QCon AI Boston 2026 标志着一个转折点。我们花了过去几年学习构建 AI 代理。现在的问题是如何在它们上线后安全、可靠地运行它们。几乎每场演讲都回归同一个主题：代理迫使团队围绕它们构建真正的生产基础设施。

OpenAI 的 Martin Spier 在开幕主题演讲中定下了基调。他的演讲聚焦于性能，但并非狭义上的“让推理更快”。在推理之前有一个安静的阶段，产品需要让对话对模型可用：提供足够的上下文以提供帮助，同时进行足够的裁剪以保持速度。换句话说，即使模型很快，产品层面仍有大量工作要做才能使其更快。

“基础变得更加重要。”
Martin Spier 的“在 AI 开发加速的同时保持 ChatGPT 的快速”

这一视角很好地贯穿了整个会议。围绕代理的工作正变得不再那么闪耀。它正在变成决定系统能否经受真实用户考验的枯燥基础设施工作。第一个反复出现的趋势是上下文和代理基础设施上升为独立的平台层。团队正在从单一用途的应用转向共享系统，用于处理上下文、工具访问、身份和状态。这正是上下文工程、MCP 网关和语义工具目录等概念开始被视为核心基础设施的地方。而作为核心构建块，它们需要负责人和契约。

“精确性 + 安全性 + 成本”
Fabiane Nardon 的“为 AI 代理构建数据层：从事务系统到 MCP 和语义模型”

“上下文工程不是功能，而是架构。做好这一点，其他一切都会变得更容易”
Ricardo Ferreira 的“超越提示：生产级 AI 的上下文工程”

“拥有状态。排序变更。证明操作”
Vinoth Govindarajan 的“代理 Harness：生产级 AI 代理的控制平面、不变性和审批边界”

第二个趋势是信任——从提示级防护措施转向可信执行，即 harness。随着代理获得对工具和文件的访问权限，安全性不能再依赖提示中的指令。Harness 是围绕模型的系统。工具可以在用户看不到的情况下运行，因此生产系统需要明确的状态所有权、有序写入、审批边界和真实的审计追踪。问题不再是代理是否给出了好的回答，而是系统能否证明采取了什么行动、由哪个组件执行，以及在哪些约束和权限下执行。

“最有效的组织会做两件事：

  1. 全面改进整个 SDLC 中的 AI 使用
  2. 解决限制成果的瓶颈”

Lizzie Matusov 的“工程组织中 AI 成熟度的五个阶段——团队卡在何处以及原因”

“尽早制定策略。围绕客户构建。掌控公司契合面”
Siddharth Kodwani 和 Swaroop Chitlur 的“在 DoorDash 构建 GenAI 平台”

第三个趋势是 AI 采用本身正在成为一种工程运营模式。一旦使用范围扩大，枯燥的问题很快就会出现：谁为此付费、谁可以调用哪些工具、故障会出现在哪里，以及团队如何从中学习？通过 API 暴露模型或给工程师一个聊天机器人是不够的。团队需要铺平的路径、共享的策略面、评估循环、可观测性、成本归属以及反馈机制，使正确行为比快速、冒险的行为更容易。

一个突出的主题是工程组织应如何看待评估。一次性测试可以捕捉明显的失败，但代理并不总是会在第一回合失败。单轮测试和静态基准对于使用工具、维护状态、携带上下文并在不同回合中表现不同的系统来说并不合适。因此，测试必须更接近产品的形态：对话、追踪、模拟、生产反馈。如果没有这些，测试可能会报告成功，而用户却遇到了基准从未测试过的失败。

综合来看，QCon AI Boston 2026 表明，生产级 AI 正越来越少地涉及提示工程，而更多地成为一个系统问题。难题正转向上下文、数据契约、LLM 和 MCP 网关、状态、评估、延迟、成本、可观测性，以及最终的安全和信任。模型周围的 Harness 现在与模型本身同样重要。代理可能说话像同事，但它们像软件一样失败，而良好地运行它们取决于平台工程和分布式系统中的旧教训。

关于作者

Tatiana Fesenko