感知 Schema 演进，通过知识 Wiki、反馈闭环、Benchmark、可观测与告警，让每一次上下文变更也经过生产级发布。

  
  

• 北京优锘科技解决方案总监刘钰胜的《基于本体智能的企业级“语义孪生”Agent 实践之路》，则试图在企业真实业务与 AI 认知之间建立一张“语义镜像”。当自然语言查询要跨越多张表、多套系统和复杂业务规则时，仅靠模型猜测很难进入严肃场景。本体把概念、关系、规则和动作映射到统一语义空间，多 Agent 再沿着这张地图完成查询、推理与操作，企业智能问数由“猜一个可能答案”转向“沿证据路径得到结果”。

  
  

• 东北大学副教授、博士研究生导师刘正皓将在《面向知识密集型智能体的高效知识组织与利用》中，补上知识置信与自主获取问题。模型参数知识和外部检索知识可能冲突，Agent 必须知道什么时候可以依赖自身知识，什么时候必须取得外部证据；它还要能主动规划查询、筛选信息、组织知识并更新长期记忆。知识工程因此不再只是 RAG 接口，而是检索、融合、推理、记忆、评测共同组成的运行体系。

五个议题共同指出：企业上下文不是“更多资料”，而是经过接入、语义、检索、置信和更新之后，可以被 Agent 安全消费的任务证据。

第二条主线：有了 Spec，还要回答“下游到底怎么用”

从描述需求到定义变更范围、接口契约与可执行验收

论坛主席：刘涛｜中兴通讯资深 AI 算法专家

如果上下文解决“Agent 知道什么”，Spec 就要解决“这次到底做什么、做到什么算完成”。

8 月 22 日上午，“ATDD 实践及其 AI 基础设施”论坛把需求、设计、开发和测试放回同一条知识消费链。它所讨论的不是给旧文档换一个 Spec 名字，而是让规格成为代码与测试都能消费的工程对象。

• 中兴通讯公司资深软件架构师、资深敏捷教练、高级 AI 教练陈雅菲将在《知识消费驱动的 Spec 编写方法与实践——AI 时代 UTDD/ATDD 的工程底座》中提出一个反向问题：与其先问 Spec 应该写哪些章节，不如先问下游拿它来做什么。开发需要定位变更范围，系统之间需要明确接口契约，测试需要从验收标准生成用例。只有从这些消费场景倒推内容最小集与表达方式，Spec 才能从“写给人看的说明”变成“人和 Agent 共同执行的索引”。

  这也解释了为什么 Spec-Driven Development 不能只停在模板层。存量设计要能被增量设计消费，增量设计要能被代码和测试消费，执行结果还要反过来修正规格。ATDD 的价值，是把“什么算完成”前置成可以运行、可以失败、可以给出证据的验收条件。

  
  

• 中国移动云公司 AI 技术研究员张燚钧的《移动云基于 Harness 的 AI 原生开发实践》，将这套底座放进三类生产任务：百万级代码重构、高智力的数据库内核优化、高经验的大模型推理引擎优化。任务规模、推理难度和经验依赖各不相同，但共同要求 Agent 能在明确上下文、工具链、验证机制和反馈环境中工作。模型能不能生成，只是起点；结果是否满足工程约束，才决定它能不能进入主干。

  
  

• 某北美 AI 独角兽算法工程师孟一凡将在《多 Agent 协同的软件工程实践：从架构设计到落地踩坑》中，把 Spec 与验收推进到多 Agent 协作。Planner、Generator、Evaluator 分离，Issue、Fix、Log Monitor、CI Monitor 各自承担专职任务；Worktree 支持并行开发，Subagent 支持专业分工；MVVM、六边形架构和 TDD 红绿重构则给 Agent 划出边界。多 Agent 不是多开几个会话，而是显式定义角色、输入输出、执行空间和硬验收。

三场议题连起来，可以看到 Spec 的真正工程价值：它不是让需求看起来更完整，而是减少每个环节重新解释任务的自由度，让变更范围、接口契约、架构边界和验收证据在执行前就被连接起来。

第三条主线：Harness 不是提示词集合，而是 Agent 的运行制度

从“告诉 AI 怎么做”到让规则能够送达、执行、审计和进化

即使上下文可靠、Spec 清楚，Agent 在执行时仍会偏航。它可能跳过测试、误用工具、扩大改动范围、重复过去的错误，也可能在多 Agent 协作中丢失规则。

8 月 22 日下午的“Harness Engineering（驾驭工程）”论坛，讨论的正是 Agent 的运行环境。Harness 不等于一个更长的系统提示词，而是沙箱、工具、规则、Hook、测试、可观测、记忆和反馈共同组成的可控执行框架。

• 北京火山动力网络技术高级架构师魏帅将在《Claude Code + Superpowers 实战：把 AI 编码助手驯成单人全栈生产力》中，把治理拆成“立法、执法、司法、传递”四种权力。分层规则负责说明原则，Hook 在执行层拦截不可逆操作，独立子代理分别进行需求审查和代码审查，规则还必须被准确传递给每个执行者。文档里的约束如果没有进入执行路径，只是一条建议；能被系统拦截、复核和追溯的约束，才是工程规则。

• 北京奥星贝斯 OceanBase 技术专家汤庆的《从静态检索到动态自进化：ContextSeek 如何让 Agent 持续提升》，把 Harness 与长期能力连接起来。Memory、Trace、Knowledge、Skill 被映射为统一、可检索、可追溯、可关联的上下文对象，任务产出沿 raw—extracted—knowledge—skill 逐步演化。一个 Agent 的有效经验由此可以被其他 Agent 继承，系统不再只是每次补足信息，而是减少重复犯错、积累可复用能力。

• 浪潮云计算研发技术负责人、高级架构师郭涛将在《Harness 工程在企业研发中的落地实践与效能提升》中，从 SDD 规模化推进的角度补上组织实施：规范模板怎样搭建，跨角色评审怎样进入流程，AI 工具链如何适配，试点如何推广到团队，收益又如何用集成周期、返工率和并行效率衡量。Harness 既要约束 Agent，也要让人、流程和工具围绕同一份事实工作。

• 记忆张量测试负责人贾澄臻的《Harness 驱动的质量闭环：一个 QA 在全员 AI Coding 团队的实战》，则把治理落到每天运行的交付流。Intent—Spec—Step—语料分层，接口文档直接成为契约；AI 根据代码 Diff 和业务经验库生成回归建议，人负责删减和确认；Bug 被定位后，QA 可以直接修改、构建、重启、跑用例验证，踩坑记录再沉淀进特性矩阵和记忆系统。质量不再等到流程末尾兜底，而是伴随 Agent 执行同步产生证据。

四场议题指向同一个转变：企业不应期待 Agent 靠“自觉”稳定工作，而要把好做法写成可执行规则，把危险动作交给系统拦截，把验收交给独立证据，把失败转成下一轮的上下文和 Skill。

赛道核心价值：覆盖本体与语义层、混合检索、多源实时上下文、知识密集型智能体、知识消费驱动的 Spec、ATDD、多 Agent 工程、Harness 治理、动态上下文与质量闭环，帮助企业把 Agent 的偶发成功变成可重复、可验证、可持续进化的生产能力。

三场论坛连起来，工程底座才形成闭环

只看其中一场论坛，很容易得到一个局部答案。

只有数据和知识，没有 Spec 与验收，Agent 会获得大量信息，却不知道怎样收敛任务；只有 Spec，没有可靠上下文，规格可能建立在过期事实或错误语义上；只有规则和工具，没有反馈回流，Harness 会逐渐变成一套静态制度，无法随着业务和错误模式演进。

把三场论坛连起来，才能看到一条完整的工程链路：

- 数据与知识层把文档、数据库、API 和实时事件转成可检索、可追溯的业务上下文；

- 语义与 Spec 层把业务意图转成变更范围、接口契约、架构约束与验收标准；

- Agent 在 Harness 中调用工具、修改系统、执行测试，并接受权限、Hook、沙箱和人工门控；

- Trace、测试结果、Bad Case 与业务反馈形成运行证据，回写知识、规则和 Skill；

- 下一次任务在更新后的上下文和工程制度上开始，而不是重新碰运气。

开发线讨论 Agent 如何进入软件交付，测试线讨论如何建立可信质量，组织与流程线讨论人和 Agent 如何重新分工。“AI+工程”线位于共同底部：它提供数据、语义、规格、验证、运行与进化的基础设施，让这些变化真正有地方落脚。

不同角色，应该带着什么问题来听？

如果你是 CTO、技术 VP 或首席架构师，可以重点关注语义孪生、统一上下文、ATDD 与 Harness 的整体关系。要判断的不是再采购哪个 Agent，而是企业现有数据、研发平台、质量体系与权限治理，能否共同支撑一套生产级智能体运行环境。

如果你负责数据、知识平台或企业搜索，可以重点关注本体、混合检索、多源实时上下文和知识置信边界。核心问题是：怎样让业务事实可发现、可解释、可更新，并避免上下文腐烂和语义冲突进入生产决策。

如果你负责研发效能或平台工程，可以重点关注知识消费驱动的 Spec、Worktree、多 Agent 分工、规则分层、Hook 和可观测。需要带走的是一条从试点到团队推广的工程路径，而不只是某个工具的演示。

如果你负责测试与质量，可以重点关注 ATDD、契约左移、TDD 硬约束、Diff 驱动回归和独立审查。Agent 越多、改动越快，质量越不能只依赖最后一次人工评审。

如果你是一线工程师、架构师或 QA，可以重点关注规则怎样进入执行、AI 在什么边界内可自主、哪些结果必须由人确认，以及如何把一次踩坑沉淀为团队可复用的规则、知识和 Skill。

Agent 越聪明，工程越不能靠运气

模型会继续变强，Agent 能承接的任务会继续变长。能力越强，偶发错误的影响半径也越大；自主性越高，企业越需要明确它看见什么、遵守什么、如何证明做对、怎样在失败后变得更好。

从北京站“AI+工程”线可以看到，行业讨论正在从“怎样调用一个强模型”转向“怎样建设一套让强模型稳定工作的工程系统”：数据要实时但不能失真，语义要统一但不能脱离场景，Spec 要完整但更要可消费，Agent 可以自主但必须在 Harness 中运行，经验要沉淀但还要经过证据验证。

2026 年 8 月 21—22 日，第 10 届 AiDD AI+研发数字峰会北京站，将通过“AI数据工程和知识检索”“ATDD实践及其AI基础设施”“Harness Engineering（驾驭工程）”3 场论坛，系统讨论 Agent 从聪明能力进入企业生产系统所需要的工程底座。

Agent 的聪明决定它有可能做到什么，企业的工程能力决定这些可能性能否被稳定交付。

真正的 AI 工程，是让下一次成功不再依赖运气。

 峰会独家彩蛋：不止于听，更重在“练”与“连”

参会指南
 时间：2026年8月21日（周五）- 8月22日（周六）
 地点：北京·希尔顿逸林酒店
 查看完整日程：https://aidd.vip/2026bj
 适合谁参加？
 正在探索AI研发落地路径的技术管理者/架构师
 希望用智能体重构研发流程的工程师与测试专家
 关注垂直行业智能化转型的产品与业务负责人
 寻求前沿技术合作与生态连接的创业者与投资人
 渴望掌握AI原生工程方法论的高校研究者与学生
扫码报名，抢占智能研发时代先机！
与80+ 实战专家面对面，解锁 60+ 硬核议题，连接 1000+ 行业同行者。