没有发布会的两天，照见AI工程的真实水位。
11月5日至6日，AI Engineer Shanghai 2026在上海虹桥希尔顿酒店举行，这是AI Engineer系列大会首次在中国落地。
大会由Standup Partners与Superlinear Academy联合组织，本地合作方为Arogo Intelligence。两天共有58位演讲者与主持人登台，议程以两大板块展开，5日聚焦开源模型、Agent与AI基础设施，6日转向物理智能与AI原生产品。预计约800位参会者，中国AI团队与国际工程社区各占一半，中英双语演讲均配现场同传。
与多数AI大会不同，AI Engineer（业内简称AIE）没有新品发布，没有愿景演讲。官网给自己的定位是一句话：Where research meets production。创办人swyx（Shawn Wang）以一段十分钟开场视频与上海观众连线，随后直接进入工程内容。两天的议程全部由生产环境的细节构成：代码、demo、架构取舍，以及运维里的失败教训。
如果把这份议程当作一次行业体检，体检报告在两个方向上同时给出读数。一个是Agent的工业化，一个是智能向物理世界的迁移。
Agent议题的主战场：从能不能做转移到如何运维
Microsoft的开场演讲题目是From Models to Working Enterprise Agents，讲模型、数据、工具与执行边界如何在企业工作流中汇合，以及当Agent从demo进入持续使用后，什么会变化。这个题目本身即是一次表态，即讨论对象已经不是模型，而是模型进入企业之后的那套系统。
紧随其后的议程把这一层意思拆开来讲。
Langfuse讲Agent可观测性，traces、由生产失败构造的数据集、把评测作为发布的门禁。
Harvey的Joey Wang带来一个相当硬的样本，一万多个内部Agent提交的PR教会他们的道理：相信自己的评测，不要相信榜单，讲的是开放模型在企业内部的实际采纳。
Dify的题目更直白，Managing Your 500th Agent，当Agent数量越过试点期，管理本身成为工程问题。
Manus则分享了另一种组织形态，一个monorepo承载全部仓库、团队规则与Agent技能，任务对全员可见，工程师之外的产品与运营也能直接开PR。
2026年的Agent竞争不再是谁的demo更惊艳， 而是三道坎能不能跨过去。 可观测性，失败发生在哪一步、为什么失败，能不能精准定位。 可回滚，出错之后能不能快速切回稳定版本，不中断业务流程。 成本可控，多跑一步就多一份推理开销，单任务成本能否稳定在阈值之内。
跨过这三道坎之前，Agent只是演示。
跨过去之后，它才是资产。
Dify的“第500个Agent”背后，还有一个更深层的问题——当企业内部Agent数量突破三位数，重复建设、能力边界冲突、权限不统一、数据孤岛会同时出现。
所谓超越试点期，本质是在回答一个问题：当Agent从零散工具变成企业级基础设施，用什么统一的标准去建设、去管理、去审计。
开放模型已经成为生产环境的默认选项
5日的另一条主线是开放权重模型的工程化。
You.com的工程师分享了他们如何对开放权重的Nemotron 3.5 Lightning做后训练，使其成为更强的搜索与浏览Agent，在BrowseComp这一Agentic搜索基准上把准确率从37%提升至45%，同时工具调用次数反而下降。
阶跃星辰StepFun结合Step 5预览版与开源的Step Code agent harness，讲模型与harness如何协同，支撑长程任务的稳定执行。
Arena也被单独拿出来谈，分享面向真实使用场景的模型测量方法。
值得注意的是讨论语境的迁移。
开放模型的议题过去常常围绕能力追平，这一次几乎全部落在推理成本、时延、可定制性与生产可靠性上。配合TiDB、Zilliz围绕Agent负载对数据库与向量系统的改造，信号相当清晰。开放权重模型已经从可选项变成不少团队规划设计时的默认起点，剩下的问题是工程细节。
这种改造的本质是负载模式的切换。
传统数据库服务的是一次查询、一次返回的短请求，Agent带来的却是多轮迭代、频繁读写、长轨迹、多模态数据混合的连续负载。向量数据库与关系数据库都在针对这种访问模式做专项优化，这是AI基础设施层的新命题，也是本次大会5日议程的暗线。
世界模型走出论文，接受生产环境的检验
6日议程转向Physical AI。
官方列出的范围包括VLA与机器人基础模型、机器人数据、仿真与Sim2Real迁移、机器人推理、部署安全与现场演示。
上午围绕空间智能、生成视频与AI原生产品，HeyGen的Bin Liu提出一个意味深长的题目：HTML is all your agents need，主张重新定义上下文工程来简化Agent的界面。
下午的重头来自MiniMax，Ronny He的题目是Stronger Models, Leaner Harnesses，What to Control and What to Let Go。
Physical AI与语言Agent的工程逻辑并不相同。
语言Agent出错，最多是回答偏差。物理AI出错，意味着硬件损耗、生产事故，乃至安全风险。因此这一领域的工程优先级永远是安全边界在前，运行可靠性居中，任务性能最后。
大会把部署安全单独列为核心议题，原因正在于此。世界模型要走进真实世界，第一关不是聪明，是可控。
更强的模型，更精简的Harness，背后是一条清晰的演进规律，即模型能力越通用，编排层需要手工维护的规则就越少。未来Harness的职责不是给模型补能力，而是守住三件事，状态持久化、安全边界、工具对接。模型负责能不能做，Harness负责能不能安全稳定地做。
世界模型出现在以生产实践著称的工程大会上，意味着这个方向已经开始接受与语言模型相同的拷问：推理时延多少、数据闭环怎么建、安全边界划在哪里。技术叙事的下一步不是更大的demo，而是可部署。
Harness，2026年最被低估的工程学科
通读两天议程，一个词的密度高得不寻常：harness。
StepFun谈从模型智能到Agent harness，MiniMax谈更精简的harness。
很多人会把Harness等同于Agent编排，但二者有本质差异。
传统编排是静态的任务流串联，侧重先做A再做B的流程设计。
Harness是动态的全生命周期运行时，涵盖状态管理、记忆系统、错误自愈、评测门禁、数据回流，是Agent的运行容器。
这个概念从模糊的脚手架变成独立的工程学科，标志着Agent工程开始形成自己的方法论体系。
两天中最锋利的一条线索来自Zilliz。他们的判断是一个跑二十步的Agent产生的轨迹，写入量与读取量相当，其形态与强化学习的rollout store完全一致。
由此得出的结论相当激进：Agent的记忆与下一季度的训练数据，正在收敛到同一组算子上。
这是Zilliz基于自身业务实践提出的技术判断，尚待行业验证，但值得认真对待，因为它指向了运行即训练的闭环。
过去Agent的迭代是慢周期：人工采集问题，标注数据，训练模型，上线更新。
未来每一次运行留下的轨迹、失败的案例、成功的路径，都可以自动回流为训练素材。一旦闭环跑通，Agent的进化速度会出现阶跃式提升。这是从人工运维走向自进化的关键一步，也是本次大会值得被记住的一句话。
结语
从这次议程看，AI Engineer选择在此刻把系列大会首次搬到上海，本身即是一个观察样本。议程不做宏大叙事，只做工程盘点，而这种盘点恰恰最难粉饰。Agent在工业化，模型在选择开放，智能在走向物理世界，Harness正在从配角变成主角。行业的重心，正在从模型创新转向工程落地。
中国拥有丰富的产业场景与庞大的工程师群体，这类不办发布会、只聊实操细节的大会在此落地，说明市场正在褪去概念热度，进入实打实的深水区。
可以预见接下来半年到一年，Agent工程会像当年的DevOps一样，快速沉淀出标准化的最佳实践与工具体系。本次大会，正是这个进程的标志性节点。
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表