专场出品人：李艳林
专场出品人：马龙飞 
阿里云智能中间件技术负责人
中国信息通信研究院 云计算与大数据研究所 云计算部 高级业务主管
Nacos 创始人，阿里云 MSE 创始人，阿里中间件上云负责人，阿里云资深技术专家。
作品：《AI 原生应用架构》、《Nacos 架构与原理》、《云原生应用架构白皮书》 关键作者。
履历：十年微服务研发经验，参与阿里异地多活架构演进，全链路压测，百万实例架构演进，全面上云，开源和阿里云等关键战役。
主要负责软件工程智能化、汽车、金融、低空经济等领域研究。牵头或参与编写《云上软件测试成熟度模型》、《云上智能体评测能力要求》、《汽车行业智能化成熟度模型》、《2023年度中国企业软件研发管理白皮书》、《2025年软件工程智能化标准体系建设指南》、《AIGC驱动Devops智能化应用研究报告》、《2025年AI技术在项目管理中的应用洞察报告》等行业标准和研究报告。具备多年软件工程&测试领域项目管理经验，发表云计算相关领域专利十余篇，软著十余篇。
AI 原生应用架构
随着人工智能技术的迅猛演进，尤其是大模型在理解、生成与推理能力上的突破，软件架构正迎来一场深刻的范式迁移——我们正步入“AI 原生架构”时代。在这一新阶段，软件系统不再仅由人类设计逻辑驱动，而是与 AI 模型深度融合，形成具备自适应、自演化与自优化能力的智能架构体系。
AI 原生架构与云原生体系如何深度融合？二者在弹性调度、服务治理与可观测性层面的结合点在哪里？如何构建覆盖观测、评估与模型训练的端到端数据飞轮闭环，实现 AI 能力的持续进化？面对大模型应用带来的安全风险与高可用挑战，又该如何在架构层面设计可信、稳定、可审计的智能系统？本专场将聚焦 AI 时代软件架构的核心命题，探讨从基础设施到应用层的协同演进策略与工程实践。



肖京(亦盏)
AI 原生应用架构探索与实践
阿里云智能云原生高级技术专家
拥有十余年微服务领域深耕经验，作为 Spring Cloud Alibaba 项目的发起人，在微服务架构设计、高可用系统建设等方面积累了深厚的技术积淀。现任阿里云微服务框架与治理团队负责人，主导了《微服务治理技术白皮书》和《AI原生应用架构白皮书》的编写工作。目前专注于 AgentScope 框架 Java 版本的研发工作，致力于构建面向 AI 原生应用的高效、可扩展的开发基础设施；同时深入探索 AI 原生应用架构的核心模式、工程实践与落地路径，推动 Agent 应用与云原生技术的深度融合。
AI 模型能力突破关键拐点，大模型成熟度推动智能体（Agent）技术爆发。AI 原生应用不再是传统软件叠加 AI，而是以模型为核心，通过多轮推理、工具调用与环境交互实现复杂任务闭环。
但新范式也带来核心挑战：开发阶段面临着业务效果与开发效率的问题，运行时面临稳定性、性能、安全合规与成本控制等多重挑战。
构建高效、安全、可靠的 Agent 系统离不开工程架构与 AI 中间件，本次演讲将围绕上述问题，分享 AI原生应用架构的探索与实践。

内容大纲
1. AI 原生应用架构定义
  1.     1.1 传统应用架构演进
  2.     1.2 AI 应用架构演进
  3.     1.3 AI 原生应用架构新范式
2. AI 原生应用场景与难点
  1.     2.1 AI 原生应用场景
  2.     2.2 AI 原生应用难点
  3.     2.3 AI 原生应用平台
3. AI 原生应用中间件
  1.     3.1 AI 原生应用 注册配置
  2.     3.2 AI 原生应用 AI 消息
  3.     3.3 AI 原生应用 AI 网关
  4.     3.4 AI 原生应用 AI 运行时
4. AI 原生应用架构实践
  1.     4.1 AI 原生应用 全链路安全
  2.     4.2 AI 原生应用 高可用治理
  3.     4.3 AI 原生应用 观测评估

听众受益
1. 了解 AI 原生应用演进趋势
2. 了解 AI 原生应用平台
3. 了解 AI 原生应用架构实践
邝炜瑞
开发更可控，部署更便捷：AgentScope 迈入1.0时代
阿里巴巴集团 通义实验室 高级算法工程师
目前在阿里巴巴集团通义实验室担任高级算法工程师，主要负责多智能体系统（Multi-Agent System）方向的研究。担任开源项目智能体运行时框架 AgentScope-Runtime 的负责人、 智能体开发框架 AgentScope 和联邦学习框架 FederatedScope 的核心开发者之一，致力于推动智能体运行时、多智能体系统、联邦学习及大语言模型相关算法的开源生态，同时在阿里云百炼为智能体算法提供支持。
随着大语言模型的广泛应用，智能体（Agentic Applications）的构建正从“让模型动起来”走向“让模型可控、可落地”。然而，开发和部署一个真正可用、可靠的智能体，远不止模型推理那么简单，还涉及工具调用、上下文记忆、跨会话管理、安全运行、实时干预等系统性挑战。
在本演讲中，我将介绍 AgentScope 1.0 ——一个面向开发者的开源框架，涵盖 开发（Core Framework）、部署（Runtime）、监控评测（Studio） 三层架构，提供全生命周期的生产级解决方案。听众将了解到如何构建结构化输出、具备长期记忆、灵活使用工具并支持 RAG 的多智能体系统，并通过面向部署的基础组件与可视化平台，将智能体从原型快速推向生产。

内容大纲
1. 智能体开发的新挑战
    1.1 从模型到智能体：趋势与痛点
    1.2 为什么“能跑”不等于“可落地”
2. AgentScope 1.0 三层技术架构
    2.1 核心框架（Core Framework）——智能体编程语言与模块化设计
          2.1.1 消息、模型、记忆、工具四大组件
          2.1.2 结构化输出与 RAG 集成
    2.2 运行时（Runtime）——生产级部署与安全沙箱
          2.2.1 容器化安全工具执行环境
          2.2.2 跨框架兼容（LangGraph / AutoGen）
    2.3 工作室（Studio）——可视化开发、监控与评测平台
          2.3.1 实时状态追踪与可观测性
          2.3.2 基准评测体系与指标管理
3. 核心技术能力升级
    3.1 实时介入控制：生产环境中的安全中断与动态流程调整
    3.2 高效记忆管理：短期语义压缩 + 跨会话长期记忆
    3.3 工具管理体系：注册、动态管理、并行调用
4. 应用案例演示
    4.1 Deep Research Agent：多角度信息检索与综合报告生成
    4.2 Browser Agent：基于 MCP 的网页交互智能体
    4.3 Meta Planner Agent：多智能体动态协作调度

听众受益
1. 理解生产级智能体系统的核心架构与设计理念
2. 掌握结构化输出、记忆管理、工具调度等关键技术
3. 学会利用 AgentScope 快速构建和部署多智能体应用
4. 获得开源社区资源与真实案例的参考
赵炳堃(秉钧)
AI 网关：AI 原生架构下的智能流量中枢
阿里云智能云原生高级开发工程师
目前在阿里云智能集团云原生中间件部门担任高级研发工程师，主要负责阿里云 API 网关、AI 网关的研发工作，是开源 A I网关项目 Higress 的核心开发者之一。曾负责阿里集团与蚂蚁集团的 RPC 互通网关，目前致力于打造业界领先的 AI 网关，推动AI原生应用架构新范式的落地。
随着 LLM 能力的不断提高，AI 应用规模化落地面临安全、性能、可靠性等挑战。A I网关作为 AI 原生架构中的关键基础设施，不仅提供统一接入与流量管理，更通过安全防护、性能优化、多模型容灾等能力，保障AI服务稳定运行。同时，它是模型能力与业务需求的连接点，支持如工具组装、语义缓存等创新能力，以及整个 AI 的可观测体系。本次分享将探讨如何通过 AI 网关，让 AI 能力更安全、高效地服务于业务创新。

内容大纲
1. AI 网关的发展与应用场景
    1.1 网关的演进历程
    1.2 AI 应用落地过程中的挑战 
    1.3 AI 网关的应用场景
2. AI 网关的核心特点
    2.1 可靠的安全体系
    2.2 极致的性能工程
    2.3 关键任务的可靠性保障
3. AI 网关的落地实践
    3.1 多模型代理与容灾
    3.2 MCP 代理与工具组装
    3.3 消费者认证与内容安全防护
    3.4 语义缓存
    3.5 AI 应用可观测体系

听众受益
1. 了解 A I网关的发展历程
2. 了解 AI 网关的主要特点与核心能力
3. 了解 AI 网关的一些落地实践
马云雷
从可观测到 RL：打造生产级可靠的长周期 Agent
阿里云智能高级云原生技术专家
13年可观测行业经验，先后参与日志采集、查询、计算、向量搜索、大模型可观测等多个模块的建设，从0到1参与可观测体系的建设。阿里云可观测日处理百 PB 级数据，秒级别查询百亿数据。目前专注于结合 Data + AI，探索 Data for AI 和 AI for Data 两个方向。基于多模态存储和检索赋能 AI 的预训练和后训练场景。在 AI for Data 领域，基于 Agent 的模式的 nl2sql 获得了 98% 的可执行率，在 Agent 的 Dev、Ops 上积累了实践经验，帮助打造更好的 Agent 数据基座。    
当前，我们正迈入“Agent时代” —— Agent 正逐步成为执行各类复杂任务的核心载体，从日常办公自动化到企业级决策支持，从个性化服务到多智能体协同系统，Agent 的应用场景日益广泛。然而，尽管 Agent 展现出强大的潜力，其在实际部署中的可靠性问题仍不容忽视：包括任务执行的稳定性、对异常输入的鲁棒性、长期运行中的行为一致性，以及在开放环境下的安全与可控性等。这些问题严重制约了 Agent 从实验走向大规模落地。本次分享将聚焦“Agent 的可靠性”这一关键挑战，深入探讨当前存在的主要瓶颈、评估方法、提升策略，并介绍从 Agent 观测到评估、再到 RL 后训练，不断增强 Agent 性能的整个链路。

内容大纲
1. Agent-Native 应用的典型架构和挑战
   1.1 Agent 应用架构
   1.2 Agent 可靠性挑战的根源
   1.3 Agent 生产落地的挑战和痛点
   1.4 常见的 Agent 失败范式
   1.5 业界对 Agent 失败的常见方案
2. Agent 可观测和评估
   2.1 Agent 对可观测的需求
   2.2 Agent 数据采集的挑战和方案
   2.3 Agent 评估方案
3. Agent 数据的内循环和外循环
   3.1 数据是 Agent 运行的血液
   3.2 Agent 数据内循环及其挑战
   3.3 Agent 数据外循环及其挑战
4. Agent 外循环
   4.1 从只观测到构建精品数据集
   4.2 多模态数据存储和搜索
   4.3 Agent RL 后训练，打造线上的反馈系统

听众受益
1. 了解 Agent 生产实践中失败的常见范式
2. 了解业界对 Agent 可靠性上的工作
3. 了解 RL 后训练的细节
SECon组委会是由业界多位资深技术专家发起，负责组织技术指导委员会，并和委员会的专家一起挖掘全球软件工程领域的创新技术，同时依托智盟创课国内领先的人才能力提升服务供应商，组织专业的会务服务团队，全面推进会议的顺利落地，保证参会者体验。
服务总线：400-183-9980
商务合作：151-2264-3988  木子  
票务联系：185-1306-7287  马静  
E-mail：speaker@secon.com.cn 
关注SECon公众号
添加SECon小助手，获取
会议最新资讯