⁣
📰 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。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。

🏷️ #AI #编码 #大模型 #上下文 #异步

🔗 原文链接

⁣
📰 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。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。

🏷️ #AgenticAI #AIDLC #多智能体 #编排器 #工作流

🔗 原文链接