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。
阿里巴巴高级技术专家杨林枫已确认出席 “AI Infra：算力效率决定规模化落地” 专题，并发表题为《从算子调优到推理自治：构建 MaaS 场景下的 AI Inference 自动优化闭环》的主题分享。
MaaS 业务中的模型、硬件和请求工况变化较快。
传统的部署调优和算子优化依赖人工完成需求分析、性能定位、算子开发、验证及上线，优化周期难以跟上生产负载的变化。
本次分享将介绍一套面向 MaaS 生产场景的自动优化流程：给定卡型、模型和典型工况，探索合适的部署配置；从实际运行 Trace 中识别热门算子，并结合当前工况判断是否采用已有的算子融合模式；对典型工况进行归并、清洗、脱敏和泛化，生成可复现的 Benchmark；再由 Atrex Kernel Agent 通过 Agent Loop 完成性能分析、代码生成、验证和持续优化；最后将优化结果回接推理框架，进行端到端性能回归和灰度验证。
分享将重点介绍算子优化，以及各环节之间如何衔接。
杨林枫，阿里巴巴高级技术专家，斯坦福大学博士。
长期从事 AI 软件栈、AI 编译与算子编译工作，是开源 AI 框架 MindSpore 核心贡献者，曾主导昇腾算子编译器 SWFT 的设计与研发。
现聚焦大模型推理、GPU Kernel 自动生成与长周期智能体工程，是 Atrex Kernel Agent 核心研发者，相关实践支撑阿里百炼 MaaS 大规模 GPU 集群的性能优化。
也曾支撑 Qwen3.8 获得 NVIDIA SOL-ExecBench FlashInfer 算子优化榜首。
他在本次会议的详细演讲内容如下： 演讲提纲： 为什么 MaaS 推理优化需要自动化 MaaS 场景中的模型、卡型、请求工况和部署配置持续变化 传统流程依赖人工完成需求分析、性能定位、算子开发和框架集成，整体周期较长 单算子 Benchmark 的优化结果不一定能转化为端到端收益
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接