<?xml version="1.0" encoding="UTF-8"?><rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>编码 | 行业新闻_金融（点击查看更多）</title><description>搜索引擎 + AI 驱动的行业新闻【覆盖行业】信保 ｜出口 ｜金融 制造 ｜农业 ｜建筑 ｜地产  零售 ｜物流 ｜数智【访问入口】hangyexinwen.com【新闻分享】点击发布时间即可分享【联系我们】xinbaoren.com（微信内打开提交表单）</description><link>https://jinrong.hangyexinwen.com</link><item><title>⁣📰 金融级 Al Coding 落地实践：从“氛围”编程到“严谨”开发｜QCon北京本届 QCon 北京大会聚焦 Agentic AI 与多智能体协作在软件工程中的应用，呈现百余项落地案例与前沿洞察</title><link>https://jinrong.hangyexinwen.com/posts/10272</link><guid isPermaLink="true">https://jinrong.hangyexinwen.com/posts/10272</guid><pubDate>Wed, 15 Apr 2026 02:36:41 GMT</pubDate><content:encoded>⁣&lt;br /&gt;&lt;b&gt;&lt;i&gt;&lt;b&gt;📰&lt;/b&gt;&lt;/i&gt; 金融级 Al Coding 落地实践：从“氛围”编程到“严谨”开发｜QCon北京&lt;/b&gt;&lt;br /&gt;&lt;br /&gt;本届 QCon 北京大会聚焦 Agentic AI 与多智能体协作在软件工程中的应用，呈现百余项落地案例与前沿洞察。文章重点介绍平安科技在 AI Coding 领域的实践路径：通过“设计+规范、知识+工具、模式+流程”三大驱动，实现 AI 模型与工具能力提升，以及对研发流程的双向优化。核心四大支柱包括规范驱动、知识工程、上下文工程与人机异步协作，支撑了大量代码由 AI 产出并通过严格的 CI/Lint 等机制进行质量控制，达到约60%的 AI 代码占比。知识银行与向量化存储帮助 AI 更好理解大型金融系统的私域知识，分场景上下文管理确保每次请求的任务上下文精准，睡后编程、异步开发等模式提升夜间与周末产出效率。展望阶段，演讲探讨了 AI 编码在架构演进中的挑战、不同开发范式对 AI Coding 的影响，以及在合规性高的行业场景中端到端落地的难点与改进方向，力求打造具备业务理解与技术能力的前线交付工程师，形成全面、高效的 agentic 工作流。大会还覆盖多达20多个专题，强调 AI 原生基础设施、算力优化、技术债治理等前沿议题。&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🏷️&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;/search/%23AI&quot;&gt;#AI&lt;/a&gt; &lt;a href=&quot;/search/%23%E7%BC%96%E7%A0%81&quot;&gt;#编码&lt;/a&gt; &lt;a href=&quot;/search/%23%E5%A4%A7%E6%A8%A1%E5%9E%8B&quot;&gt;#大模型&lt;/a&gt; &lt;a href=&quot;/search/%23%E4%B8%8A%E4%B8%8B%E6%96%87&quot;&gt;#上下文&lt;/a&gt; &lt;a href=&quot;/search/%23%E5%BC%82%E6%AD%A5&quot;&gt;#异步&lt;/a&gt;&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🔗&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;https://www.infoq.cn/article/w0YZvXhyz3CjRPFO0VE3&quot; target=&quot;_blank&quot;&gt;原文链接&lt;/a&gt;</content:encoded></item><item><title>⁣📰 行业导向的Agentic AI架构之道过去两年，生成式AI的奇迹已被广泛认识，但在企业级应用中，通用的大脑往往难以直接适配具体专业岗位</title><link>https://jinrong.hangyexinwen.com/posts/9609</link><guid isPermaLink="true">https://jinrong.hangyexinwen.com/posts/9609</guid><pubDate>Sun, 29 Mar 2026 18:26:20 GMT</pubDate><content:encoded>⁣&lt;br /&gt;&lt;b&gt;&lt;i&gt;&lt;b&gt;📰&lt;/b&gt;&lt;/i&gt; 行业导向的Agentic AI架构之道&lt;/b&gt;&lt;br /&gt;&lt;br /&gt;过去两年，生成式AI的奇迹已被广泛认识，但在企业级应用中，通用的大脑往往难以直接适配具体专业岗位。Agentic AI因此应运而生，专注于完成特定任务和复杂问题解决，尤其在需要跨系统海量数据交互、决策具有主观性时更具优势。企业落地需以行业需求为导向，只有深入场景、找准真实问题，才会形成合适的架构。文章从医疗、零售、金融三大行业揭示了不同架构演化路径：医疗以编排器为核心，将分散数据通过“护士长”式的Agent编排实现主动管理与个性化旅程；零售以工作流与工具链的专业Agent串联，确保高并发下的准确性与速度，提升转化率；金融则通过多智能体协作与共享记忆池，解决Agent孤岛问题，强调统一语义层与治理。落地路径上，AIDLC成为核心理念，即用AI构建AI，分为构想、构建、运维三个阶段，推动从写代码到生成代码的转变，并以Mob Programming实现高效协作、快速迭代与大规模部署。最终，决策者需建立清晰的价值模型，评估隐性成本与收益，确保数据安全与权限控制，从而实现长期、稳健的价值释放。&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🏷️&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;/search/%23AgenticAI&quot;&gt;#AgenticAI&lt;/a&gt; &lt;a href=&quot;/search/%23AIDLC&quot;&gt;#AIDLC&lt;/a&gt; &lt;a href=&quot;/search/%23%E5%A4%9A%E6%99%BA%E8%83%BD%E4%BD%93&quot;&gt;#多智能体&lt;/a&gt; &lt;a href=&quot;/search/%23%E7%BC%96%E6%8E%92%E5%99%A8&quot;&gt;#编排器&lt;/a&gt; &lt;a href=&quot;/search/%23%E5%B7%A5%E4%BD%9C%E6%B5%81&quot;&gt;#工作流&lt;/a&gt;&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🔗&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;https://www.mycaijing.com/article/detail/563205?source_id=51&quot; target=&quot;_blank&quot;&gt;原文链接&lt;/a&gt;</content:encoded></item></channel></rss>