9 月 24 日，2026 云栖大会在杭州落下帷幕。
“智以致用”——这是今年云栖的主题，也是整个 AI 产业正在经历的关键转折。当行业不再热衷于比拼模型参数，当“Agentic AI”“Vibe Coding”“AI for Science”从概念走向落地，一个更务实的问题摆在所有人面前：AI 技术究竟如何在真实业务中产生价值？
一个月后，10 月 22-24 日，QCon全球软件开发大会.上海站，将给出一份来自阿里的答卷。
本届 QCon 上海站，将有 10 多位阿里系技术专家齐聚，他们分别来自阿里巴巴、飞猪、淘天集团、千问事业部、速卖通等不同业务线，将从战略、工程、业务三个层面，拆解 AI 从技术突破到规模化落地的完整路径。
云栖看点一
从“超级电网”到“真实用电”——阿里 AI 全栈能力的落地答卷
在今年云栖大会主论坛上，阿里巴巴集团 CEO 吴泳铭抛出了一个核心判断：机器正在成为思考的主力，智能正在成为一种规模化的商品。
他将机器智能时代的基础设施拆成三块——AI 模型、AI 芯片、AI 云，并宣布阿里巴巴将长期战略投入这三个方向，要做 AI 时代的“超级电网”。
那么，这张“电网”的规模有多大？一组数据可见一斑：
Qwen 开源模型下载量已突破 30 亿次，衍生模型数超 30 万个
平头哥发布新一代国产 AI 芯片真武 V900，算力达到前代的 3 倍，单集群可扩展至 50 万卡
阿里云首次披露长期目标：到 2032 年运营的全球数据中心规模将超过 20GW
但“电网”建起来了，“电”怎么用？
在 QCon 上海站的Keynote主题演讲环节，阿里巴巴中国电商事业群/飞猪 CTO 陈烨博士将带来《从 Coding 到消费：AI 的下一场革命》，从可验证性这个底层逻辑出发，拆解 AI 为什么沿着 Coding → Agent → 消费的路径演进——Coding 有编译器、单元测试、CI 等密集即时的反馈闭环，而消费场景要穿透商家、库存、履约等真实物理世界，反馈更稀疏、延迟且主观。演讲的核心判断是：下一阶段 AI 的关键，不只是让模型更聪明，而是把物理世界的履约过程变成可验证、可学习的训练信号。
底层技术层面，阿里巴巴高级技术专家杨林枫博士（斯坦福博士，MindSpore 核心贡献者、昇腾算子编译器 SWFT 主导设计者）将分享《从算子调优到推理自治：构建 MaaS 场景下的 AI Inference 自动优化闭环》。在云栖大会上，阿里表示，要建 20GW 的算力“电网”，而这场演讲讲的是“电网”怎么靠 AI 自己调优：通过 Atrex Kernel Agent 的 Agent Loop 自动完成性能分析、代码生成、验证和持续优化，把传统依赖人工的算子优化周期从周级压缩到天级。这套体系支撑了阿里百炼 MaaS 大规模 GPU 集群，还助力 Qwen3.8 拿下 NVIDIA SOL-ExecBench FlashInfer 算子优化榜首。
而云栖大会上最受关注的技术方向之一——递归式自我改进（RSI），即 AI 自己训练自己、实现能力自主迭代，也将在 QCon 找到落地答案。阿里巴巴千问事业部强化学习方向负责人程鹏宇博士将带来《基于 Agent Skill 的大模型自进化及其 C 端对话产品应用》，揭秘 Qwen 模型自我进化的完整技术框架：用 Agent Skill 作为能力中间层，通过 Trace2Skill（从交互轨迹自动提炼经验）、Skill-RM（构建可执行的奖励系统）、Skill Self-Play（驱动 Agent 自我博弈）三层技术，把经验沉淀、奖励评估和训练数据生成连接成统一的自进化闭环，并已在千问 C 端对话产品中落地。
云栖看点二
Agentic AI——云栖最高频词，在 QCon 有阿里全系实践分享
Agentic AI 毫无疑问是本届云栖大会的最高频词。
阿里巴巴集团副总裁、千问办公 CEO 陈宇森在云栖上提及，AI 很聪明，但不懂业务。这是很多企业级 AI 无法真正落地的现实困境——模型能力越来越强，但一碰到具体业务就“水土不服”。
破局的关键，在于数据，在于工程，在于 Agent。
在 QCon 上海站，阿里将带来了堪称“全系”的 Agent 落地实践。从架构基建到可观测评测，从业务场景落地到研发流程变革：
Agent 架构与生产级基建
《打造生产级的 Agent》许晓斌 阿里巴巴技术总监
围绕 Agent 进入生产系统后的可靠性问题，拆解阿里 Agent 运行时架构的核心设计：身份与资源授权、面向 Agent 的交付流水线、Guardrail 意图风险判断、多层隔离、dry-run 机制，并开源 OpenSandbox、OpenCodeReview、OpenAgentAuth 三大 Agent 基础设施。
《让轨迹成为数字资产：Agent 持续优化实践》马云雷 阿里巴巴高级技术专家
从原始 Trace 到结构化 Trajectory，再到黄金数据集、持续评估和实验验证，构建完整的 Agent 调优数据飞轮。提出手动挡、半自动挡、全自动挡三档调优模式，探索 Trace2Skill、Trace2Harness Fix 等面向不同对象的优化方法。
《Read, Don't Write: 重塑大模型评价体系，构建全自动、可进化的“探测式”评测管线》孙鹏 阿里巴巴 高级技术专家
颠覆传统 LLM-as-a-Judge 的生成式评测范式，提出 BoRP"探测式评测"——不再让模型"写"评语，而是直接"读取"模型隐状态下的满意度信号，评测成本降低 97%，人类对齐度超越生成式 Judge。已在万亿级流量的 A/B 测试中落地。
企业级 Agent 业务落地
《模型与代码的边界思考：飞猪旅行 Agent 的落地实践》吕德涛 飞猪算法专家
在旅行场景（价格库存实时波动、成交不可逆）中，以"错了能不能撤回"为核心原则划定模型与代码的边界——决策归模型、执行归工程、表达归产品。从 Loop、边界、上下文、评测四个维度，拆解高决策成本场景的 Agent 落地方法论。
《飞猪多 Agent 广告投放系统实践》驱影 飞猪技术专家
以酒店集团会员增长项目为落地案例，将投放链路拆解为目标理解、人群圈选、策略生成、素材生产、渠道执行、效果复盘 6 个独立 Agent 能力单元，通过统一任务 Loop 组织协作。人负责目标设定和风险控制，Agent 负责高频执行和持续优化。
《飞猪 AI Native 交付大脑：用超级流程重构需求交付》王浩男 飞猪技术专家
把冗长的交付链路收敛为需求对齐、Coding 实现、测试验收三段式超级流程，让 Agent 成为流程的第一公民。小闭环单端自验证自修复，大闭环前后端联调端到端验证，用版本化 Spec 拉齐多角色事实基线，异步澄清替代对齐会。
Agent 驱动研发流程变革
《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
Hybrid Coding Agent 的 Harness 实践：外环统一契约与任务编排，内环将验证贯穿方案、编码与构建，以反馈驱动各端生码和修复。覆盖 10 大场景、65.5 万行代码重构与评测上线，线上 Bug 下降 80%，展示如何将单端编码提效转化为三端交付能力。
《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
结合阿里内部 2 万+开发者、百万真实任务的生产数据，介绍如何通过确定性工程+Agent 协同，将通用 Agent 收敛为适用于代码评审场景的垂直领域 Agent。分享分治并发、精准定位、规则模板引擎、工具链蒸馏、上下文分层管理五大工程实践，并开源 Open Code Review 项目。
看点三
从一个爆款到一条流水线——AI 视频工业化的最后一公里
云栖大会上，导演陆川的 AIGC 短片《历史·现场》引爆了话题。
5 天时间，把 400 年前明代“王恭厂之变”的灾难现场重新“炸”回观众眼前。按照传统制作方式，复原明代北京城、宫廷及大规模爆炸场景，需要耗费数月时间和千万级投入。而这一次，经过约四轮提示词优化后，阿里视频生成模型对爆炸烟尘、碎片等画面的呈现准确度达到了预期的 95%以上。
陆川说：“AI 不是已有景观的摄影者，而是未知景观的创造者。”
但一个爆款短片的背后，是一整套视频生成技术体系的支撑。从单个片段到完整叙事，从素材生成到工业化流水线，中间还差着“最后一公里”。
在 QCon 上海站的「AIGC内容工业化」专题，阿里巴巴资深技术专家邹娟将带来《从 Clip 到 Timeline：AI 视频工业化的最后一公里》，介绍万镜一刻的工程实践：通过 L 型架构实现能力复用与产品解耦；设计四层 API，让 AI 视频能力可组装、可编排；构建 Multi-Agent 协作体系，让创意发现、编剧、导演、剪辑等 Agent 在统一 Timeline 上完成端到端成片流水线。同时分享多模型调度一致性、长时间线渲染稳定性、Agent 间上下文传递等踩坑经验。该架构已支撑短剧、营销、电商等多行业场景的规模化视频生产。
目前这套架构已支撑短剧、营销、电商等多行业场景的规模化视频生产。当 AI 视频创作从艺术家的玩具变成内容工厂的流水线，技术上需要跨过哪些坎？这场分享值得期待。
看点四
AI Native 质量保障——代码生成爆发后，阿里怎么“验”和“修”
云栖大会上，Vibe Coding 被反复提及。AI 写代码，正在从新鲜事变成日常。
然而，代码生成越来越快，谁来保证质量？如果说 AI 写代码是“油门”，那质量保障就是“刹车”。没有可靠的刹车，油门踩得越猛，风险越大。
在 QCon 上海站现场，来自阿里的 2 位嘉宾将带来 AI 质量保障实践：
《AI 写完代码，谁来验证？——手淘 TEKO “写—验—修”自主闭环的工程实践》泠乐 阿里巴巴淘天集团高级测试开发专家
在本次分享中，泠乐提出一个很犀利的判断：AI 写代码的速度被放大了 10 倍，但验证代码的能力还在原地踏步。
堵点有两个，而且是乘法关系——缺了任何一个，AI 都没法自主干活：
不知道“什么算对”：需求、规范、团队约束散在各处，AI 只能追求“代码能跑通”，至于跑出来对不对，它没概念
看不到“对不对”：AI 看不见手机屏幕、读不到运行时数据、点不动按钮，没法像人一样操作 App 验证结果
手淘 TEKO 的解法是同时补两块短板：一边把“验收标准”变成 AI 能读懂、能调用的结构化数据，甚至反过来指导 AI 写代码（相当于 AI 时代的测试驱动开发）；另一边把 App 改造成“Agent 能操作的可编程环境”，让 AI 可以自己点按钮、看结果、找问题。
成果很实在：三端 100%覆盖、1.5 万+自动入库用例、96%操作成功率、性能报告从 10 人日压缩到 1 人日，还给出了从 L0 到 L5 的可测性成熟度阶梯。
《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
飞猪提出“验证债”概念——AI 一天写出的代码，传统后置测试要测一周，生成与验证的缺口正持续累积。对此，飞猪的还债思路是：QA 判断前置、质量左移，AI 承担规模化执行。落地跨过三道坎：测得准（生成前先做需求完备性检查，用例自带结构化验证点，执行端不做二次理解）、接得住（提测前需求准入、上线前视觉自动化验收，融入多角色协同全流程）、铺得开（用例分轨机制，接口/UI/人工三轨自动判定，避免把执行不了的硬塞给 AI）。成果：用例采纳率 85%+，80%用例可自动执行，UI 自动化成功率 85%+，单需求验证周期从 3 天缩至 1 天。
从手淘 TEKO 的“写-验-修”全自主闭环，到飞猪的 AI Native 质量保障体系化实践——两条业务线从不同切入点回答同一个问题：当代码生成速度被 AI 放大 10 倍，验证能力如何跟上。一个从底层架构往上建（判据×信号双柱支撑），一个从业务流程往下落（测得准/接得住/铺得开三支柱），合在一起就是 AI 时代质量保障的两份实战答卷。
总而言之，我们从云栖大会看到了，阿里要建 AI 时代的“超级电网”，要让智能成为规模化的商品。
对此，QCon 上海站将侧重技术落地，与大家共同探讨阿里的“超级电网”如何通到飞猪、淘天、速卖通、千问的真实业务里，变成一个个 Agent、一套套工程体系、一场场效率革命。
除此之外，本次大会还策划了Loop Engineering、千行百业 Agent 创新实践、Agent 自主进化：从记忆到持续学习、Agent as a Service、Vibe Coding 时代的新质量债、理性驾驭 AI 的 SRE 可靠性工程、金融 AI Native工程实践：从研发提效到业务破局、AI Infra：算力效率决定规模化落地、AI Native 架构等 20 个专题论坛，届时将有来自不同行业、不同领域、不同企业的资深专家在现场带来前沿技术洞察和一线实践经验。
10 月 22-24 日，QCon 上海站，10+位阿里技术人，20 个专题，100+场分享，让我们共同见证 AI 如何真正“智以致用”。限时 9 折优惠立减 680！查看更多详情可扫码或联系票务经理 18514549229 进行咨询。
