把不确定
关进工程的笼子

定位

全场唯一的受控实验研究。不卖方案，只给测量方法和反直觉结论。

核心命题

可复现性（固定输入与条件下重复运行的输出相似度）是「配置好的流水线」的属性，不是模型本身的属性；可复现与正确是两个独立目标。

方法

每个任务在固定条件下跑 n=10 次，产生 45 个无序输出对；用 CodeBLEU 的四个维度（n-gram、加权 n-gram、AST 语法、数据流）度量相似度，数据集级取宏平均。对 LLM-as-Judge 另设两套指标：ReproCorrect（判对的一致性）与 Repro（判同的一致性），并通过交换 A/B 顺序检验位置偏差。

四组反直觉发现：

• Few-shot 与 CoT 不是可靠的控制手段——同一策略能让某个 backbone 更稳定，同时让另一个更不稳定；CoT 甚至能反转示例带来的效果。
• 防御性 prompt 中，保持原文措辞、只加边界或强化指令的做法影响有限但偏正面；而改写、扰动任务表述往往降低一致性，其中 重新分词（retokenization）的负面效应最稳定。
• 开启 thinking 带来最大的可复现性损失；而在已开启的情况下继续加大推理预算，影响很小且大多不显著。真正起作用的是模型能力本身——同预算下更强的 Gemini 变体显著更可复现。
• 仓库上下文检索对 5 个 backbone 中的 4 个提升可复现性，且对依赖外部上下文的任务增益更大；但 Codex 在自包含任务上反而下降。

定位

把 AI 从「技术话题」翻译成「制造业话题」。全场唯一给出完整成本结构与商业模型的一场。

核心命题

AI 基础设施的评价标准正从峰值算力（FLOPS）转向 Token 经济学：在规定延迟与服务质量下，每度电、每美元能稳定产出多少可售卖 Token。

方法

五层蛋糕框架（能源—芯片—基础设施—模型—应用）；用 128 节点 H200 集群的真实运营数据拆成本；用两个公式分别对齐工厂侧与客户侧的价值语言。

关键结构（值得记住的两个公式）：

• 工厂视角：收入 = Tokens/W × 可用千兆瓦数（效率 × 规模）
• 客户视角：客户价值 = 单位 Token 成本 × Token 效能 × 业务适配度（VpT 三重杠杆：调度折价、缓存复用、引擎优化）

成本结构：GPU 折旧 60%、网络设备 10%、电费 8%、运营带宽与人力 10%、软件平台 10%、其他 2%。约 70% 固定、仅 8% 变动——这解释了为什么「利用率」是唯一的短期杠杆：利用率每提升 10 个百分点，毛利率提升 5–8 个百分点。

Agent 放大效应：Super-agent 类任务约为普通聊天 25 倍 Token；Agentic Coding 研究显示可达约 1000 倍；Tokenomics 论文指出多 Agent 软件工程中反复 Code Review 阶段占消耗大头（59.4%）。

本场对 OpenRouter 份额数据主动标注了口径偏差（平台开发者构成为美国约 47%、中国约 6%），并强调正确表述应为「该平台口径下」。这种自我限定在商业演讲中少见，值得记一笔。

定位

把 RAG、本体、Agent 三件事放进同一条演进线，并给出可量化的选型证据。

核心命题

企业知识要先成为「可核验的上下文」，才能支撑可核验的任务执行；模型越同质化，差异化越往模型外走。

方法

四类知识用途分类（参考／素材／依据／执行，各有不同的相关性、完整性、适用性、可控性要求）；8 类 RAG 架构选型矩阵；用 MASSIVE zh-CN 基准实测小模型取代大模型做决策节点。

三类知识问题的对症下药——这是全场最实用的诊断表：

实测数据：在 2,974 条中文意图分类任务上，9B 的 Clef-Flash 达到 91.69% 准确率、平均延迟 71.84ms；Qwen3-30B 为 83.69%、145.37ms。结论是准确率高 8 个百分点、延迟低 50.6%。

定位

全场体系化程度最高的一场：给了一条演进史、一个协作模型、一套平台分层和一串可复用的能力清单。

核心命题

AI 工程能力分四阶段演进，每一阶段解决上一阶段的遗留问题；到 Loop 工程阶段，若人的判断力缺位，成本结构会从「前期设计成本」翻转为「后期返工与事故成本」。

四阶段演进表（本报告认为这是全场最好的一个框架）：

双环模型：内环由 Agent 执行（计划—执行—评估—验证），解决「正确地做事」；外环是人机协同，解决「做正确的事」。两个方向：人类在环内（Human-in-the-Loop，经验回流、异常上报、决策日志）与人类在环上（Human-on-the-Loop，目标设定、权限控制、能力沉淀、规则制定）。

三层质量防护：硬约束（Hook 强制拦截，不满足即阻断）→ 软约束（自检 + 评审智能体）→ 人工决策（复杂场景兜底）。关键设计是「执行逻辑与执行引擎分离」：套件是院级/项目级、持续进化的，引擎（Claude Code / OpenClaw 等）是通用、独立演进的，同一引擎可服务 9–90 个项目，只切换套件。

定位

全场唯一一场「以自我批评为主」的分享：三次建设，前两次都明确说了没成。

核心命题

AI 原生的瓶颈不在工具，在于工作本身没有被定义清楚；基础设施 = 平台 + 业务对象 + 共同上下文 + 工作方法 + 验证反馈机制。

三次建设的递进关系（这场最大的价值）：

• 第一次：可观测。收集谁在何时用了什么工具、多少 Token、做了什么、产生什么价值。结果：使用变得可见，但复盘时发现缺少关键定义——「同样是一份报告，它有没有被采用？」采集更多底层数据也补不上这层定义。
• 第二次：云端 Agent 平台 + Hub。让业务专家把方法做成 Skill/Agent 分享。结果：遇到新阻力——方法依赖的上下文、系统连接、使用体验搬不上云；企业内部系统开放程度不一；贡献者要花时间整理，使用者要理解怎么用，短期收益不明确就难持续。
• 第三次：从交付物出发重构流程。把业务对象、上下文、方法和工具一起设计，再把人的判断放到合适位置；明确哪些信息需确认、哪些动作可执行、结果怎样回系统。

商务链与研发链的对称结构：商务侧维护「客户背景」与「商机上下文」两套上下文；研发侧用大单库把前端、后端、CLI、需求、原型、技术设计、架构规范、研发 Skill 放在同一仓库，让一项需求的相关上下文可被一次性找到。两侧的共同点是——每次工作完成后，组织应该比开始时更了解这件事。

定位

本届在「平台架构」维度最完整的一篇，把一个抽象命题落到了可画的六层框架与可执行的责任表。

核心命题

平台的管理单元，要从「一次模型调用」扩展为「一个可验证的组织任务」。

切入点极好：实验室检验值「6.8」。同一个数字，样本类型、采样时点、检测方法、使用目的不同，后续任务就完全不同。由此推出 Task envelope——任务包必须同时交代四件事：对象/状态（处理谁的哪条、当前到哪一步）、规则/证据（凭什么判断）、行动/审批（允许做到哪一步）、终态/记录（以哪条权威记录验收）。

架构六层：Agent Runtime / Harness（上下文管理、规划与状态、工具调用、人机协同）＋ 组织数据（事实、语义、版本、责任归属）＋ 上下文工程（选择与契约）＋ 治理控制（身份、策略、审批）＋ 领域应用（工作流与验收终态）＋ 可观测与评估（轨迹、业务终态、成本、失败归因）。

两个原创表达值得借用：

• Context Contract（上下文契约）：重要上下文必须明确来源、用途、有效时点与责任归属。例如「当前质控状态」只能用于本次审核工作流，由实验室质量负责人负责。
• 三级扩权：只读建议 → 受限行动 → 跨系统闭环，每一级都需要新的验收证据（明确定义的任务终态、专家标注的真实样本、工具权限收敛到任务、关键动作人工批准、生产轨迹可重放、可回滚可审计、故障升级责任明确）。

定位

把「AI 落地物理世界」拆成一道工程题：不是模型不够强，是缺一层操作系统。

核心命题

当 FDE（前沿部署工程师）走进物理世界，他需要的不是更强的模型，而是一层能感知、编排、仿真并承担责任的运行底座。

对现状的三条批评：出厂固化的指令约束让任何软硬件故障都可能导致整体失效；边缘设备种类与协议被设计流程锁死，扩展性成为瓶颈；大量 AI 硬件落地受阻，一因过度依赖实时 AI 反馈（function-calling / MCP / A2A）导致响应慢成本高，二因幻觉导致结果不稳定。

解法：预编程 + 后编程——类比模型的预训练与后训练。把能力在部署前固化，运行时摆脱对 AI 算力的实时依赖，速度提升百倍，动态控制成功率接近 100%（讲者自述）。

三层编排与三层仿真（本场最可复用的部分）：

仿真分三层且「一个都不能少」：L1 纯软件逻辑仿真（100 次运行无死锁无越界）→ L2 半实物/数字孪生（关键路径时延误差小于阈值）→ L3 真实试验台（覆盖足够多的失败用例）。跳过任一层，都有对应的、可预言的翻车方式——「单设备都对，一起跑就撞」「白天通过，夜班出事」。

本体数据管理三原则：Ontology-first（先定义对象、关系、约束再承载数据）、Lineage-aware（每次接入与转换可回溯来源与变换逻辑）、Security-by-design（访问控制与脱敏由统一策略执行，不靠调用方自觉）。

定位

本届论证链最完整的一篇。从失效模式到架构中枢再到工程指标，闭环无断点。

核心命题

生产环境要求确定性，而智能体架构的默认形态是概率的。因此必须把「不能错的部分」从概率域搬出去——这不是过渡方案，而是长期原则。

三个生产现场（这一组案例的选取本身就构成论证）：石化压缩机跳机（判断错了是数百万级转子报废）、锂电极片涂布排产（系统给的不是建议，是会直接执行的动作）、供应链断供推演（答案散在 ERP/MES/PLM 三个系统）。共同特征：错误成本极高、状态跨时间跨系统——这些不是问答题，是操作题。

六项架构能力差：可复现性（Demo「这次答对了」vs 生产「同一输入同一输出」）、错误成本、状态持续性、审计要求、时延预算、可演进性。

三大失效模式 → 三个中枢：

四个必须遵守的工程细节：约束命中率要纳入可观测指标；重试设上限，N 次不收敛降级转人工；约束冲突时按预置优先级裁决；写回（Writeback）是闭环关键——没有回写，系统记忆永远不增长。

效果（讲者自述）：跨班组故障 MTTR 4.5 小时 → 45 分钟；涂布排产批量报废率 0%，规划 2 小时 → 3 分钟；跨系统联动成功率 50% → 99.8%，排查半天 → 30 秒。

定位

把「企业上下文」定义成一门可建设的工程学科，而不是一堆文档。

核心命题

数字员工要真正进入企业，必须先理解企业本身。企业上下文 = 企业建模 ＋ 持续维护 ＋ 提供依据。

三层建模范围：L1 外部环境、商业模式、战略目标与经营安排（客户与市场、收入与承诺、目标与文化、取舍原则）；L2 组织、责任、资源、业务能力、产品与流程（谁负责、投什么资源、提供什么、怎样交付）；L3 应用、数据、技术基础、运行状态与工作历史（系统与指标、代码与部署、实际观察、事件与处理结果）。

本场最诚实的一句话：「在两年前我们就已经做过类似的事情，最终因维护成本过高而失败。」紧接着给出的转折是：现在之所以可行，是因为 AI 维护 Agent 能持续完成「发现变化、核对、更新」这件苦活，人只处理冲突与 AI 无法判断的部分。

三 Agent 分工：编译 Agent（读懂资料、建立关联、提出建模建议）、维护 Agent（接入与解析、按状态处理、沿关系分析影响）、查询 Agent（规划查询、核验并组装任务上下文包）。评测也分开做：编译与查询独立评测，分别定位问题。

退款积压案例展示了「对象关系优先」与「关键词搜索」的效率差异：沿「退款流程—退款政策—退款服务—退款队列」的关系链查找，比关键词搜索再查状态更快更准。

定位

全场「失败案例」密度最高、也最具体的一篇。52 页里前 20 页全是真实 bug。

核心命题

AI 只会执行你给它的约束；当系统里存在多个语义相近的对象，它就会取错。所以架构护栏不是给代码看的，是给 AI 看的。

五个真实故障（每一个都值得抄进团队复盘模板）：

• 语义重叠：系统有两个「事件」数据源（统一时空事件表、人物履历表）。AI 实现「走过的路」取一张表，实现「来过的人」取另一张，结果李清照明明经过济南，查询却查不到。
• 读写不同步：管理员改了事件数据，物化视图不刷新。根因不是 bug，是「写入方不知道谁关心我改了这张表」——数据无属主、变化无通知、读写依赖藏在表里。
• 影子依赖：A 模块重构私有函数，B 模块崩溃，C 模块因为复制粘贴了一份版本悄悄过时。教训：公域私域无区分，依赖没有契约。
• 死后写诗：李白卒年 762，系统生成 765 年的写诗事件。根因是「人不能死后活动」这条领域不变量没有聚合来保证，而是散落在 20 多个 if-else 里各查各的。
• 方向搞反：「李白称赞陆游」实际是陆游称赞李白。根因是 person_a_id / person_b_id 这类命名不携带业务语义，方向知识只存在于导入者的脑子里。

解法三层：统一语言（术语卡：一词一义、一义一词、语言进代码）→ 限界上下文（10 个 BC，分核心/支撑/差异化/通用四层，核心域投入 70% 建模精力）→ 领域模型（值对象、聚合、领域服务、领域事件）。并给出「错误类型 → 防护模式」对照表：字段超范围→枚举值对象；关键字段漏填→必填 + 不可变值对象；关联字段不同步→聚合方法；方向搞混→语义化命名 + 工厂方法；跨字段矛盾→聚合根 Validator；改到不该改的→上下文投影。

流程层：OpenSpec 四阶段（Explore / Propose / Apply / Archive）被改造成 propose-ddd、apply-ddd、archive-ddd，把「BC 归属判定」放在提案之前，把「domain-delta 存在且无未落实元素」设为归档的硬门禁。

讲者在结尾主动降调：「不宜过度解读提升幅度，保持合理预期。」这种自我限定值得记录。

定位

唯一一个直面「80% 的开发预算花在存量系统上」这一现实的产品化方案。

核心命题

存量系统 AI 提效不稳定的根因是工程知识资产隐性化、离散化——「缺失工程知识，AI 巧妇难为无米之炊」。

方案结构：为每个存量系统构建专属生产线 = 4 个智能体（需求分析、设计建模、软件制造、逆向建模）+ 2 个知识资产库（需求知识资产库：组织/岗位/流程/业务对象/规则/功能模块/界面；设计知识资产库：子系统/程序模块/能力/框架/数据库/表/中间件/外联接口）。初始全量逆向，此后每次上线增量逆向。

逆向建模两阶段：先逆向设计资产（库表结构、程序架构、后端程序、前端程序、数据关系 → 设计基线 SPEC），再逆向需求资产（业务需求→软件需求→需求架构）。产出是可交互的多维度可视化 SPEC 模型，支持级联影响分析——选中一张库表，能展开「谁创建它的数据、谁更新它、哪些接口在写它」。

交付能力（讲者自述）：银行核心系统存款模块 45 万行 3 周；央企工程管理系统 92 万行 2 周；证券 CRM 150 万行 2 周；「再大的系统 6 周内交付（足够算力保障）」。应用价值：端到端效率提升至传统模式的 1.5–3 倍。

一个容易被忽略的细节：其公司主编了两项团体标准——T/JSIA 0001—2026《基于大语言模型的软件开发指南》与 T/JSIA 0002—2026《面向 AI 编程的软件 SPEC 编制规范》。这说明「给 AI 写规格」正在从经验变成可引用规范。

定位

把「AI 进物理世界」讲到硬件与实时性的最底层，安全边界写得最硬。

核心命题

AI 不替代 PLC，而是让 PLC 成为 AI 在物理工业世界最可靠的执行载体。AI 是增强，不是依赖。

架构：RK3576 核心板，6 TOPS NPU，八核异构 + RT 实时内核。核级分工：大核跑 AI，其余核跑 PLC runtime；算法结果通过封装库（libnaplc.so）读写 I/Q/M 测点，但是否执行仍由 PLC 既有确定性逻辑判定。

双路径隔离：AI 推理路径（可被调度、可抢占、可失效）与硬实时控制路径（毫秒级、不可被抢占）之间做资源隔离、时间隔离、故障域隔离。

两条不能破的红线：① AI 推理不得侵入 PLC 扫描周期，结果只以「建议值」写入测点；② 必须定义降级机制——推理超时/漂移/NPU 异常时自动退出增强层，系统退回纯确定性逻辑，关键联锁与安全回路绝不依赖 AI 输出。

AI Coding 五 Agent + 七步闭环：规划（解析自然语言需求，拆解控制任务）→ 编码（生成符合 IEC 61131-3 的 ST/SCL、LD、FBD）→ 验证（编译与仿真校验）→ 修复（基于仿真反馈迭代）→ 组态（标签库、HMI、报警、趋势、通信）。七步闭环是：需求解析 → 程序生成 → 自动编译 → 智能纠错 → 安全下载 → 在线调试 → 报告归档。多数人做到「生成代码」就停了，真正的难点在编译之后。

落地案例：视觉读表 + 声纹识别（结果写测点，PLC 决定降速/停机/告警）；深圳河流域 LSTM 24 小时水位预测（单次推理 0.325 秒、内存 135.5 MB）；预研中的自然语言控制（「天真热」→ 空调降温）。

定位

把「Agent 可靠性」拆成可数的工程机制，且开源了实现。

核心命题

零容错 Agent 体系 = LLM + Harness + Sandbox + Tools。可靠性来自严格的工程控制与状态管理，而非单一模型的偶然发挥。

两代范式的局限：1.0 Prompt 时代三大局限（无状态、无肌肉、依赖人工）；2.0 Agent 时代四大致命伤（状态爆炸——95% 单次成功率跑 10 次降到 59.87%；首步盲目；侧效应不可逆；缺乏并发控制）。

三大工程铁律：不信任裸输出（不允许 Agent 自由拼装并执行原始 Shell）、状态必须落盘（长流程状态交外部持久化介质，而非 LLM 上下文）、必须支持逆向回滚（每个正向 Tool Action 都要有原子化的补偿动作）。

案例：1 个月无错迁移 5000 台虚拟机。起点是单机小工具、单次只能跑 4–5 台。策略是「不重写，只包裹」——用 Agent + Harness 把单机工具升维成分布式 Worker 集群。架构是四 Agent + 共享数据库（黑板模式）：调度 Agent（只读扫描、8 种状态识别、标准化任务入库）→ 分发 Agent（乐观锁抢占、令牌桶限流、无状态下发以省 Token）→ 监督 Agent（实时监控、根因诊断、自愈重试）→ 验证 Agent（影子测试、业务校验、状态标记与逆向补偿）。

成效（讲者自述）：并发吞吐 20×+、长尾报错自愈 97%+、0 安全事故与资损、异构模型路由使 Token 综合成本降低 70%+。

四大黄金法则：Harness 控制（确定性底座）、架构解耦（共享状态比 Agent 间直接通信更稳）、按需选型（高智力模型规划诊断、低成本模型分发校验）、回滚兜底（放弃对 LLM 完美输出的幻想）。

定位

唯一的「经济学视角」：不问能不能做，问做了划不划算、风险在哪里。

核心命题

同样的 AI 工具，新建项目像「生产力倍增器」，遗留项目更像「上下文助手 + 风险放大镜」。

两组采纳率对比：新建项目 AI 代码采纳率 60%–80%；遗留项目 37%–50%。前者低存量约束、架构可塑、测试资产可同步建设；后者隐性约束多、耦合度高、回归基线不完整。效率重心也从「降低生产成本」变成「降低理解成本 + 增加验证预算」。

三个外部证据（本场价值最高的部分，因为敢引反面数据）：

• METR 2025 随机对照试验：16 名资深开发者、246 个真实任务、平均超过 100 万行的仓库——完成时间增加 19%。
• Stack Overflow 2025（3.1 万份回答）：66% 认为 AI 输出「几乎正确，但并不完全正确」；45% 认为调试 AI 生成代码更耗时；46% 不信任 AI 输出的准确性。
• 讲者同时给出边界说明：METR 在 2026 年说明后续实验出现选择偏差，较新工具可能已提速但幅度无法可靠估计。

一行代码的六类风险（界面与交互、业务规则与流程、接口与协议、数据结构与存储、公共函数与组件、技术实现与架构），按影响扩散范围 × 恢复难度两个轴定位。这个二维坐标是整个 B 场最实用的决策工具：同样是「改一行」，界面文案和 SDK 升级的风险差了两个数量级。

方法：用「系统代码画像」当 AI 编码的缰绳——逆向工程识别方法画像、架构影响、调用链、数据实体；再跟踪增量代码覆盖率、为未覆盖代码生成用例、快速定位 AI 生成代码的异常。

定位

提供历史坐标与伦理维度。技术内容偏综述，但结尾的人文命题值得单拎出来。

核心命题

AI 架构师站在技术与社会交界处，需要同时理解「能力如何实现」与「能力该不该这样实现」。

技术脉络：图灵（1936 图灵机 / 1950 图灵测试）→ 麦卡锡与达特茅斯（学科成立）→ 符号主义（专家系统、知识图谱，可解释但依赖人工构建）与连接主义（神经网络、深度学习，擅长模式识别但黑盒）两条路线 → AI 三要素（Hinton 的算法、CUDA 的算力、李飞飞的数据集）→ Transformer 与 LLM → 世界模型作为下一步方向。

工程视角：从云端智能到云边端协同智能再到端侧智能，驱动力是成本、时延、隐私三件事。端侧存在「不可能三角」——高性能、低资源、低时延，三者难以同时满足；对应三条优化路径：模型优化（剪枝、低秩分解、量化、蒸馏）、系统优化（模型切分、任务调度、资源协同）、硬件优化（近存计算 NMC、存内计算 IMC、NPU 与存储侧协同）。

落地案例：通信网络内生智能——传统系统各模块独立设计（源编码压缩 vs 信道编码加冗余），难以全局优化；端到端自编码器把发射机与接收机当成一个学习系统，可全局优化，但面临通用模型适配与数据质量问题。团队做了基于国产 NPU 的端到端实时收发（NAIRAN），并演示了机械臂遥操作。