作者 | AICon 全球人工智能開發與應用大會

策劃 | 李忠良

編輯 | 宇琪

AI 代碼生成率沖到 50%以上，研發周期卻沒變短；非研發人員開始用 Vibe Coding 寫軟件，但信任感在下降。AI Coding 都這么強了，在企業級開發中的應用到底卡在哪？

近日，InfoQ《極客有約》X AICon 直播欄目特別邀請貳貳壹咨詢合伙人&蜂量科技 CEO 張子天擔任主持人，和小紅書 AI Coding 總架構師鄭鑫祺、快手 AI Coding 負責人李京一起，在AICon全球人工智能開發與應用大會2026 上海站即將召開之際，共同探討 AI Coding 在企業落地中的真實難題。

部分精彩觀點如下：

• 會用 AI 工具不等于個人提效，個人提效也不等于組織提效。

• 工具始終是手段，真正能達到整體吞吐量提升、人均效率提升、代碼產量提升的，協作才是終點。協作系統不只是多個 Agent 并行，還包含人和 AI 之間協作關系的重構。

• 現在有一種說法：Code is Cheap。以前是“Talk is Cheap, Show Me the Code”，但現在 Talk 也沒那么 Cheap 了，你的想法表達、輸入可能更重要。

• 組織形態肯定會變化，而且已經在發生，更閉環、更具創造力的組織，迭代空間更大。

• 當 Token 費用單價足夠便宜時，ToC 應用反而會更爆發出來。

在 6 月 26-27 日將于上海舉辦的 AICon 全球人工智能開發與應用大會 2026 上海站 上，我們特別設置了 【Agent 企業級研發體系的重構】 專題。該專題將系統探討如何將 AI 深度嵌入需求、架構、開發、測試與運維全流程，打造人機協同的新型研發范式。

查看大會日程解鎖更多精彩內容：https://aicon.infoq.cn/2026/shanghai/schedule

以下內容基于直播速記整理，經 InfoQ 刪減。

1行業現狀與認知沖突

張子天：過去一年，AI Coding 的熱度已經從"嘗鮮"進入"大規模落地"階段。但現在很多企業都遇到了一個共同問題：AI 代碼生成率越來越高，但需求交付效率并沒有同步暴漲。企業 AI Coding 今天真正卡住的核心問題是什么？

李京：快手從 Copilot 時代開始做智能化提效探索，經歷續寫、Agentic 多文件生成、到 SDD 推進復雜任務。續寫時代 AI 代碼貢獻率個位數，Agentic 時代躍升到百分之二三十，今年已到百分之五六十。但遇到了問題：工程師體感提效 40%，研發周期卻沒怎么變化，個人承接需求數和組織吞吐都沒有很大提升。我們洞察到：會用 AI 工具不等于個人提效，個人提效也不等于組織提效。問題有三方面：組織層面，還是傳統產研團隊模式；協同層面，上下文在傳遞中不斷流失；知識層面，業務知識、領域知識、研發知識沒有很好地沉淀打通。

鄭鑫祺：AI 生成能力基本沒問題，核心問題在驗證和前期對齊上。它把生產力拉上去了，但交互鏈條各環節沒跟上。第二個問題是組織協同，AI 讓個人變快了，但整體組織效率是否還適合原來的傳遞鏈條要打問號。第三個點，企業大型分布式系統過去過度微服務化和中臺設計，在 AI 環境中導致研發環境分散，需要工程治理和模型能力互相銜接來解決。

李京：我們經歷了幾個階段：AI First 階段是人去應用 AI，傳統工具結合 AI；現在叫 AI Native，讓整個東西是 AI 原生的——從為人設計工具，到結合 AI，再到部分工具專門為 AI 設計。

鄭鑫祺：背后還有人和 AI 的地位設計哲學。AI 工具發展特別快，有的是助理型，有的在提獨立個體。到底人扮演什么角色？在電商等復雜領域，人的決策判斷依然關鍵；但也有很多確定的 PMO 流程，AI 可以承擔更多。這些會導致協作關系變化，對上層工具設計提出不同要求。

張子天：AI 來了，大家總覺得是"金鋤頭"——皇帝種地也用金鋤頭，或把驢換成 AI 機械驢，顯然不是最佳實踐。過去大規模研發中形成的崗位分工和協作方式，在 AI Coding 時代可能已不適合。不只是研發層面的前后端合并，產品層面、需求業務方都需要重新整合，找到職能分工的新邊界。但組織變革牽一發而動全身，大中企業比較謹慎，只能循序漸進。

張子天：今年大家明顯能感受到，AI Coding 正在從 Copilot → Agent → Multi-Agent → Agent Team 快速演進。同時，越來越多企業開始做面向非研發的 Vibe Coding 和 NoCode Agent。你們怎么看這波變化？未來企業真正需要的，是"更強的 AI 編程工具"，還是"一個新的 AI 協作系統"？

鄭鑫祺：從 Copilot 到 Agent Team，一直在往前走的是工具。但工具始終是手段，真正能達到整體吞吐量提升、人均效率提升、代碼產量提升的，協作才是終點。協作系統不只是多個 Agent 并行，還包含人和 AI 之間協作關系的重構。在我們 Vibe Coding 產品中，深度研究從需求到上線每個節點中人和 AI 的關系，哪些 AI 可以去決策和協作，哪些必須人來做關鍵判斷。社區通用方案偏向單兵視角提效，在整個協作過程中是缺位的。推進也不能太激進，單兵階段先達到一定指標，過程中用 Claude 加各種 Harness 體系豐富知識庫和上下文采集，再慢慢往終點推進。

李京：過年前后 OpenClaw 發布帶來了開源形態和新使用模式，讓更多人認知到 Agent AI 能干什么，之后大量非研發人員開始使用。關于 Agent 協作系統，我們做了幾方面：一是生態建設，CLI 加 Skill 讓非研發人員在內部生態里實現角色提效；二是知識打通，團隊層面的互聯互通；三是任務編排，業界有 Web 看板或以角色劃分組建 Agent Team 等方式，還沒有特別成熟的方案。

鄭鑫：我想問李京老師一個問題。在知識整理這塊，一個大的域有非常多的跨系統知識，一個需求涉及多個系統。怎么樣在過程中讓大家沉淀需求、沉淀知識、沉淀哪些知識？

李京：我們走了幾個階段。第一階段做研發域和業務域知識構建，類似 Project Wiki，跟業務側聯動做業務屬性標注，也面向 AI 做業務角度的組織，把工具使用等信息做成知識放進去。第二階段做流轉平臺，從需求分析、灌入任務，到 PRD、單測、代碼產生，整個鏈條串聯。第三階段是"自進化"——知識需要迭代起來不是死的，隨著大家重點迭代方向和 Skill 使用情況，去迭代 AgentOS 里的知識和記憶體系。

鄭鑫祺：現在每個人在單倉里已沉淀了很多 Knowledge，不管是 Code Graph 還是 PRD、各種總結。缺的是怎么提升 SDD 模式中 Spec 的質量和降低對話成本。花兩小時對齊 Spec 再加一小時 CR，和熟練工程師上手差不多。Spec 質量上，更關鍵的是記憶的迭代和關鍵記憶的抽象。早期推動容易沒指標牽引，大家都在整資料，指標最終最關鍵。

李京：在有限上下文下，不可能把所有知識全灌進去。除了上下文迭代策略，我們也在效果層面做把控，每個環節針對性沉淀評測和用例，保證 Agent 按效果優先的方式不斷提升。

張子天：剛才二位老師講的內容都是企業已經在實踐的，這些內容都建立在一個非常強大的已有 Knowledge 基礎之上。對于一些中小團隊，落地其實更難，他們很難有專門的架構方向的人，既能深入業務，又能把不同模塊、不同業務場景的東西真正梳理到一起。中小團隊更多人就是鋪在業務上，針對某一個需求、某一個 Feature、某一個單點系統去做。不知道二位對中小團隊的場景有沒有比較好的建議？

鄭鑫祺：中小團隊反而有更成熟的方案可直接使用。大廠因為有大量歷史技術債和過度設計系統，需要花更多時間建設"航空母艦"。中小團隊系統架構接近社區，Claude Code 加 Harness 體系本身是 Work 的，納入更快。但核心要關注效果優先——做了很多 Knowledge 結果效果沒變化，沉浸于"賽博精神病"里。Spec 對焦輪數、采納率等指標要非常關注，以此反推知識沉淀。

李京：中小團隊落地更快速。社區里 Claude Code、OpenCode、各種 Agent 和 Harness，買幾個 Token Plan 就能有效 Run 起來。即使大企業，優秀實踐也是把大組織拆成小團隊，通過 Rules、AgentsMD、Spec 等逐漸形成標準化。Agent 基礎設施、使用實踐、研發流程，都有成型方案。

鄭鑫祺：小團隊核心要關注成本，很多測試燒了非常多 Token，要用更低成本把事做成。

2企業級 AI Coding 的真實難點

張子天：現在很多 AI Coding 產品 Demo 都很強。但真正進入企業生產環境之后，很快會出現幾個經典問題：長任務越來越偏、AI 自己亂改架構、上下文失控、結果不可復現、用戶一句話把任務帶偏……這些問題本質上不是模型問題，而是系統問題。你們內部分別是怎么解決的？

李京：長任務是我們一個專門的研究方向，在"不計成本"的情況下，Agent 能不能完成更復雜的任務。目標就是讓 Agent 不間斷地執行，一直到完成任務。

我們分兩個階段來看。第一階段是 Human in the Loop，人需要跟 Agent 交互。第二階段是 Human on the Loop，人抽離出來，作為觀測者看 Agent 執行，怎么去糾偏。

在第一階段，當人需要參與 Agent 循環時，復雜任務執行偏的成本越來越高，因為它改的代碼非常多，回退時影響很大。我們做了幾個方面的探索：

在前置環節，一是任務澄清，我們跟這個方向叫"主動性"，希望 Agent 在執行任務或做計劃之前，先了解清楚自己是不是真的理解了問題。當時我們做了探索，讓 Agent 主動問我問題，當它不清楚的時候要不斷問。后來發現社區的 Superpower 也有這個過程。二是計劃，也就是 SDD，希望在前置把計劃做得更明確。我訪談過一些同學，他們甚至已經不去看寫代碼的過程了，但一定要看寫計劃的過程。在前置確認計劃 OK，最終代碼因為現在 Agent 或模型比較強，基本也就沒有太大偏差。

在后置環節，Agent 寫的代碼越來越多，讓人 Review 也變復雜了。我們做了兩個探索：一是讓代碼變更可視化，讓人更快 Review；二是讓 Agent 交叉 Review，或者做測試計劃并把測試結果執行出來做 Verify。

第二階段，人作為觀察者，讓 Agent 自我執行復雜任務。我們主要在加強做計劃和做 Research 的能力，讓 Agent 做出來的計劃基本能完全一把過，寫出來的效果在前置就有很好的把控。

還有一個中間探索：上下文窗口有限，如果不斷往里塞東西會出問題。所以我們做了 SubAgent 的探索，在前置、后置以及中間執行環節里，讓更合適的模型、更合適的 Agent 去做更合適的事情，一定程度上保證上下文不被浪費過多，信息不會太失真。

鄭鑫祺：在小紅書 Vibe Coding 場景，面向非研發群體，很多時候追求的是 0 Code。0 Code 的背后，在 Human in the Loop 情況下，更多是 Shape Up 理念的應用：先給一些模糊的東西，AI 來問精準的問題，再給一個 Demo，再往下跑。

在實踐完了之后，到了真正產出質量的階段，對于非研發或產品人員來說很難去糾正，這時候就需要模型去執行，所以這里有非常多的模型控制論和模型智能之間的 Balance。模型智能在不斷增加，但因為 Context Length 和 Transformer 的上限，上下文問題始終需要精細化控制和解決。這不是 OpenClaw 帶來的 AgentOS 能解決的問題，它更多解決的是生態問題：讓更低成本地融合 Skill。但在模型控制的角度，還是需要更精細地把專家經驗融入進去，變成一個 Workflow。

在我們的實踐中，小紅書自研了整套上下文框架和 Agentic 體系，來保障每個關鍵決策和判斷能被精細控制，各種 Hook、各種糾正模型行為的手段，來保證質量達到 90 分甚至 100 分。但它一定會犧牲一些泛化性。這也是后續要解決的：先精再泛，在泛的過程中再去看如何利用好泛的 Skill 和精致的東西來編排精的流程。

對于 Human in the Loop，背后更多是 Shape Up 理念在產品中的運用，即什么時候該問。Claude Code 有時候問得非常打斷人，有時候溝通幾個小時，這不可接受。所以需要一個更好的設計哲學，定義流程讓 AI 遵守，包括怎么更好地探索、什么時候不讓 AI 說話、什么時候命中。這塊如果要做精細，確實有很大投入。但模型在增長，這塊始終是一個需要打磨的方向，讓效果一直沖到 100%。

張子天：現在很多企業已經開始遇到一個新問題：AI 生成代碼越來越多，但大家對代碼的"信任感"反而在下降。比如：AI 會自己造輪子、不遵守組件規范、安全邊界不清晰、代碼不可維護、上線風險越來越大。甚至很多團隊開始擔心："未來會不會產生大量 AI 技術債？"你們內部怎么看這個問題？

鄭鑫祺：中小團隊或 AI Native 型組織，給 AI 更多自主權，定期關注腐化走勢、定期重構。大廠邏輯下，關鍵決策依然靠人，比如 SDD 確認是人來做決策，不是讓 AI 直接往下跑，因為很多東西不可逆或成本很高，數據庫塞亂了影響面就很大。長程任務要做更多 Verify 的精細制作，前端有 UI 比對，中間有 TDD 驅動開發，還有各種自動化測試。最后的 CR 環節是核心信任度——線上出了 Bug 都修不來了，因為對 AI 掌控度不夠了。原來只看 Diff 的 CR 方式不夠，需要更有追溯鏈的 CR 方式。但最終上線的 Confirm 一定是人來確認。

李京：現在有一種說法：Code is Cheap。以前是“Talk is Cheap, Show Me the Code”，但現在 Talk 也沒那么 Cheap 了，你的想法表達、輸入可能更重要。非嚴肅場景就看效果，代碼可維護性基本不用看。嚴肅生產系統分三個角度：一是 AI 為什么寫出爛代碼？可能是沒把代碼規范和架構設計適配到它的角度，更前置地告訴 Agent 怎么寫代碼，爛代碼的可能性就降低；二是寫完代碼讓 Agent 交叉 CR，用智能化 Review 校驗；三是 AI 具備自我迭代能力，遇到 Bug 可以先自己改一輪。歸納為：架構設計提前告知 AI；交叉 Review；Agent 自我迭代、Verify 和 Auto Fix。

鄭鑫祺：要產出有品味的代碼，還是需要架構師來定。你給它的 Knowledge、Trade Off、Spec 中的每個 Choice，未來會被記憶住。同樣的工具，外包同學和架構師使用的效果差距很大。優秀的人依然非常重要。

張子天：AI 對人的能力放大效果非常明顯，能力越強的人放大越多。

觀眾：我們現在如何去追蹤和量化 AI Coding 研發項目中的問題？

李京：最早建立淺層指標如代碼生成率、智能 CR 生成率等，但最終看的是哪些被真實采納、真正起到效果。度量體系很重要。

鄭鑫祺：指標要和階段目標相關。推廣期以滲透率和 AI 代碼占比來看，用 AI 就認為擁抱 AI。都用 AI 之后就要看速度和價值。速度就是人均吞吐，類似復雜度的需求原來排期五六天，估時降低了人沒變，AI 貢獻就更大。價值方面，哪些 Demo 真正產出了有價值的東西。Valueless 應用太多就很難平衡 Token 價值。還提出 Benchmark 驅動方式，按階段拆二三級指標跟進與行業 SOTA 比較。

李京：內部有專門的架構治理組，在 AI 時代建立了工程架構度量體系，對架構質量評分，一定程度上防止了架構和技術劣化。快手的另一個探索是需求分層（L1-L4）：L2 是 Agent 輔助；L3 是 Agent 更多協同；L4 是 Agent 端到端交付。不同層級有不同觀測——L4 希望 AI 端到端交付，把控指標更多看 AI 真正完成的效果和需求吞吐是不是真的變化。

張子天：今年特別火的一個方向是："非研發開始寫軟件。"產品、運營、設計、數據團隊都開始直接用 AI 生成應用。但這也有很多爭議：有人覺得這是未來，也有人覺得這只是 Demo 幻覺。非研發真的會成為 AI Coding 下一波最大的用戶群嗎？

李京：會，這件事正在發生。AI Coding 本來為研發群體做的，但研發群體在少數，今年越來越多非研發涌入。社區里判斷：Coding 本質是軟件的表達形式，是創作，就像寫文字，創作軟件未來會平權到每個人。我們甚至做了基礎設施：AI 寫完代碼做成 Skill，跟企業內部登錄系統打通，用泛域名提供域名，把靜態文件和服務用 Serverless 跑起來，接云 DB。運營用它做報名系統，財務做分析小系統，更多人把想法以網頁表達出來。

鄭鑫祺：硅谷很多人眼中未來 Office 就是 Claude Code。OpenClaw 火了后越來越多同學因 AI 扶持 Builder 出很多有價值的項目。小紅書給非研發做了很多工具，包括我負責的 Muse，直接創意后部署上線，有數據庫、有 AI。核心還是看誰能發現需求、了解用戶、有品味判斷力。技術人員在專精領域還是主體，但純寫代碼要求會更高。

張子天：過去研發像"雕版印刷"，只有少數人識字、會編程。現在有了 AI Coding 就像"活字印刷術"，讓更多人掌握了編排和印刷技術。

觀眾：小紅書目前是怎么確保系統安全的？

鄭鑫祺：最終上線和負責還是有人把控，不是 AI 直接發布。如果今天有 AI 直接發布，那一定是 Demo，類似內部社區做內容，不是直接面向用戶的。整個過程人的把控在小紅書一直非常關注，不會直接上線。

李京：如果把 Coding 能力開放給大家，尤其做偏生產級系統，確實需要保障。數據安全方面，非專業計算機訓練的人 Sense 沒那么全面，危險操作（數據庫、發布）、接支付、API 對接出去都有風險。面向非研發的系統需要特別關注。除了安全還有成本，非研發人員 Create 或產出，ROI 也需要衡量。

鄭鑫祺：核心還是最終質量和安全依然由原來的人把控。AI 幫非研發做自動化工具、做報告、數據分析，大家 Build 自己的助理，做 Demo 也能很快跑通，這塊比較成熟。但要做大型應用，依然需要安全、數據等專家把關。

觀眾：在 AI 貢獻率層面上，有沒有比較好的辦法精準評估？對于初創或剛轉型做 AI Coding 的團隊，怎么評估落地效果？怎么針對性提升？

鄭鑫祺：本質是頂層指標拆解的逐步演進過程。關注工具滲透就埋滲透數據，關注使用效果就統計需求吞吐情況，更精細的包括采納率、知識命中率等。

李京：在不同階段看不同指標，從滲透到 AI 代碼貢獻，再到 ROI 和需求吞吐。快手還做了需求分層（L1-L4）：L2 是 Agent 輔助，L3 是 Agent 更多協同，L4 是 Agent 端到端交付。不同層級有不同觀測。

鄭鑫祺：不同的 L 之間的 Bar 有沒有很明確的定義？會不會有難以劃分的問題？跟原來低代碼有點像。

李京：確實會有這個問題。我們在做需求分級時經過了比較多的討論，而且是拿著真實需求去拆解的。

鄭鑫祺：這確實是大家都面臨的問題：工具很多，需求到底用什么樣的方式去推？很多時候中臺認的 L4 方向，但演進過程中業務又要發展，一定會有一個漸進式推進的過程。有時這個需求是 L2，過段時間工具成熟了可能變成 L3 或 L4。需要業務架構師動態判斷。

觀眾：AI Coding 如果不需要初級程序員了，只有高級工程師的概念，如何從頭去培養這樣的人群？是不是要斷層了？

李京：不會斷層。AI 來了之后能力邊界變得很擴充。首先，初級和高級的分層開始模糊——跟 AI 不斷對話中 AI 會給人很多啟發，之前需要經驗積累的知識 AI 一定程度上能補齊，但需要經驗把控的地方還是有的。具備好奇心、動手能力、創意和分享能力的同學成長更快。其次，職能邊界也開始模糊——程序員跟 AI 共創時可以寫出競品調研方案和 PRD，用 AI 工具畫出高保真原型，能力邊界被很大擴充了。

鄭鑫祺：不管初級還是高級，定義沒那么重要了，可能就是個符號。在不同領域，品味、判斷和創造力的內涵不一樣——做大模型是技術判斷，想做調酒小程序是要更懂那些人和需求。但有一點是肯定的：要以 Builder 的心態去看問題，要有好奇心。Hackathon 里那些同學比較有這種 Taste，有小創意自己去 Build，快速學習、自我迭代。

張子天：好比汽車工業早期，駕駛者是少數。當自動擋和新能源車出現后，人人都會開車了。評判標準可能都已經變化，不是能力強弱的問題，而是分領域了。

張子天：現在企業面對 AI Coding，還有一個特別現實的問題：外部生態的發展速度，已經遠遠超過企業內部自研速度。從 Cursor、Claude Code、Devin，到 OpenClaw、Harness、各種 Agent 平臺，新的能力幾乎每個月都在變化。很多企業現在都在糾結：到底應該自研、采購、還是做混合架構？企業內部已有研發體系，又該怎么和外部 AI Coding 生態融合？企業級 AI Coding 最核心的壁壘，到底是模型、工具，還是組織與系統能力？

鄭鑫祺：Cursor、Claude Code 等熱門產品大部分是單兵控制面，核心設計是一個開發者在屏幕面前，AI 幫他把活干快。這是以模型視角出發、以超級個體效率最大化為目標的方向。小組織、AI Native 完全采購用社區方案就好。但企業級復雜協同場景下，一個需求提出到上線跨越多個系統、多個倉庫、多個團隊、多個云環境，模型公司的單兵工具天然不會碰這一層。需要自建知識和工具，使用社區方案去運用，實現生產關系和生產模式的進化。

李京：一人公司懂代碼的，社區方案拿來直接用。創業團隊看當前階段目標，如果目標就是更快完成業務、更快賺錢，ROI 能打正的情況下直接采購更好。大型組織自研有幾個方向：一是 Skill 生態跟企業內部打通，構建成本不一定高但收益高；二是配套基礎設施如知識工程；三是數據安全等紅線，甚至需要模型層自部署。分場景、分階段來看。

鄭鑫祺：核心還是看你當下要解決什么問題。尤其針對非以研發產品為核心的企業，能自己做的部分越少越好，更多還是用好這個能力，提高企業產業效能。

3未來判斷

張子天：如果站在 2028 年回看今天，你們覺得：AI Coding 最終改變的，只是"程序員寫代碼"這件事，還是整個軟件公司的組織形態？到那個時候，一個真正的 AI Native 企業會長什么樣？

鄭鑫祺：改變的已經不是軟件公司了。Anthropic 預測 2026 年有一人獨角獸，現在已經出現了，不是終點是起點。到 2028 年不存在純粹的軟件公司，所有公司都是 AI 公司，區別是誰先想明白。改變的不是程序員，而是整個交付鏈條上每個角色存在的理由。但我還是認為有品味、有判斷的人依然非常重要。AI 和人的關系最多到 Peer，現在可能是助理，但不應該是奴役人的方式創造價值。核心競爭力是你能不能先發現別人沒發現的需求，更快創造價值、得到收入。

李京：變化是天翻地覆的。Anthropic 一直說自己的代碼 90% 以上是 AI 寫的。組織形態肯定會變化，而且已經在發生，更閉環、更具創造力的組織，迭代空間更大。同理，即使在更遠的以后，人的判斷和品味也非常重要，能做出的作品還是不一樣的。

鄭鑫祺：模型上限還沒完全 Touch 到，硅谷很多人認為預訓練還有很大空間。但上下文長度沒解決，這兩年還是有很多上下文工程和場景工作要做，并不是 AGI 就出來了。人的關注點可能不是像以前鉆在知識理性的邏輯鏈中，感性經濟或被忽視的東西可能更重要。

李京：現在好模型成本還挺高。假如兩年后基建和技術突破，模型成本降到極低，像 SSD 硬盤從很貴變成廉價基礎設施，就像用電一樣，更多改變會發生。消耗 Token 沒那么心疼了，會大幅釋放個人和組織的生產力和創造力。

鄭鑫祺：如果是那個模式，企業形態可能要另論了。但目前模型成本依然高昂，ToC AI 應用首先要解決價值和成本問題。軟硬一體公司可以把推理成本融到硬件里，解決一個領域的精致化服務達到 ToC 擴張。不然更多場景還在 ToB，因為這樣才能算清 ROI。

張子天：好比移動互聯網時代早期，10 塊錢 30 兆流量，到現在 10 塊錢可以買好幾百個 G。當 Token 費用單價足夠便宜時，ToC 應用反而會更爆發出來。

會議推薦

企業級 Agent 落地，繞不開 4 個真實的工程問題。如何在 Agent 安全性和可用性之間找到平衡點？Agent 需要什么樣的記憶系統才能真正理解上下文？如何通過算法壓榨實現智力增量與成本控制的極致平衡？多 Agent 協作，如何做到可觀測、可治理、可控制？6 月 26-27 日，AICon 全球人工智能開發與應用大會·上海站國內頭部公司的 Agent 實踐，一次說透。