AI热榜 从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！
推理模型持续突破能力边界，Coding Agent 深度参与研发流程，Agent Runtime、Agent Framework 快速演进……AI 正在从回答问题的模型，演变为能够自主规划、调用工具、执行任务的软件系统。
AI 不再只是软件中的一个能力，而开始成为软件系统的一部分。
这意味着软件工程面对的挑战也发生了变化：团队需要思考的不再只是如何训练模型、模型、部署模型 或优化 Prompt，而不是如何让具备自主能力的 AI 稳定、可信、可控地运行。
模型决定 AI 能做什么，系统决定 AI 能否真正创造价值。
在这一背景下，2026 年 QCon 全球软件开发大会大会 · 上海站正式启动。
本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。
香港科技大学助理教授袁彬航博士已确认出席 “AI Infra：算力效率决定规模化落地” 专题，并发表题为《让 Agent 越用越强：AReaL 2.0 构建 Agent 在线强化学习闭环》的主题分享。
随着 Coding Agent、企业智能助手等 Agent 应用进入真实生产环境，如何让 Agent 在持续使用过程中不断提升能力，成为下一阶段的重要挑战。
传统 Agent 系统产生的大量交互轨迹、工具调用记录和用户反馈通常仅用于日志分析，难以转化为模型能力提升的数据闭环。
本次分享介绍 AReaL 2.0 如何构建面向 Agent 自演进的在线强化学习基础设施。
方案通过 Agent 轨迹协议、数据代理层和演进控制平面，将真实业务交互转化为可训练、可回放、可治理的数据，并通过微服务化 Agent-Compute 架构，实现无需重构原有 Agent 即可接入 Online RL。
在 Hermes Agent 和软件工程 Agent 场景中，该方案支持大规模并发环境、异步训练和持续优化，使 Agent 从“一次性执行系统”逐步演进为“持续学习系统”。
袁彬航博士，香港科技大学（HKUST）计算机科学与工程系（CSE）的助理教授。
他在莱斯大学（Rice University）获得博士学位和硕士学位，并在复旦大学获得学士学位。
在加入香港科技大学之前，他曾在瑞士联邦理工学院苏黎世分校（ETH Zurich）担任博士后研究员。
主要研究方向包括大语言模型服务系统，面向机器学习的数据管理系统，以及分布式和去中心化的机器学习系统。
他曾经获得 2019 年 VLDB 最佳论文提名奖，2020 年 SIGMOD 研究亮点奖。
他在本次会议的详细演讲内容如下： 演讲提纲： 1.
Agent 为什么需要从执行闭环走向学习闭环 分析当前 Agent 在工具调用、任务规划方面的发展，以及真实生产环境中“无法持续变强”的核心问题。
介绍线上 Agent 产生的多轮交互、工具调用、用户反馈等数据为何无法直接用于训练。
面向 Agent 自演进的新型 RL 基础设施设计：
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接