汇总内容概览

谈一下这几天自己写代码的感受，现在自己的工作的内容越来越偏向写markdown的需求描述，类似于PM项目经理了，通过自行梳理需求和目标的定义和规划。听了Qoder、Trae等分享，未来大模型能力、skills、Multi-Agent、ContextEngineering等不断迭代，未来入门的门槛越来低，但是不会抹平人与人之间的差异。只有使用越多，理解越深刻，才能比其他人使用的更好，得到的结果也会更好。

AI时代信息大爆炸，很多方向和内容也是知识信息大爆发，多了解丰富自己的知识范围，找到适合自己的工具方向。pdf下载地址：https://www.wesee.club/archives/1135/

本文内容通过OpenCode 读取 pdf 文件总结的2025年12月 AICon 北京站大会文档按9大技术领域分类整理了所有演讲的核心要点，现在QCon大会的有些演讲内容还是比较有收获的。对于总结内容大家还是作为分类了解大概情况，对于PDF中的内容还是可以仔细研读一下。

一、AI Agent技术体系

企业级多智能体框架（tRPC-Agent）：架构设计、核心组件、业务实践
Agent能力分级：五级能力模型、专家级Agent演进
多智能协同：嵌入核心业务流程的工程化设计

二、模型优化与推理技术

KVCache优化：计算层、调度层、架构层面的优化技术
多平台大模型量化推理：从FP32到INT4的量化演进
LightLLM高效推理：TokenAttention、Past-Future Scheduler

三、端侧AI与智能终端

OPPO端侧部署：L0剪枝、QALFT量化感知微调、AndesVL多模态
小布智能助手：MCP集成、AgenticModel
荣耀推荐广告：YOYO助手、ROI提升

四、RAG与知识管理

RAG到Context Engineering：动态上下文机制、湖仓一体架构
智能文档处理：从AI辅助到AI驱动的演进
面向智能研发的知识引擎：知识类型、处理流程、DeepSearch

五、GUI Agent

GUI Agent核心能力：感知、推理、行动、检查四大能力
GUI感知技术：OCR、视觉大模型、跨平台挑战
ReAct模式：推理与行动的循环

六、AI Coding与开发工具

AI Coding现状：GitHub Copilot、Cursor、DeepSeek等工具生态
Coding Agent实践：从辅助到自主的演进
Responsive Coding Agent：人机协同的新模式

七、AI应用与行业落地

AI Native用户增长：重新定义增长、用户分层、精细化运营
智能诊断系统：数据驱动、多智能体协作、生产环境实践
技术方案生成Agent：基于RAG的智能方案生成
游戏创作AIGC：混元大模型在游戏领域的应用

八、AI Scientist与自我演进

AI Scientist三重境界：工具→助手→科学家
Dynamic Context Mechanism：上下文动态优化
Action Manual构建：PE-PR循环、自我演进

九、企业AI转型与实践

AI Ready转型：顶层设计、组织保障、平台化思维
人机协同：构建10x组织效能
多智能协同：嵌入核心业务流程

🎯 核心要点亮点

技术发展趋势：

Agent化：从辅助到自主，从单Agent到多Agent协作
端侧化：隐私保护、低延迟驱动
工程化：从实验到生产，工程化能力是关键
标准化：协议和接口标准化成为趋势

实践成功要素：

场景选择：从痛点出发，聚焦"小而精"
人机协作：AI与人类协同比纯AI或纯人工都更高效
数据驱动：高质量的数据是所有AI应用的基础
持续迭代：技术快速迭代，保持学习和优化
价值导向：每一项技术投入都指向具体的业务价值

📊 数据支撑

GitHub Copilot：50%+市场份额
Cursor：25%市场份额
tRPC-Agent：120+应用实例
Zilliz/Milvus：41K+ GitHub Stars, 100M+ Downloads
OPPO端侧AI：推理速度从几十tokens/秒提升到240 tokens/秒

附录

A. 开源项目与资源

tRPC-Agent：https://github.com/trpc-group/trpc-agent-go
Milvus：最广泛使用的开源向量数据库
LightLLM：高效大模型推理系统
Mooncake：KVCache优化系统
Zilliz Cloud：全托管向量数据库服务

B. 关键术语表

KVCache：Key-Value Cache，存储注意力计算的中间结果
RAG：Retrieval Augmented Generation，检索增强生成
LLM：Large Language Model，大语言模型
Agent：能够自主推理、规划和执行复杂任务的智能系统
LoRA：Low-Rank Adaptation，低秩适应微调方法
Context Engineering：上下文工程，管理和优化AI系统的上下文
MCP：Model Context Protocol，模型上下文协议
A2A：Agent-to-Agent，智能体之间通信协议
GQA/MQA：Grouped/Multi-Query Attention，注意力机制优化
PagedAttention：分页注意力管理