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。
阿里云技术专家张鑫已确认出席 “Harness Engineering：模型之外的智能体工程” 专题，并发表题为《为什么 AI Agent 拿到数据却不会推理？
可观测对象图语义层的设计与开源实践》的主题分享。
把 AI Agent 接入企业系统时，主流做法是堆 RAG 或把数据塞进上下文。
但可观测数据天然是分散的指标、日志、拓扑、变更——Agent 拿到的是碎片，回答不了“谁影响了谁”“为什么慢”“这次故障谁的锅”。
本质问题不是数据不够，而是数据没有“意义”。
对此，本次分享提出一条不同路线：先建一层可观测对象图语义层，把实体、关系、拓扑、指标、日志统一成 Agent 能查询、能多跳推理的上下文，并讲清它与 OpenTelemetry / Prometheus / CMDB 是补充而非替代。
技术上覆盖三块：统一的 SPL 查询面（一套契约同时服务人、CLI、Web、REST 与 AI Agent）；通过 MCP 把对象图安全暴露给 Agent；以及专为 Agent 设计的 plan/data 查询契约与紧凑响应信封。
在本次演讲中，张鑫将对此展开详细介绍。
张鑫，阿里巴巴云原生应用平台可观测技术专家，Apache SkyWalking PMC 成员，专注可观测 10 年。
现负责开源项目 UnifiedModel，主导面向 AI Agent 的可观测对象图语义层设计与开源。
他在本次会议的详细演讲内容如下： 演讲提纲： 为什么“更多数据 / 更大模型”解决不了 Agent 的可观测问题（含踩坑） 三种常见失败模式：直接把日志/指标塞进上下文、纯向量 RAG、给 Agent 开一堆领域专用 API 踩坑实录：碎片化导致 Agent 看不到关系、token 爆炸、关系靠 LLM 脑补产生幻觉根因 结论：缺的不是数据量，是“对象图 + 关系语义”这一层
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接