2026年6月4日下午，SLAI Seminar第三十九期在深圳河套学院成功举办。本次讲座是“智能体系列”的第五讲，由欧阳万里教授主持，特邀香港理工大学讲席教授曹亮亮与资深软件架构师崔英云，围绕“从智能助手到编程智能体”主题，结合大规模AI产品研发与一线软件工程实践，深度剖析了Agentic AI的演进逻辑、工业级落地经验及其对知识型工作的重塑。

讲座内容

01 智能体的演进与挑战：从问答系统到Agentic AI

曹亮亮教授开篇梳理了人工智能过去十五年的发展脉络：从以IBM Watson为代表的问答系统，到执行特定指令的智能助手，再到如今能够自主规划、推理并行动的Agentic AI。他指出，随着大语言模型能力的指数级跃升，产品开发的核心瓶颈已不再局限于智能本身，而是转向了组织架构的惯性与产品形态的适配滞后。

针对为何Coding Agent成为智能体首个实现重大突破的应用方向，曹教授从底层逻辑进行了解构。大语言模型本质上是词元生成引擎，在处理“比较1.11与1.9大小”或“统计特定字母数量”等精确逻辑任务时极易产生错误。通过生成代码并在沙盒中运行，模型获得了最为关键的确定性验证与外部反馈。一个完备的Coding Agent不仅包含LLM的推理闭环，更需要底层文件系统的记忆支持与Shell终端的工具验证，从而实现了从纯文本空间向真实物理操作环境的跨越。

02 工业级编程实践：领域特化与长时程自动化

崔英云工程师结合一线开发经验，详细分享了将Coding Agent转化为实际生产力的核心工程经验。

针对稳定领域进行智能体特化：在智能手表表盘开发项目中，面对数百个UI元素与私有API的重构挑战，纯粹依赖通用大模型往往效率低下。崔英云团队通过建立标准化输出协议，将历史代码库转化为参考样例，并结合固化的工具技能，构建了高度定制化且能自我验证的闭环系统，实现了研发效率的数量级提升。

将庞大的编码任务转化为长时程工作流：随着项目复杂度的提升，传统的单轮对话模式已无法满足需求。通过引入Active Goal机制，开发人员仅需设定明确的目标、验收标准与约束条件，Agent便能在后台自主执行、验证并循环迭代。面对超大规模遗留代码带来的上下文丢失问题，崔英云展示了利用Dynamic Workflows构建多层级Agent拓扑网络的解决方案，通过Map-Reduce式的架构有效处理了超复杂代码库的信息检索与重构。

03 范式外延：超越代码生成的Agentic Knowledge

崔英云将Coding Agent的工程逻辑延伸至更为广泛的知识工作领域。他指出，如果一个工作流可以被表示为工具调用，那么它就可以被Agent化。*面对当前科研与工程中极度分散的信息源，传统的知识获取方式面临着高投入、低清晰度的困境。通过部署Agentic Knowledge系统，智能体能够自动并发检索GitHub源码、解析二进制文件、阅读最新技术报告，并最终将复杂的知识链路编译为结构化、可交互的HTML数字图谱。这一过程不仅消除了多余的人工信息整理环节，更将抽象的知识获取过程转化为可执行、可迭代的代码流水线，极大提升了研发人员的认知效率。

在讲座尾声的交流环节，现场师生围绕庞大遗留代码的重构、学术界与工业界的研究分野以及智能体对传统软件工程岗位的冲击等议题展开了深度探讨。针对如何利用智能体处理数万行遗留代码的提问，崔英云指出，依赖单一Agent的上下文窗口极易导致路径偏移，必须采用Dynamic Workflows等多智能体架构进行分布式代码审阅与一致性维护。在探讨学术界如何在智能体浪潮中寻求突破时，曹亮亮教授强调，工业界侧重于工程落地与算力规模，学术界应规避纯粹的工程内卷，聚焦人工智能的核心机制、反馈链路等底层科学问题，做出具有长远价值的差异化研究。

本次讲座系统梳理了智能体从理论演进到工业级软件工程落地的图景。曹亮亮教授与崔英云工程师的分享不仅涵盖了Agent底层机制的技术剖析，更提供了极具实操价值的长时程任务调度框架，为探索大模型时代的软件开发新范式、提升复杂系统研发效能提供了重要的工程指引与实践参考。