2026年1月

关于上海 2025 年的 QCon 会议

2025 QCon Shanghai 大会主题是：大模型正在重新定义软件 Large Language Model Is Redefining The Software，可以认为本次峰会约等于 AI/LLM 峰会。
官方站点：https://qcon.infoq.cn/2025/shanghai，会议日程以及材料参考：

可以从四个大的方向去看会议的组织和业界的思考：

  • 底层超级数据中心相关
  • 多模态据处理相关（摄入、处理、训练、管理和治理等等）
  • AI/LLM 相关的安全和隐私
  • 大模型（LLM）、智能体（Agent） 和智能体化应用（Agentic Application）的发展演进，和在各行各业的运用

Day 1 - 10 月 23 号

23 号上午日程

  • 开场致辞
  • 从 AI Infra 到 Agentic Infra：智能体时代的基础设施革新
  • Next-Generation Software Development: Challenges, Best Practices, and Future Trends：推荐，AWS 的观点在 AI Agent 以及 AI IDE 和研发方法论等，主要是三个重点 1）新兴技术：Coding Agent 和 Formal Verification  Coding ；2）Agent 协助下的研发方法：Spec-driven-development ；3）下一代技能：更好的沟通交流和结构化的输出，为人类和 AI 所能理解（给 AI 提效）
  • 让 AI 不止回答问题：企业级 Agentic AI 重构智能生产力

23 号下午日程

  • 混沌工程与全链路压测：如果本身方向和软件测试相关，推荐看看国内大厂蚂蚁是如何做全链路压测的，以及相关的流程体系和平台
  • 基础设施开源技术架构的挑战与未来
  • 从一流技术到一流管理：软性的东西，无论对错，推荐读读，也思考一下对方的观点，很多时候无关对错，是所在的环境以及位置决定了当下的想法和思考
  • 大模型推理工程实践
  • AI 与跨端的高效融合：推荐，特别是前端选手们可以好好看看
  • 企业级Agentic AI - 从数据和大模型到企业智能解决方案专场：Snowflake 专场
  • The Next AI IDE：重构开发想象力解决方案专场：推荐，Coding Agent - Kiro 和其他，都在谈 Spec-Driven-Development （SDD），可以看到这是业界的一些共识做法，推荐这个文章 Understanding Spec-Driven-Development: Kiro, spec-kit, and Tessl

Day 2 - 10 月 24 号

24 号上午日程

  • Agentic AI：智能体化的 AI 的方方面，内容很多很杂，个人有兴趣推荐挑着看看
  • 加速与反哺：AI 时代的可观测实践：基于大模型、智能体、和智能体化应用如何构建可观测性平台，也有大模型训练过程中如何观测底层基础设施
  • 多模态融合技术与创新应用
  • 具身智能：当 AI 学会“动手思考”
  • Data Infra for AI：多模态数据湖的底层技术平台的研发和方向（比如：字节和阿里云），如果是研发相关，或对这一块有兴趣，可以看看
  • AI 双引擎：业务增长与安全重构：有安全相关的话题，如果是该领域的，推荐看看

24 号下午日程

  • Agentic AI：和上午主题类似，下午的几个话题更贴近研发
  • 加速与反哺：AI 时代的可观测实践：和上午主题类似，如果该方向，强烈推荐挑一些看看
  • AI 中间件：加速智能应用开发
  • 从“炫技”走向“实用”的 AI 产品
  • 大模型驱动的智能数据分析：推荐喜马拉雅基于多智能体架构和技术构建 ChatBI  的分享
  • 火山引擎 AI Coding 技术实践：字节火山引擎专场，如果是研发方向可以看看
  • HarmonyOS 开发者技术分论坛

Day 3 - 10 月 25 号

25 号上午日程

  • AI 搜索技术的深水区
  • Vibe Coding：推荐，Coding Agent/Vibe Coding 相关
  • 端侧大模型的创新与应用
  • 大模型驱动的制造革命：推荐第一个 session，关于行业（也特别提了汽车行业）在采用 AI 方面的一些现状，从咨询的视角
  • 金融大模型的工程化实践

25 号下午日程

  • AI 搜索技术的深水区
  • AI4SE：软件研发提质增效实践：强烈推荐，AI  如何促进软件研发提质和增效，从需求相关的知识工程、到研发、代码审查和运维，分别阐述了在研发整个生命周期中如何利用大模型和 AI Agent（AI  不是万能，但是科技浪潮下没有考虑是万万不能的）
  • 模型训练与微调
  • AIGC 重塑内容新生产力
  • 大模型安全：当 AI 学会欺骗 AI：安全相关，如果是该领域，推荐看看

小结

  • 超级计算中心蓬勃发展（包括硬件和软件，以及物理设施和电力），NeoCloud 众多玩家
  • 多模态数据和相关技术的演进，促进从结构化数据走向多模态数据的价值挖掘
  • 隐私和安全有了新的命题
  • 企业都在各个方向上积极尝试各类大模型（通过自训练、微调或 RAG）、以及自研智能体和智能体化应用

数据中心和 NeoCloud

大模型训练和推理对于算力的需求包括对算力的有效管理，催生了超级数据中心（超节点）的爆发式增长，NeoCloud 方向上已经有好几个大的玩家：CoreWeave, Nebius, 和 Applied Digital 等等，国内还是以几个大厂为主，但是数据中心的需求（包括电力）也在大规模增长中。

A "neocloud" is a new generation of cloud provider specializing in high-performance computing (HPC) and artificial intelligence (AI) workloads, differentiating itself from traditional hyperscale clouds by focusing on raw GPU power. These providers offer optimized infrastructure, often through a GPU-as-a-Service (GPUaaS) model, that is built for demanding tasks like AI model training and inference, providing faster, more flexible, and potentially more cost-effective solutions for AI-specific needs.

这一层离我有点远，如果有兴趣可以进一步推荐听听这个播客了解一下数据中心发展：E212｜AI数据中心的万亿大基建时代：美国GDP增长全靠它 - 硅谷101

- “2025年上半年，美国GDP增长几乎全部来自于数据中心与信息技术。” 
- “如果去掉信息技术与软件，美国GDP增长率仅有0.1%。” ——哈佛大学经济学家杰森·弗曼（Jason Furman）

多模态数据和多模态数据湖发展

  • 为什么多模态数据如此重要？大模型的发展，统一了数据的处理（An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale这个论文作为开端），实现了文生图和文生视频，对企业来说，有强烈诉求（当然业界也在推动“鼓吹”）挖掘更多多模态数据的价值，从结构化数据（当然过去也提半结构化、非结构化数据，不同数据处理方式是不同的）走向多模态数据价值挖掘，采用和过去不同的技术手段
  • 基于 Lance 构建多模态数据湖是国内大厂都在走的技术方向（没具体了解过 Snowflake 的技术路线）

隐私和合规

•治理（隐私合规方面）
•运行时的安全（内容和信息安全、权限控制等等）
•使用时的透明性
•技术上的更多管理和治理的实现，会和目前的技术手段不一样，比如：Agent 的权限，MCP 服务的认证授权，AI 流量的治理等等（推荐一篇文章：Envoy AI Gateway 现已支持 Model Context Protocol，可以看到 Envoy 推出了 AI Gagteway，也在持续增强，可以对 MCP 做治理/管控）

更多也可以参考 Agentic AI and Security

LLM, Agent and Agentic Application

结合大模型不断增强和演进，如何构建上面的体系以及产品应用，通过 QCon 可以看到：

  • 模型层的微调和外挂（RAG），当然不少大厂也有自己训练模型，但更多是微调和 RAG
  • Agent（从 Prompt Engineering 到 Context Engineering，从单 Agent 到多 Agent，从 Supervisor 到 Swarm 多 Agent 架构，演进到不断自主学习进化型）
  • 应用层（研发，运营，运维，企业增强自身产品和客户）方面依托模型和 Agent 的构建，单点上（MR review）、某些点（Coding Agent，SREAgent）、某方面端到端（知识工程）的探索尝试，是一个一定的趋势和共识，上层的更多应用构建，其实和企业自身情况密切相关，不能一概而论

巨头崛起

上面谈了不同的 4 层或 4 个方向，单纯从大模型看是最贴近数据中心层，但是从现实来看，无论是那家大模型公司，都是从底层到上层进行“通吃”，联合不同厂商建数据中心、合作定向采购 XPU（GPU、TPU、DPU、PPU ...）、不断训练新一代大模型、推出各类上层的 Agent 或 C 端/B 端应用。

下图来自 https://x.com/aakashg0/status/1987368814665998372, 说的是 Google 是唯一的全栈，但是可以看到不同的巨头都在往全栈奔赴。（下图中 4 层的定义和我上面的 4 层说法有些差异）：
#A 111,111.png

最后，传统企业在 AI 时代如何选择？个人的一些想法如下：

  • 利用 AI/LLM，对内提质和提效，对外提升客户，端到端全链路思考，但一定不是全面铺开
  • 不需要训练自己企业的大模型
  • 需要有微调模型，结合 RAG，打造懂企业自身的 Agent；不是一个 Agent 解决所有问题，而是多个 Agent 解决不同问题；模型和 Agent 不只是面向软件研发，可以深入制造工厂
  • 对于多模态数据，需要思考多模态数据到底能给我们带来什么样的价值？企业内部如何统一处理多模态数据其实更多是组织架构和内部政治的挑战，需要内部从业务场景出发的推动，业务驱动数据来提供更多的价值
  • 需要考虑组织架构和管理体系的演进，以及工程化管理的重新思考，特别是单点上要争取早日尝试，提质为首要目标，提效（以及提量）是提质的结果和 AI 时代的必然 ，组织体系、研发流程和工程管理是演进成功的关键，如果只是试图从工具和技术层面解决，一定只是单点上的突破，重要但不应该是企业 的终极目标；过程中，人的角色如何界定，是不是要打破更多的边界，去掉既定角色，向着人人都是 Builder 演进为端到端的结果负责？
  • 利用 AI 提升客户体验，是个难题，相比解决内部的制造和工程问题，不要只是狭隘的理解直接面对客户就是提升客户体验，其实提升内部服务质量和效率一样是提升客户体验

本周观影

  • 《怪奇物语》第四季：三条线并行推进（编剧真牛），El 被霸凌并被送去恢复超能力和 Jonathan/Mike/Will/Lucas/Argyle 一伙远程 mind fight，同时交代了 001 的整个来龙去脉；Hopper 在 Joyce/Murray 帮助下逃出大鹅堪察加监狱加入反击战，Dustin/Nancy/Robin/Steve/Max/Lucas/Eddie 一伙探寻真相和入口进行反击；El 真心不容易，Hopper 是个可怜的家伙
  • 《浪浪山小妖怪》：折射当下社会的动漫，到底是不是好的动漫，每个人的看法都不一样吧，我有点犹豫，推荐看看

本周播客

  • NA

本周胡思乱想

  • 回公司上班了，继续解决人的问题，希望下周有个明确的结论
  • 工作上很多时候纠结是因为和自己的预期和理想不一致，而且也感觉无聊（这个其实也是自己的预期），导致会时不时想走出另一片天地和另一个方向

本周文章

https://x.com/geekplux/status/2008348709180895733 一个感兴趣的 thread，讨论关于如何协作，AI coding 时代，里面有不错的一些实践

1、面向 AI Coding Agent 的研发文档，包括组件库和各种研发规范，以一个 npm 包的形式对外提供，在 post-install 时向工程安装 docs 包以及 
http://
AGENTS.md 作为整体索引，引导 AI 按需加载不同层级的文档，最近这套方案在向 SKILLS 演进
2、SDD 流程，以 Qwen Code CLI 为基底封装了一些业务命令组成研发 SOP，AI 生成代码之前根据 PRD API 文档 设计稿截图等信息，按照一定的格式规范生成一份 
http://BLUEPRINTE.md ，作为给 AI 使用的技术文档，迭代过程中也会不断让 AI 更新这份文档

一个很核心的实践是 spec-driven，目前我用 openspec+codex5.2 模型，跑的非常不错，也非常有信心把代码交给其他同事让他在 specs 上接着开发，openspec 会处理好既定事实。另一个是让 AI 定义好模块边界和 DTO（或者说是模块之间的接口），代码质量和和可验证性提升 10×不止

切分任务：尽量保证每个任务的独立性和完整性，任务之间不要有过多耦合，同时完成的任务要有详细的记录文档；context 共享和减少重复 vibe 组件：其实是同一件事 — 建立 & 维护公共组件库和知识库；Guardrail：通用的 linter, formatter；后端偏重单测，前端偏重 E2E 以及通用方法和组件的单测

基于 md 作为长期记忆基础放到 git 进行多人共享，整个项目有一个大的架构框架，定义好公共层和业务层，涉及到公共策略部分大家 follow 同一套规范。细分场景各自维护，不和其他人有比较多的耦合，但如果某个设计可能大家都会用到的，内部讨论，抽象出一套规范落到规范文档 md 里。本质就是骨架统一，细分领域隔离。

继续上周的话题，看 2025 的年度总结：

书单，看看有没有自己感兴趣的：

为什么心肺复苏技能值得学习 | 默默小屋

这个还很有用，心脏复苏以及 AED 设备，有机会要报名学习一下

Steam, Steel, and Infinite Minds，原文 https://x.com/ivanhzhao/status/2003192654545539400

还是如何解决 Agent 以及大规模采用的问题。

推荐读一下 Notion CEO 这篇内容，关于 AI 为什么首先在编程领域爆发，他的解释很好。
知识工作的两个瓶颈：上下文分散和可验证性，这点分析得很准。
这就是为什么程序员最先受益，因为他们的工作环境天然解决了这两个问题。
其他知识工作者要等到什么时候？可能取决于谁先把散落在几十个工具里的上下文整合起来。

昨天忘记发了，今天周一发上周的。

本周继续在云南，周六返程回家，云南走了昆明（去回路过，去了滇池）、自驾到了弥勒（呆了 2 天，翠湖和东风韵不错）、建水（古城，古城走走挺舒服）、普洱（最喜欢的地方，推荐中华普洱茶博览苑）和西双版纳（景洪，推荐曼听花园、总佛寺、大金寺和民族博物馆，以及原始森林公园也不错，没去大佛寺和中科院植物园，下次有机会补上），来回共计 10 天，行车总计 1000 多公里（里程表 89447-88398 = 1049 公里），个人最推荐普洱，天气暖和但不是很热，漂亮的自然风光（风光旖旎的普洱茶园，也有不错的梅子湖公园，咖啡好喝也不贵，咖啡庄园没去，看网上推荐也都不错），人也是很多，版纳是人太多而且下午很热，从我去的告庄（有大金塔寺）、总佛寺、曼听花园、原始森林公园、民族博物馆来看，依次推荐曼听花园、总佛寺/大金塔寺、民族博物馆和原始森林公园；自驾的建议，云南昆磨高速、天猴高速很多路段时上下坡和弯道非常多，而且是不是会有大雾，开车不太好开，需要非常注意行车安全；吃方面，反而是昆明最便宜，人多旅游的地方都不便宜，特别是西双版纳景洪那边还被一家店误导坑过，店评有帮助但还是不要太过相信网络。

本周观影

  • 《怪奇物语》第二季：推荐，和第一季一样好看，Will 总算熬过来，后面看剧情有个埋伏看似是 Dustin 要受难了，Mike 和 El，Lucas 和 Max，Jonathon 和 Nancy，一对又一对啊，El 还找到了 008 的印度姐妹，离奇的去做了把反社会分子，又突然反省回到 Jim 和小伙伴身边，封了门，Bob 死的可惜，The brain 厉害，Joyce 命运多舛啊
  • 《怪奇物语》第三季：推荐，可怜的 Billy，Hopper 生死未卜，邪恶的大鹅

本周播客

  • NA

本周胡思乱想

  • 在旅途中，最大的感受是带着老的出门，需要自己极大的耐心和兼容性，幸好我还算做到了一点了，这次出门这么多天也基本没啥冲突
  • 投资很重要，但当下提升自己是更为重要，比如：对于 AI 相关技术的持续学习，探寻其他工作方向和机会的可能性

本周文章

到年底了，以下关于 2025 我关注的或看到不同渠道有人推荐的不同博主的总结，这是我个人每年喜欢看的一个系列，看看他人的思考和回顾，也是对我个人的启发，同时不同方向，比如：书、设备或游戏，也能给我一些指引：

  • 2025 Recap：因为热爱，所以创造，因为创造，所以热爱。“今年买了超过 600 张黑胶，我希望做谜底黑胶这个产品的人，懂音乐、懂黑胶，继续为世界各地近一千万人带去新的体验。”
  • 2025 Review - All in AI：关于 Coding with AI 的一些思路，99% 代码是用 AI 生成的，还是很震惊，毕竟是数据库方向的研发啊
  • 2025 年末回顾 - Anything different is good：厉害的，有想法的年轻人，年轻也是有足够多的试错机会，特别是工作方面
  • 2025 年终总结：又是一个厉害的年轻人，我当初完全没有这样的能力和思考
  • 2025 重新定义的生活：写的好长，羡慕年纪轻轻就生活在 SG 而且有想法有能力
  • A Year Of Vibes：对于 Vibe Coding 需要有新的解法部分总结的挺好，再看看思考一下，到底是不是
  • 写在 2025 年结束前：一直保持关注这个博客，佩服其毅力和能力，提到这一点也是给我启发，方向对了，不会走岔路，更多的是执行：“对于即将到来的 2026，我不打算列出一份详尽的愿望清单。我只会给自己定下几个简单的航向，然后把更多的精力放在每一天的具体执行，和年终那一刻的复盘上。”

雪球上的年度总结相关的一些文章：

  • 小卡叔的2025年投资总结：普通人白手起家在股市赚一千万难不难？：很专业的投资达人了，主要方向是可转债，对于我来说是个门外汉，是我能力范围之外的，学不来，而且目前来说也做不了这个方向，因为需要大量的时间研究分散仓位和轮转；不过文中所说的思路、建议和个人思考，无关于特定领域，是大道理，普适的。

    • “财富可以让我们生活过的不拮据，财富可以让我们不去妥协生活中本不需要妥协的事情，财富可以让我们在家人遇到困难时挺身而出。当我们想清楚的了财富的意义，才会更认真的对待获取财富这件事，才会不把投资理解成赌博的另外一种形式。”
    • “理解投资慢就是快，理解投资积小胜求大成，接受滚雪球的意义，才是普通人投资真正的起点。”
  • 2025总结：丰年当思饥馑，艳阳仍秉初心（01.01）：
  • 2025 年个人投资总结：“确立以分散、低估、分红为核心的投资逻辑，逐步形成适配自身的投资，坚定长期赢导向。” “坚持学习，持续大量信息输入。”，这些提法我也是类似的想法，雪球上继续关注，以及关注了其提到的一些人，当然后续保持精简。
  • 2025年投资反思及2026年投资展望：“2026年投资展望：1、防守第一，谨慎，2025年在全年控制60%到70%仓位的基础上，2026年保持五成以下仓位。2026年的投资预期8%到10%。2、老登风格演绎到极致，投资风格坚决不漂移，还是以高股息为投资第一要素，适当找一些行业拐点的个股。3、选股的方向，出海为第一选择，尽量不选内循环的个股。行稳致远 慢慢变富。”
  • 2025总结：丰年当思饥馑，艳阳仍秉初心（01.01）：“设定符合策略逻辑的收益预期（8%-12%），搭建与之匹配的资产组合（股债配比、宽基打底、行业为辅、国内与国外齐飞）。淡化短期波动干扰，减少情绪化操作，将精力聚焦于策略优化、纪律执行与行为管理（制定标准化工具表格，并严格实施）。投资之道，不在朝夕之间的得失，而在于能否在漫长的市场周期中，始终如一地践行一套符合常识、适配自身的简单规则” 这段里面展示的逻辑结构和投资思路，可供参考，沪深 300 和 A50 相关的宽基是其底层资产，同时也考虑结合行业，以及国内外。