🏷️ 技術趨勢分類
- AI Agent 技術的全面普及與智慧化演進 (相關度: 0.90)
- 大型模型 (LLM) 的深度應用與效能優化 (相關度: 0.95)
- AI 賦能軟體工程與人機協同創新 (相關度: 0.90)
報告內容
GenAI 應用時代,開發思想如何變革?— AICon Beijing 202506 主題演講綜合分析報告
執行摘要
本報告根據莫欣先生在 2025 年 AICon Beijing 大會上的主題演講《GenAI 應用時代,開發思想如何變革?》的 PPT 內容,提供一份全方位的綜合分析。演講核心闡述了在生成式人工智慧(GenAI)浪潮下,軟體開發範式、技術棧以及開發者分工協作關係所面臨的深遠變革。莫欣先生透過其負責的 Agently.tech 框架的實例,深入剖析了 Function Calling、智能輸出控制以及「IN CODE AT RUNTIME」等關鍵概念,並強調了開發框架在適應新生產關係中的不可或缺性。
本報告將從會議概述、技術要點、商業價值、創新亮點和趨勢洞察五個方面,為技術、商業和趨勢關注者提供全面而深入的視角。
1. 會議概述和核心內容
本次主題演講由北京智體紀元科技有限公司創始人莫欣先生,於 2025 年的 AICon 全球人工智能開發與應用大會上發表。會議背景設定在 GenAI 應用時代,旨在探討其對軟體開發思維模式的根本性衝擊與轉變。
演講的核心內容圍繞五個議題展開:
1. 空函數的魔力: 透過 Agently 框架展示,即使沒有實作代碼的函數,也能在 GenAI 賦能下智能運行,完成複雜任務(如搜索定義、生成 SQL)。這揭示了 GenAI 將模糊輸入轉化為結構化輸出、進而執行複雜邏輯的潛力。
2. 智能輸出控制的重要性: 闡明 Function Calling 及其他智能輸出控制機制是實現「符合業務需要的智能」的關鍵。強調模型僅提供基礎智能,真正的業務價值來自於對模型行為的精確控制和「智能處理過程的白盒化」。
3. GenAI 對傳統架構與分工的衝擊: GenAI 模糊了傳統三層架構中表示層、應用層和數據層的界限,特別是在處理「模糊輸入」時。這對產品經理和工程師的職能、協作關係及業務邊界提出了重新定義的需求。
4. 開發者角色的轉變: 儘管 GenAI 擴展了非技術人員的行動力,但提供可持續的「線上服務」仍需開發者關注傳統的系統工程問題。開發者需將重心從底層細節轉向更高層次的「業務流程梳理、業務架構設計和數據結構設計」,並接受「IN CODE AT RUNTIME」這一新範式。
5. 開發框架的關鍵作用: 好的 GenAI 開發框架並非過度封裝,而是簡化底層複雜性,讓開發者專注於核心業務邏輯,提供「文思泉涌的開發心流體驗」。Agently.tech 作為範例,展示了框架如何融合自然語言與代碼、控制輸出穩定性、自由切換模型和工具、並將可視化工作流順暢遷移至代碼。
總而言之,演講的核心思想是:GenAI 時代的開發不再是靜態代碼的堆砌,而是擁抱「IN CODE AT RUNTIME」這一動態、智能處理的範式,要求開發者轉變思維,掌握智能輸出控制,並善用開發框架來應對複雜性。
2. 技術要點和實現細節
演講深入探討了 GenAI 應用開發的多項技術要點,並透過 Agently.tech 框架揭示了其實現細節。
2.1 「空函數」與 @agent.auto_func 的魔力
- 技術要點: 演講以兩個「空函數」範例(
check_definition_from_question和write_SQL_for_different_DB)震撼開場。這些函數儘管缺乏傳統意義上的實作邏輯,卻能根據函數簽名、註釋(docstring)和預期輸出結構,透過 GenAI 在運行時(IN CODE AT RUNTIME)自動執行複雜任務。 - 實現細節: 莫欣先生揭示了
@agent.auto_func裝飾器的底層機制。它並非魔法,而是 Agently 框架基於 Agent (代理) 概念的實現。當函數被@agent.auto_func裝飾時,Agently 會:- 創建代理: 為該函數實例化一個 AI 代理。
- 模型集成: 配置代理使用特定的基礎模型(如 DeepSeek)及其 API 密鑰。
- 工具賦能: 為代理提供一系列外部工具(Tools),例如
search用於互聯網搜索,browse用於瀏覽網頁,或自定義的數據庫查詢工具。 - 智能編排: 代理在運行時根據函數的註釋、輸入參數和預期輸出,結合其內置的模型能力(理解、判斷、規劃)和可用工具,動態地生成並執行一系列行動計劃,最終返回符合預期格式的結果。這整個過程是在代碼運行時動態發生的。
2.2 智能輸出控制 (Intelligent Output Control)
- 技術要點: 這是演講的核心技術觀點之一。模型本身提供的「基礎智能」是通用的,而「符合業務需要的智能」則需要精確的控制和編排。智能輸出控制旨在解決 GenAI 輸出不穩定、不可控的問題,使其能被後續業務流程可靠地消費。
- 實現細節:
- 模型驅動的智能處理過程: 強調真正的智能來自於圍繞模型設計的動態處理流程,而非僅僅依賴模型本身。
- Function Calling 的再定義: 演講指出,
Function Calling不僅是模型的一個接口能力,其核心在於「構建上述處理過程」。開發者即使面對不原生支援Function Calling的模型,也能透過自主編排和協調,實現類似甚至更複雜的工具調用效果。 - 智能處理過程白盒化: 這是一個關鍵的理念。將 AI 的決策和執行過程透明化,讓開發者能夠清晰理解模型如何判斷、如何調用工具、如何處理信息,從而可以根據業務實際情況,靈活調整和優化處理流程。
- 七大挑戰: 演講明確指出了自主構建智能處理過程需要解決的七個問題,例如將模型結果作為分支判斷條件、調用外部模塊、識別用戶意圖、編排複雜過程等,這些都是智能輸出控制的具體技術細節。
2.3 GenAI 應用三大關鍵要素
- 模型 (Model): 提供基礎智能(理解、判斷、規劃、表達),是底層的 ChatBot 能力。
- 數據 (Data): 進行知識補充(RAG、微調),形成客服、知識庫機器人。
- 控制 (Control): 最被強調的要素。定義行為方法(行動規劃/編排、工具/模塊調用、運行時處理、數據持久化),是實現智能個人助理、營銷流水線等高級應用的關鍵。Agently 框架正是圍繞「控制」這一核心要素而設計。
2.4 「IN CODE AT RUNTIME」新範式
- 技術要點: 這是演講中反覆強調的核心概念。它代表了 GenAI 時代軟體開發最根本的範式轉變。傳統軟體是將邏輯「編寫進代碼」並靜態運行,而「IN CODE AT RUNTIME」意味著 AI 的智能邏輯在代碼運行時被動態生成、調用和執行。
- 實現細節:
- 它不是簡單的 AI 編碼輔助,而是讓代碼本身具備了動態適應和決策的能力。
- 工程師接受此範式後,將能實現更複雜的流程編排(級聯遍歷、遞歸、動態拼裝)、更全面的信息系統觀(從用戶交互中發現信息並協同模塊完成任務)、以及將 GenAI 能力無縫融入業務流程。
- Agently 框架通過
@agent.auto_func讓開發者能夠以函數簽名和註釋的形式,直接在代碼中定義 AI 的動態行為,是「IN CODE AT RUNTIME」的具體實現。
2.5 開發框架的技術賦能 (Agently.tech 為例)
Agently 框架旨在提供「文思泉涌的開發心流體驗」,其技術細節體現在:
* 自然語言與代碼融合: 允許開發者在函數註釋中直接使用自然語言描述需求,與代碼規範結合,極大簡化 AI 邏輯定義。
* Prompt 靈活性與輸出穩定性: 透過 agent.input().instruct().output().start() 等鏈式調用,在保持 Prompt 表意靈活性的同時,增強對模型輸出格式的嚴格控制和解析,解決了 GenAI 輸出不確定性的痛點。
* 模型自由切換與工具調用: 支援多種底層模型自由切換,且不依賴模型原生接口即可調用外部工具,並支持多代理協作(MCP)。
* 可視化工作流遷移: 提供流暢的編程體驗,使可視化設計的工作流可以無縫轉化為可維護、可調試的代碼,兼顧了設計效率和工程化需求。
3. 商業價值和應用場景
GenAI 帶來的開發思想變革不僅僅是技術層面的演進,更對商業模式和應用創造產生了深遠的價值。
3.1 商業價值
-
提升開發效率與質量:
- 簡化複雜性: 開發框架(如 Agently)抽象了模型接口調用、數據轉換、輸出控制等底層繁瑣細節,讓開發者專注於業務邏輯和 AI 能力的應用,大幅提升開發效率。
- 加速創新: 「空函數」和「IN CODE AT RUNETIME」範式使得業務需求的快速原型驗證和迭代成為可能,加速了新 AI 應用從概念到落地的週期。
- 提高可靠性: 智能輸出控制和「白盒化」處理過程,確保 AI 輸出的穩定性、準確性和可控性,對於需要高可靠性的商業應用至關重要,降低了潛在的業務風險。
-
拓寬應用邊界與創新產品形態:
- 彌合人機交互鴻溝: GenAI 能夠直接理解用戶的「模糊表達」,並將其轉化為結構化指令和數據訪問方案,使得用戶界面設計更加自然、智能化,提升用戶體驗。
- 賦能非技術人員: 雖然不能完全取代開發者,但 GenAI 確實極大擴展了非技術人員的行動力,使他們能夠完成信息處理、內容生成等單次任務,為企業內部協作和個人生產力帶來提升。
- 實現高級智能自動化: 從簡單的 ChatBot 到具備行動規劃、工具調用和運行時決策能力的智能個人助理、智能營銷流水線、智能設備控制等,GenAI 能夠實現過去難以想像的複雜自動化和智能化應用。
-
優化資源配置與成本效益:
- 人效提升: 由於開發者可以將精力集中於更高層次的業務架構和數據設計,團隊可以更高效地利用人力資源,減少重複勞動。
- 靈活應對市場變化: 「智能處理過程白盒化」使得 AI 應用的行為邏輯可以根據業務實際情況靈活調整,快速響應市場變化,提升企業的應變能力。
3.2 應用場景
-
智能助手與客服:
- 智能個人助理: 能夠理解用戶模糊指令,協調多個系統和工具(如日曆、郵箱、CRM),自動規劃和執行任務(如「幫我查一下明天的會議並預約午餐」),如 Agently 演示的自動發送會議提醒郵件。
- 知識庫機器人 / 客服機器人: 結合 RAG 技術,從海量內部或外部知識中檢索信息,並以自然語言提供精準、個性化的回答,大幅提升客戶服務效率和滿意度。
-
數據分析與業務自動化:
- 智能數據分析與報告生成: 如演講中展示的自動生成複雜 SQL 查詢,用戶僅需提供自然語言問題和數據庫元數據,即可獲得可執行的查詢語句,極大降低了數據分析的門檻。
- 智能營銷流水線: 自動生成營銷文案、圖片、短視頻,並根據用戶反饋調整策略,實現從內容創作到投放、分析的全流程自動化。
- 智能合同審閱與法務助手: 理解合同條款,識別潛在風險,或根據需求自動生成標準合同範本。
-
內容創作與媒體:
- 長文寫作與新聞搜索匯總: 自動收集、整理多源信息,並生成符合特定風格和格式的長篇文章或新聞摘要。
- 多模態內容生成: 自動生成短視頻、播客音頻、圖片等,如非技術人員快速創建網頁界面。
-
智能設備與物聯網控制:
- 智能設備控制: 透過自然語言指令控制智能家居設備,甚至實現更複雜的聯動場景(如「我快到家了,幫我提前打開空調並播放背景音樂」)。
- 具身智能 (Embodied AI): 未來 GenAI 將與物理世界深度結合,實現更智能的機器人操作和自主決策。
這些應用場景的實現,都離不開對模型輸出和行為的精準「控制」,以及「IN CODE AT RUNTIME」的動態決策能力。
4. 創新亮點和技術突破
本次演講不僅僅是技術的羅列,更在思想和實踐層面提出了多個創新亮點和技術突破。
-
「IN CODE AT RUNTIME」的範式創新:
- 突破點: 這是本次演講最核心的創新理念。它超越了傳統的「AI 輔助編碼」或「AI 作為獨立工具」的思維,將 AI 的智能內核深度融入到軟體運行時的決策和行為中。傳統代碼是靜態邏輯的定義,而「IN CODE AT RUNTIME」讓代碼在運行時具備了動態生成、編排和執行智能邏輯的能力。這模糊了設計時與運行時的界限,使得軟體系統更具適應性和柔韌性。
- 具體呈現: Agently 的
@agent.auto_func就是這一理念的絕佳體現,它讓一個「空函數」能夠在運行時基於自然語言的意圖和預期輸出,自動選擇工具、規劃步驟並完成任務。
-
智能輸出控制與「白盒化」的實用突破:
- 突破點: GenAI 最大的挑戰之一是其輸出不確定性和「黑盒」決策過程。演講強調「智能輸出控制」並提出「智能處理過程白盒化」的概念,這對 GenAI 應用的落地具有里程碑意義。它不再滿足於模型模糊的回答,而是要求精確、可控、可理解的輸出,確保 AI 能夠可靠地融入業務流程。
- 具體呈現: 透過對
Function Calling構建處理過程的強調,以及明確指出七個智能輸出控制的挑戰,演講為開發者提供了如何從技術層面實現這種控制的具體指導。Agently 框架在 Prompt 靈活性與輸出格式穩定性方面的平衡,正是這一突破的實際應用。
-
對 Function Calling 理念的深度拓展:
- 突破點: 莫欣先生將
Function Calling從單純的模型接口能力,提升到「構建智能處理過程」的高度。他指出,即使模型不原生支援Function Calling,開發者也能透過自主編排來實現類似的功能,甚至可以構建更複雜的多層次工具調用流程(如先索引工具,再查詢工具)。這是一種對模型能力的超越性思考,將模型的局限性轉化為開發者的編排機會。 - 具體呈現: 複雜的 Function Calling 流程圖,展示了工具庫索引、動態查詢、多步決策等高級編排,遠超簡單的 API 調用。
- 突破點: 莫欣先生將
-
開發框架價值觀的重塑:
- 突破點: 演講有力地反駁了「所有框架都是過度封裝」的觀點,明確闡釋了好的 GenAI 開發框架的核心價值:「簡化基礎、底層、規範性、重複性工作的開發,讓開發者將注意力集中到關鍵業務、事務邏輯上」。並進一步提出追求「文思泉涌的開發心流體驗 (Development Experience Comes First!)」的目標。這是一種以開發者為中心、效率為導向的創新理念。
- 具體呈現: Agently 框架通過自然語言與代碼融合、輸出穩定性控制、模型自由切換、可視化工作流遷移等特性,具體演示了如何實現這種高效且愉悅的開發體驗。
-
對傳統軟體架構與分工的創新性反思:
- 突破點: GenAI 對傳統三層架構和分工協作關係的衝擊,是一種系統級的創新性反思。演講通過將 GenAI 的「模糊信息理解」能力與傳統架構對比,清晰地揭示了 AI 如何模糊了層級界限,並對產品經理、前端、後端工程師的職責提出挑戰,尤其是「靈活的輸入,穩固的業務邊界在哪裡?」這一發問極具創新性和前瞻性。
- 具體呈現: 柱狀圖視覺化了傳統分工的重塑,強調了在 GenAI 影響下,所有角色都需要更緊密地協作,共同解決新的架構和業務邊界問題。
5. 趨勢洞察和未來展望
本次演講不僅分析了 GenAI 時代的現狀,更提供了對未來技術、商業和組織趨勢的深刻洞察。
5.1 技術趨勢洞察
-
Agentic AI 將成為主流開發範式:
- 洞察: GenAI 應用將從單純的聊天機器人或內容生成工具,發展為具備自主感知、規劃、決策和行動能力的 Agent (代理) 系統。演講中反覆強調的
Agent、Agentic Workflow以及 Agently 框架本身,都指向這一不可逆的趨勢。未來的 AI 應用將越來越像智能的「實體」,能夠執行複雜的多步驟任務。 - 影響: 開發者需要從設計靜態邏輯轉變為設計智能代理的行為和協作模式。
- 洞察: GenAI 應用將從單純的聊天機器人或內容生成工具,發展為具備自主感知、規劃、決策和行動能力的 Agent (代理) 系統。演講中反覆強調的
-
「IN CODE AT RUNTIME」將重新定義軟體架構:
- 洞察: 軟體系統的邏輯將從完全編寫在代碼中,轉變為在運行時由 AI 動態生成和執行。這將導致軟體架構更加動態、柔性,能夠更好地適應不確定的環境和用戶需求。SOA 和無狀態化等架構思想將與 AI 的動態行為深度融合。
- 影響: 傳統的應用層將部分被 AI 代理的動態決策和執行所取代,開發者需要掌握更複雜的流程編排能力和對運行時行為的控制。
-
智能輸出控制成為企業級 GenAI 應用的基石:
- 洞察: 隨著 GenAI 深入企業核心業務,對其輸出結果的穩定性、準確性和可控性要求將越來越高。黑盒式的模型輸出將無法滿足企業需求。「智能處理過程白盒化」將成為一個關鍵的設計原則。
- 影響: 相關的技術棧(如 Agently 的輸出控制機制)和工程實踐將不斷發展,以確保 GenAI 在複雜業務場景下的可靠性。
-
多模型、多工具協作將成常態:
- 洞察: 單一模型難以滿足所有業務需求,不同模型在特定任務或成本效益上可能表現更優。AI 應用將廣泛集成多個基礎模型,並透過統一的框架(如 Agently 支持模型自由切換)進行管理。同時,外部工具的調用和編排能力將是 Agent 實現複雜任務的關鍵。
- 影響: 開發者需要具備跨模型、跨工具整合和編排的能力。
5.2 商業趨勢洞察
-
AI 將從「輔助工具」演變為「業務流程核心」:
- 洞察: GenAI 將不再僅僅是提高效率的輔助工具(如 AI Coding),而是直接參與並驅動核心業務流程,例如智能合同審閱、營銷策略生成、智能客服決策等。
- 影響: 企業需要重新審視並重塑其核心業務流程,以最大化 GenAI 帶來的效率和創新潛力。
-
人機協作模式的深度演進:
- 洞察: GenAI 雖然擴展了非技術人員的行動力,但提供「持續服務」仍需專業開發者的參與。未來的趨勢是人機協作更加緊密,AI 處理重複性、模糊性的任務,而人類則專注於高層次的業務決策、創意和複雜系統的設計與維護。
- 影響: 組織需要建立新的協作模式和技能培訓體系,培養具備 AI 應用設計和維護能力的「AI 原生開發者」。
-
平台化、框架化成為 GenAI 應用落地的關鍵:
- 洞察: 隨著 GenAI 應用的複雜性增加,開發框架和平台將成為不可或缺的基礎設施,它們能有效降低開發門檻,提升開發效率和質量,並確保應用的可維護性和可擴展性。
- 影響: 企業在擁抱 GenAI 時,應積極評估和採用成熟的開發框架與工具,而非從零開始重複造輪子。
5.3 未來展望
- 開發者角色的持續演進: 開發者不會消亡,但其職能將從底層的實現者,轉變為更高層次的「智能系統設計師」和「AI 業務架構師」。他們需要深度理解業務流程、數據結構和系統架構,並將 GenAI 能力無縫融入其中。掌握「IN CODE AT RUNTIME」和智能輸出控制將是其核心競爭力。
- Agently 框架的發展方向: Agently 4 的規劃(內核架構重構、IDE 提示、並發請求、一鍵服務化、Debug Tools)體現了對未來 GenAI 應用開發工具的普遍需求:更強大的工程化能力、更高的開發效率和更穩健的運行環境。這代表了 GenAI 開發框架未來將趨向成熟和完善。
- 探索 AI 應用邊界: 演講的結尾「探索 AI 應用邊界 (Explore the limits of AI applications)」呼應了 GenAI 時代永無止境的創新潛力。未來,GenAI 將滲透到更多行業和場景,與具身智能、多模態交互等前沿技術結合,帶來更多顛覆性的應用。
綜上所述,莫欣先生的演講清晰地描繪了 GenAI 時代下軟體開發的藍圖,強調了開發者思維的轉變、核心技術的突破,以及開發框架在其中扮演的關鍵角色。這不僅是對當前技術趨勢的深刻洞察,更是對未來軟體工程發展方向的重要指引。