随着人工智能技术的飞速发展，智能体（Agent）作为信息处理系统，其架构设计与上下文工程正成为实现其可靠性与智能性的核心。本次分享将从信息流转的第一性原理出发，探讨Agent如何通过精细化的记忆系统划分与工程规范，从被动的信息处理器进化为能驱动复杂任务执行的智能力量。结合记忆模块的划分原理与流转关系，分享构建高效Agent系统的关键实践。

演讲提纲：

1. 上下文工程的背景
2. Agent工作的信息流转
3. 外部记忆的规范
4. 长短期记忆
5. 内部实践
6. 总结与展望

听众收益：

• 了解实际业务应用打磨过程中总结的部分上下文经验

Informational Context 是 Context Engineering 中至关重要的一环，而其核心挑战不在于"多"，而在于"准"。为了解决 long context 带来的高成本、低性能和差效果问题，RAG 成为了最不可或缺的技术手段。随着 Context Engineering 场景大规模落地，RAG 也在快速演进。

当下的 AI 应用通过超前的体验快速获取用户和数据，再通过离线分析和模型训练将数据转化为壁垒，形成完整的数据生命周期闭环。在这个过程中，RAG 面临的挑战已经从简单的"搜相似"升级为：如何低成本支撑大规模多租户？如何通过复杂搜索策略提升精度？如何处理海量多模态数据？如何与数据生态深度耦合？过去一年里，我们围绕“非结构化数据湖仓一体”持续探索，并在大规模应用中沉淀出一系列可复用的实践与教训。本次分享将对相关关键问题、取舍与解法进行系统梳理。

演讲提纲：

1. Context Engineering & RAG
   • Context Engineering 的三大类型：Guiding、Informational、Actionable
   • Informational Context 的核心矛盾：质量 vs 数量
   • RAG 在其中的定位与演进：从向量搜索、GraphRAG 等
2. 如何保证 Context 的质而非量
   • 过滤搜索、混合搜索（多向量搜索、关键词检索）、ColBERT 等技术思路
   • 聚合搜索、迭代式搜索等新式的搜索方法
3. Context Engineering 在线场景
   • 多租户问题简述，有什么样的挑战
   • 如何在写入和查询放大间取得平衡
   • 如何在海量数据下平衡性能和成本
   • 多租户场景下有怎样的功能需求，该如何满足
4. 湖仓一体如何闭环非结构化数据的生命周期
   • 非结构化数据的生命周期简述，包括在线服务，Data Mining 和 Model Training
   • 场景的需求和技术的挑战，以及如何解决这些的问题

听众收益：

• 理解RAG在新一代AI应用中的核心作用和技术演进趋势
• 掌握通过真实场景总结出的非结构化数据生命周期管理方法

在信息化快速迭代的背景下，企业级开发普遍面临需求频繁变更、协作断层、效率低下等问题。

本演讲聚焦“上下文工程 2.0”的落地实践，探讨如何通过 Spec-Coding 将“需求→规则→实现”打通为可闭环链路：以场景化上下文为驱动，将需求转化为可执行的规则模板，依托上下文驱动的自动化编排框架与规则化编程，由自动执行引擎自动生成代码与文档，从而降低认知负担，提升一致性与可追溯性。

我将分享基于 SpecKit / OpenSpec 的引擎设计实践，如何将需求拆解为任务、约束与验收标准，构建可复用的工程规则库，并自动分解为实现与测试任务，同时通过 TodoList 引擎、规则库组件化、自动执行计划、多目标优化等机制，增强模型对工程语义的理解，实现高效需求落地与风险控制。

实践数据表明，该方案可使开发周期缩短 30%～50%，显著降低缺陷密度，加快上线响应，并明显提升客户满意度。

演讲提纲：

1. Spec-Coding 是什么？
   • 一种基于规约（Spec）驱动的智能开发方式
   • 将自然语言需求结构化为可执行的规则单元
2. CodeBuddy 如何落地上下文工程 2.0
   • SpecKit：将需求分解为任务、约束、验收标准
   • Rule Engine：执行规约、自动生成代码与测试
   • Context Orchestrator：整合多源上下文（代码库、文档、团队沟通）
3. 实践路径
   • 从需求收集 → Spec 编写 → 自动任务拆解 → 代码生成 → 测试验证
   • 每个环节都可由 AI 智能体自动执行或半自动协作完成

听众收益：

• 掌握“上下文工程 2.0”在复杂企业环境中的落地方法
• 学会在规则化编程与执行引擎设计中的关键取舍

在“科学智能”范式下，构建能够模拟人类科学家进行复杂探索与创新的通用智能体（AI Scientist）已成为前沿焦点。然而，通用大型语言模型在应用于高度专业化、长周期且充满不确定性的医学研究任务时，面临着知识边界固化、任务规划刚性及过程可靠性不足等核心挑战。

本次分享将介绍一种旨在提升医学 AI 智能体自主进化能力的创新框架。该框架通过引入“模式探索-过程反思”双重机制，将任务执行过程中的隐性知识显性化，并动态构建与优化一个我们称之为“行动手册”的元认知上下文。

此“行动手册”并非静态的知识库和记忆库，而是一个自适应演化的策略集合，它为智能体提供情境感知的行动指导，使其具备从单次任务迭代中学习与泛化的能力。我们将详细阐述该框架的设计哲学、系统架构及其在模拟医学研究任务中的初步实证结果，探讨其如何驱动 AI 从一个被动指令执行器，向一个具备持续学习与自主探索能力的科研伙伴演进。

演讲提纲：

1. 医学 AI Scientist 的机遇与研究缺口
   • 研究背景： AI for Science 作为科学发现的第四范式
   • 研究动机： 通用智能体在医学科研等专家领域的应用瓶颈
     • 知识局限性 : 预训练知识的静态性与医学领域知识的动态性、高精度要求之间的矛盾
     • 规划脆弱性 : 基于静态思维链的规划在面对科研任务的超长依赖链、高不确定性与动态环境时的失效问题
     • 执行不可靠性: 工具调用的语义鸿沟与在关键决策节点上缺乏可验证的置信度
   • 核心研究问题： 如何构建一个能够从自身经验中学习、实现能力持续进化的专用智能体
2. 核心框架：基于动态上下文的自主进化机制 
   • 理论基础： 从“In-Context Learning”到“In-Task Learning”的范式演进
     • 静态上下文的局限： 一次性信息注入无法捕捉任务执行过程中的时序依赖与情境变化
     • 动态上下文的必要性： 建立一个随任务进程自适应更新的上下文，以实现更精细化的决策引导
   •  “行动手册”：一种元认知上下文的实现
     • 定义： 一个结构化的、动态演化的策略知识库，编码了关于“如何成功执行任务”的元知识，包括但不限于：高效工具调用序列、问题分解策略、失败归因模式及验证启发式规则
   • “模式探索-过程反思” 双循环引擎
     • 模式探索：在线机制，于任务执行中通过算法（如序列模式挖掘）识别并泛化高价值的行动模式
     • 过程反思： 离线机制，在任务终止后，对完整的执行轨迹进行因果归因，特别是针对失败或次优路径，生成可操作的修正策略
     • 闭环学习： PE-PR 模块的输出被整合并更新至“行动手册”，形成一个持续自我完善的学习闭环
3. 系统架构与算法实现 
   • 分层智能体架构： “元控制器-规划器-执行器-反思器”四层模型
   • 规划器的动态重规划能力
     • 自适应重规划: 在执行节点上，依据环境反馈与“行动手册”的实时建议，进行局部路径的动态调整与剪枝
     • 分层规划结合初始“行动手册”生成宏观任务图
   • 执行器的工具接地
     • 超越 API 调用： 训练模型理解工具的先决条件、副作用及参数的语义含义，实现从“Tool Invocation”到“Tool Manipulation”的转变
     • 策略驱动的 工具选择： “行动手册”为工具组合提供贝叶斯优化或强化学习策略，以替代启发式选择
4. 反思器的知识蒸馏
   • 从日志到洞察： 利用大模型自身的推理能力，将低阶的执行日志抽象为高阶的策略规则
   • 知识表示与泛化： 探讨如何以符号化或向量化形式存储“行动手册”中的知识，以平衡其可解释性、泛化能力与检索效率
5. 实证案例
6. 实验、评估与挑战
   • 评估范式
     • 结果导向 vs. 过程导向： 提出面向过程的评估指标，如规划修正率、无效操作率、反思有效性等，以补充结果成功率的不足
   • 当前挑战与开放问题：
     • 知识的稳定性-可塑性困境：如何在持续学习新策略的同时，避免对已验证的旧策略造成灾难性遗忘
     • 计算开销与性能的权衡: “反思”过程的计算复杂性及其对智能体响应延迟的影响
     • 人机协同的干预策略设计：如何在智能体的自主进化环路中，设计高效、可信的专家知识注入与干预策略，实现人机知识的协同进化
7. 总结与展望

听众收益：

• 了解动态演化的上下文工程是如何进展的？