专场：从Vibe Coding到 Vibe Working, Agent技能进化图谱
当 Vibe Coding 让"口喷代码"成为日常，一场更深远的变革正在展开——Vibe Working 的时代已经到来。以 OpenClaw 为代表的开源 AI Agent 框架，正在将 AI 从对话助手进化为能常驻后台、连接消息平台、自主执行任务的"数字员工"。一个Agent在你休息时自动帮你砍价 4200美元、自动去 Google Cloud 配 OAuth、在 WhatsApp 群里协调家人日程——这些不再是 Demo，而是真实发生的故事。本专场聚焦 Agent Skill（技能） 的设计、分发与Agent间的协作演进。我们将探讨：如何用 SKILL.md 这样的轻量格式定义一个可复用的 Agent 能力？当 OpenClaw 的 Skills Registry 已积累海量的技能，这个生态带来了哪些机遇与安全挑战？Agent的工作方式也逐渐摆脱单 Agent + subagent，越来越多的产品引入 Agent Team的协同范式，结合 A2A 协议，Agent们将如何重塑我们的工作方式，上演 Agent的社会化大协同？
专场出品人：揭光发(Jeff)
腾讯云 架构师联盟社群管理主席 腾讯 专家工程师
20年研发与团队管理经验，前腾讯云TVP，现腾讯全栈技术专家，公司级低代码项目负责人，是IEEE低代码标准及大湾区企业低代码标准的主撰写人；大模型应用早期实践者与布道师，是国内顶级行业/技术峰会相关话題优秀讲师及出品人。在低代码与LLM结合场景有深度的实践，愿景是“人人能编程”。带领团队深度践行LLM对研发提效、探索Vibe coding 在专业程序员与准开发者群体的落地，个人代码全栈AI含量几近100%。
李颜良
阿里云 智能高级技术专家
阿里云政企中间件产品技术负责人；北航云原生课程特邀讲师；在应用架构领域深耕多年，团队研发了面向云原生应用和架构的分布式应用服务、分布式任务调度、分布式事务、网关等大规模分布式中间件服务，构建了企业客户数字基础设施的基石。随着AI原生技术的快速发展与持续演进，也带领全系产品全面转型，围绕 Agent相关的 AI 网关、Agent Run、AI 可观测等一系列产品服务，为客户迈向数智化提供基础服务。也是阿里系开源产品 Nacos/AgentScope/Higress/HiMarket/HiClaw 等的核心贡献者。
待定
待定
HiClaw —OpenClaw 超进化，兼顾企业安全与多 Agent
协同的终极底座
议题背景：
作为模型服务的新入口，OpenClaw 能帮你写代码、查邮件、操作 GitHub、设置定时任务等，这种通过 IM 直接下发指令的交互创新，能给用户带来“爽感”。但当历史指令积压越多、Long Horizon 项目数量越多时，问题就来了：
1.安全风险：每个 Agent 都要配置自己的 API Key，GitHub PAT、LLM Key 散落各处。2026 年 1 月的 CVE-2026-25253 漏洞让我们意识到，这种 "self-hackable" 架构在便利的同时，也带来了极大的安全风险。
2.记忆爆炸：一个 Agent 承担太多角色，既要做前端，又做后端，还要写文档。skills/ 目录越来越乱，MEMORY.md 里混杂各种记忆，每次加载都要塞一大堆无关上下文。既浪费 token，又会带来记忆混乱。
3.多 Agent 协作效率低：对每个 SubAgent 进行手动配置、手动分配任务、手动同步进度，你想专注于业务指令和输出，但在 Agents 的"保姆"这一角色上，花了大量时间。
4.移动端体验一言难尽：想在手机上指挥 Agent 干活，却发现飞书、钉钉的机器人接入流程要几天甚至几周。
5.配置门槛高：即便是资深程序员从安装、配置到使用，可能也需要大半天时间，某鱼上还出现了 OpenClaw 的付费安装项目，提供上门服务。
作为模型服务的新入口，OpenClaw 能帮你写代码、查邮件、操作 GitHub、设置定时任务等，这种通过 IM 直接下发指令的交互创新，能给用户带来“爽感”。但当历史指令积压越多、Long Horizon 项目数量越多时，问题就来了：
1.安全风险：每个 Agent 都要配置自己的 API Key，GitHub PAT、LLM Key 散落各处。2026 年 1 月的 CVE-2026-25253 漏洞让我们意识到，这种 "self-hackable" 架构在便利的同时，也带来了极大的安全风险。
2.记忆爆炸：一个 Agent 承担太多角色，既要做前端，又做后端，还要写文档。skills/ 目录越来越乱，MEMORY.md 里混杂各种记忆，每次加载都要塞一大堆无关上下文。既浪费 token，又会带来记忆混乱。
3.多 Agent 协作效率低：对每个 SubAgent 进行手动配置、手动分配任务、手动同步进度，你想专注于业务指令和输出，但在 Agents 的"保姆"这一角色上，花了大量时间。
4.移动端体验一言难尽：想在手机上指挥 Agent 干活，却发现飞书、钉钉的机器人接入流程要几天甚至几周。
5.配置门槛高：即便是资深程序员从安装、配置到使用，可能也需要大半天时间，某鱼上还出现了 OpenClaw 的付费安装项目，提供上门服务。
如果你也有同感，那 HiClaw 就是为此而生的。HiClaw = OpenClaw 超进化，可以理解为 Team 版的 OpenClaw。核心创新是在 OpenClaw 的基础上，引入了 Manager Agent 角色。HiClaw 是 OpenClaw 的升级版，通过引入 Manager Agent 架构和分布式设计，解决了 OpenClaw 在安全性、多任务协作、移动端体验、记忆管理等方面的核心痛点。
内容大纲：
1. 回顾与洞察：Agent 底座的筑基之路
1.1 FY26 企业级 Agent 架构回顾：Agent 运行沙箱、LLM 统一管理、泛技能注册中心
1.2 核心洞察：人与 Agent 交互产生的 Token 远小于 Agent 与 Agent 自动运作产生的 Token
2. 范式转换：从 OPOC 到 Aganter.World
2.1 数字员工与"一人即公司"（OPOC）模式的兴起
2.2 Aganter.World：Agent 社交与协作网络的愿景
3. OpenClaw 的启示与安全危机深度剖析
3.1 OpenClaw 展现的业务潜力
3.2 四大安全风险维度：运行时风险、网络风险、系统底层漏洞、生态系统风险
3.3 真实案例："crabby-rathbun"网络欺凌事件的警示
4. HiClaw 核心技术架构
4.1 Matrix 协议：统一通信、共享上下文、Human-in-the-Loop
4.2 Higress AI 网关：身份透传、精细化工具权限控制、动态模型路由
4.3 OpenClaw 适配层：协议解密与身份提取
5. Manager-Worker 分层设计与安全优势
5.1 Manager Agent 作为"AI 管家"：生命周期管理、任务拆解分派、Heartbeat 监工
5.2 凭证隔离机制：Worker 永不持有真实凭证
5.3 按任务类型分配模型，节省 80% 成本
6. 部署架构与企业落地
6.1 三种部署模式：纯开源、混合模式、企业全托管
6.2 企业级能力：SSO 统一登录、RBAC 权限、全链路审计、离职自动清理
7. 使用场景演示与未来规划
7.1 个人编码工作流与多人团队协作的实际演示
7.2 后续规划：Coding CLI 集成、HiMarket 技能共享平台、阿里云全托管产品
听众收益：
1.看清趋势：理解 Agent 生态从"人机对话"到"Agent 间协作"的范式转换，以及 Token 消耗爆发的底层逻辑，提前布局未来 AI 基础设施。
2.认知安全：获得对 OpenClaw 类 Agent 工具安全风险的系统性认知（运行时、网络、代码、生态四个维度），避免在企业落地中踩坑。
3.掌握架构：学习如何基于 Matrix 协议 + Higress AI 网关 + Manager-Worker 分层模式，构建一套既开放互操作、又满足企业安全审计要求的多 Agent 协同架构。
4.可落地实践：了解从个人"一人公司"到企业级多团队协作的完整部署方案（开源、混合、全托管三种模式），获得可直接复用的技术选型参考。
毕鸣一
腾讯云 大前端可观测产品技术负责人
深耕性能工程平台建设领域多年，先后负责过手机QQ、QIM、TIM、腾讯会议等产品的性能稳定性专项及工具平台的研发工作，当前负责腾讯云多个（RUM、TMF、TCMPP）大前端性能稳定性可观测产品的平台建设；近年来，致力于用 AI 技术重塑传统研发模式，构建高效的研发效能体系
待定
待定
当 Agent 学会用工具：研发全链路的技能进化
1. 需求开发——从Prompt到Meta-Rules再到工程师的进化论
1.1 项目初始：先给Agent装装备
1.2 标准需求：从写对到持续复用
1.3 复杂需求：流程图往返对比验证法
1.4 陌生需求：5倍偏差的纠偏实录
2. 质量保障——Skills贯穿的全自动化对账体系构建
2.1 接口开发：“学→生成"两步法
2.2 CR代码：从单Agent到多Agent共识检测
2.3 代码测试：Skill + MCP构建质量对账体系
2.4 四层防御塔：非确定性不是问题
3. 问题响应——RAG双场景深度构建的探索实践
3.1 场景决定工具：RAG在问题响应场景不可替代
3.2 客户工单答疑：线性链路RAG的三个关键坑
3.3 稳定性缺陷定位：双路并行+Miss兜底
4. Agent的自闭环实践
4.1 理想的自闭环
4.2 真实案例：ERROR日志治理
4.3 找到Agent的边界
1.1 项目初始：先给Agent装装备
1.2 标准需求：从写对到持续复用
1.3 复杂需求：流程图往返对比验证法
1.4 陌生需求：5倍偏差的纠偏实录
2. 质量保障——Skills贯穿的全自动化对账体系构建
2.1 接口开发：“学→生成"两步法
2.2 CR代码：从单Agent到多Agent共识检测
2.3 代码测试：Skill + MCP构建质量对账体系
2.4 四层防御塔：非确定性不是问题
3. 问题响应——RAG双场景深度构建的探索实践
3.1 场景决定工具：RAG在问题响应场景不可替代
3.2 客户工单答疑：线性链路RAG的三个关键坑
3.3 稳定性缺陷定位：双路并行+Miss兜底
4. Agent的自闭环实践
4.1 理想的自闭环
4.2 真实案例：ERROR日志治理
4.3 找到Agent的边界
何明璐
远行科技 副总经理兼总架构师 腾讯云 TVP
深圳市远行科技副总经理，总架构师
深圳市地方级领军人才，腾讯云TVP
广东省级云原生PaaS工程技术中心主任
北大CIO班，华南CIO大会特邀讲师
常年从事SOA和云原生咨询和平台建设工作，实施金额上亿
24年工作经验，长期从事一线大项目建设，架构规划设计
B站，头条号，知乎：@人月聊IT
深圳市地方级领军人才，腾讯云TVP
广东省级云原生PaaS工程技术中心主任
北大CIO班，华南CIO大会特邀讲师
常年从事SOA和云原生咨询和平台建设工作，实施金额上亿
24年工作经验，长期从事一线大项目建设，架构规划设计
B站，头条号，知乎：@人月聊IT
待定
待定
跨越鸿沟- 从本体论建模到AI原生应用构建
本次分享将从传统软件工程到AI软件工程的发展演进过程入手，深入探讨本体论思想和本体建模在构建AI原生应用的方法和实践。包括如何通过本体模型驱动，进一步的实现Vibe Coding的工程化问题。
具体分享主题包括：
1. 从传统软件工程到AI软件工程
2. 本体论思想和解决的问题
3. 本体论建模的核心要素
4. 本体模型驱动AI原生应用
具体分享主题包括：
1. 从传统软件工程到AI软件工程
2. 本体论思想和解决的问题
3. 本体论建模的核心要素
4. 本体模型驱动AI原生应用
周顺
岩山科技 二三四五网科 高级测试工程师
岩山科技旗下二三四五网科高级测试工程师，专注 PC 端测试与 AI 测试领域，长期致力于跨平台自动化体系建设与智能测试范式革新。
负责测试体系规划、测试效能提升，以及 AI Agent 技术在测试领域的实践与推广，在大规模混合环境质量保障、AI 驱动自动化工程化落地等方面拥有丰富实战经验。
负责测试体系规划、测试效能提升，以及 AI Agent 技术在测试领域的实践与推广，在大规模混合环境质量保障、AI 驱动自动化工程化落地等方面拥有丰富实战经验。
待定
待定
从脚本到认知，从单点到全域：
Planner-Skill-Worker 跨平台智能化测试
议题背景：
随着大模型技术的爆发，自动化测试正面临从“脚本驱动”向“意图驱动”、从“单点执行”向“全域适配”转型。在落地实践中，存在多平台调用难、长链路执行不稳、模型幻觉等痛点困扰。
本次分享将深度剖析Planner-Skill-Worker 三层业务架构。我们将探讨如何通过 Planner（大脑） 专注意图规划，Skill（技能） 定义通用能力接口，以及 Worker（执行） 屏蔽 Windows/Android/Web 底层异构差异。这一架构不仅有效解决了模型幻觉导致的操作失误，更实现了多端运行的跨平台能力。
内容大纲：
1. 困局：脚本驱动、单点执行及模型幻觉
- “脚本驱动”：能力受限，智能度不足，无法对自然语言描述进行意图识别并智能决策。
- “多平台调度难”：单点执行，生态孤岛，无法协调调用。
- ”模型幻觉“：意图识别偏差，决策不可控。
2. 破局：Planner-Skill-Worker 三层分层设计
- 顶层设计：
- Planner（大脑）：
- 职责：负责接收上游任务（如用例平台的测试用例或用户的自然语言指令），利用大模型（LLM）进行意图理解和任务规划。
- 核心动作：解析输入 -> 识别意图 -> 检索 Skill 库 -> 生成调用参数。
- Skill（技能）：
- 职责：平台适配，作为标准化能力的集合，定义了“能做什么”。每个 Skill 包含元数据（任务名称、描述）、适用平台（Windows/Android/Web）以及标准化的参数 Schema。
- 核心动作：提供语义描述供 Planner 检索，根据平台类型路由到具体的 Worker 执行。
- Worker（执行）：
- 职责：多平台worker集群，智能调度+任务队列，确保“因地制宜”。
- 核心动作：调度空闲测试资源或生成任务队列，执行任务，生成报告。
- 高吞吐调度：Worker（执行层）支持智能调度和任务队列，合理空闲平台集群资源。
3. 让技能跨界
- 技能标准化（skill）：
- 利用skill技能，Agent自动调度适配目标平台。
- “跨端异步回环”：
- 利用 Redis Pub/Sub 构建跨平台的事件总线。无论底层是 PowerShell 还是 Bash 脚本在跑，最终都统一转换成标准的 JSON 状态报告，AI 看到的永远是统一的进度。
4. 零延迟感知
- 智能路由：调度器根据 Skill 的 required_os 属性，毫秒级匹配最合适的空闲机器。
听众收益：
- 架构参考：学习 Planner-Skill-Worker 分层架构，理解为何要引入“技能层”来解耦模型与多平台worker层。
- 技术落地：掌握利用 skill 技能实现多端适配器最佳实践。
- 工程方案：一套能同时管理多平台混合集群的自动化测试方案。
随着大模型技术的爆发，自动化测试正面临从“脚本驱动”向“意图驱动”、从“单点执行”向“全域适配”转型。在落地实践中，存在多平台调用难、长链路执行不稳、模型幻觉等痛点困扰。
本次分享将深度剖析Planner-Skill-Worker 三层业务架构。我们将探讨如何通过 Planner（大脑） 专注意图规划，Skill（技能） 定义通用能力接口，以及 Worker（执行） 屏蔽 Windows/Android/Web 底层异构差异。这一架构不仅有效解决了模型幻觉导致的操作失误，更实现了多端运行的跨平台能力。
内容大纲：
1. 困局：脚本驱动、单点执行及模型幻觉
- “脚本驱动”：能力受限，智能度不足，无法对自然语言描述进行意图识别并智能决策。
- “多平台调度难”：单点执行，生态孤岛，无法协调调用。
- ”模型幻觉“：意图识别偏差，决策不可控。
2. 破局：Planner-Skill-Worker 三层分层设计
- 顶层设计：
- Planner（大脑）：
- 职责：负责接收上游任务（如用例平台的测试用例或用户的自然语言指令），利用大模型（LLM）进行意图理解和任务规划。
- 核心动作：解析输入 -> 识别意图 -> 检索 Skill 库 -> 生成调用参数。
- Skill（技能）：
- 职责：平台适配，作为标准化能力的集合，定义了“能做什么”。每个 Skill 包含元数据（任务名称、描述）、适用平台（Windows/Android/Web）以及标准化的参数 Schema。
- 核心动作：提供语义描述供 Planner 检索，根据平台类型路由到具体的 Worker 执行。
- Worker（执行）：
- 职责：多平台worker集群，智能调度+任务队列，确保“因地制宜”。
- 核心动作：调度空闲测试资源或生成任务队列，执行任务，生成报告。
- 高吞吐调度：Worker（执行层）支持智能调度和任务队列，合理空闲平台集群资源。
3. 让技能跨界
- 技能标准化（skill）：
- 利用skill技能，Agent自动调度适配目标平台。
- “跨端异步回环”：
- 利用 Redis Pub/Sub 构建跨平台的事件总线。无论底层是 PowerShell 还是 Bash 脚本在跑，最终都统一转换成标准的 JSON 状态报告，AI 看到的永远是统一的进度。
4. 零延迟感知
- 智能路由：调度器根据 Skill 的 required_os 属性，毫秒级匹配最合适的空闲机器。
听众收益：
- 架构参考：学习 Planner-Skill-Worker 分层架构，理解为何要引入“技能层”来解耦模型与多平台worker层。
- 技术落地：掌握利用 skill 技能实现多端适配器最佳实践。
- 工程方案：一套能同时管理多平台混合集群的自动化测试方案。
关注QECon公众号
关注QECon视频号
议题投稿
speaker@qecon.com.cn
票务联系
18649077637 Lily
媒体合作
135-1619-6409 皮皮
商务合作
151-2264-3988 木子
购票咨询
18649077637 Lily
