AI热榜 Agent 时代，哪些方向正在成为行业关键变量？
50 + 实战案例揭晓答案！
模型参数规模不断突破，推理成本持续下降，开源生态日益繁荣。
当模型能力逐渐成为行业共识，一个新的问题开始浮现：当人人都能获得强大的模型能力之后，真正的竞争力还剩下什么？
答案正在从模型能力本身，转向围绕模型构建可规模化的智能系统；从单点能力提升，转向系统工程与组织级落地能力。
在这一背景下，2026 年 AICon 人工智能开发与应用大会 · 深圳站正式启动。
本次大会将于 8 月 21 日—22 日举办，聚焦 AI 基础设施、大模型系统、智能体工程、数据智能、多模态技术与行业落地等关键方向，邀请来自腾讯、阿里、华为、百度、蚂蚁集团等 50 + 头部科技企业技术负责人、科研机构一线专家，系统性分享前沿洞察与实战干货，共同探讨 AI 技术从能力到系统、从实验到生产的真实路径。
阿里云智能集团高级技术专家王璟尧已确认出席 “智能体时代的数据供给与治理” 专题，并发表题为《Quick BI 数据分析智能体的可靠工程实践》的主题分享。
数据智能体从"能对话"到"能信赖"，瓶颈从模型推理能力已逐渐转到数据的可理解性和系统的可控性上。
当分析场景从单一数仓的 ChatBI 扩展到多源异构数据的混合查询——Agent 面临的不再只是 NL2SQL 的准确性问题，而是"在大量的表、文件、内部知识中找到正确的那部分、用正确的口径、给出数据权限范围内可验证的答案"。
本次分享将基于 QuickBI AI Pro 的落地实践，围绕三个核心问题展开：第一，如何用 BI 语义层消除数据歧义，让 Agent 在海量异构资产中精准路由；第二，如何设计数据分析的 Harness 架构，让 Agent 在分析等行为上可编排、可溯源，并内嵌权限；第三，端到端评测闭环如何覆盖从意图理解到业务可解释性的全链路，驱动 Agent 持续进化而非漂移。
王璟尧，阿里云智能集团高级技术专家，10 余年数据产品建设和技术架构经验。
先后负责或重度参与了数据地图、MaxCompute 元仓、QuickBI、智能 小 Q 等产品的研发。
现任阿里云智能集团高级技术专家，负责 Quick BI 的研发工作，带领团队完成阿里巴巴分析 Agent 从 0 到 1 落地，在 BI+ AI 及数据 Agent 应用等方向上有丰富实践经验与理解。
他在本次会议的详细演讲内容如下： 演讲提纲： 1.
数据智能体落地的真实困境 几个典型失败模式 待解决的关键问题 2.
数据基础设施：语义层和数据质量
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接