2026奇点智能技术大会：聚焦Agent自进化与AI制造AI

上周六的1024程序员节，不少开发者在朋友圈调侃，今年可能是最后一届程序员节，明年或许要改成“1024 Agent节”了。这个玩笑背后，是过去一年Agent能力的快速跃迁——从写代码、调用工具、浏览网页，到执行越来越复杂的长程任务。当下，比起“Agent能做多少事”，更值得关注的是Agent如何从经验中持续学习，让自己变得更强。

11月20日至21日，2026奇点智能技术大会将在北京万达文华酒店召开，本次大会设置了“大模型技术：从Agentic Scaling到自进化”专题，汇聚了一线研究者与工程团队，共同探讨AI的下一步：如何从能力越来越强走向真正的持续自我改进？

从Scaling到自我改进，AI的下一步是什么？

过去，大模型能力提升的主线是更大的模型、更丰富的数据、更强的计算能力。但当模型进入Agent阶段后，新的Scaling问题出现了：Agent不再只是被动接受指令，它开始与环境持续交互、执行任务、调用工具，积累大量真实经验。这些经验，能否反过来让模型和Agent自身持续进化？

在本次大会现场，奇点智能研究院院长、CSDN高级副总裁李建忠将围绕《AI智能体生态的研究和思考》，从宏观视角讨论Agent生态的变化。在“大模型技术：从Agentic Scaling到自进化”专题中，这一问题将被进一步拆解。

新浪微博首席科学家及AI研发部负责人张俊林将带来《AI自我迭代改进（RSI）：方法、实践及其局限》的主题分享。RSI即递归自我改进，相比“AI能不能自我进化”的宏大判断，更重要的问题是：今天已经有哪些可行的方法？哪些路径正在被实践？真正的瓶颈又在哪里？

南京大学人工智能学院副院长、教授俞扬将围绕大模型强化学习展开分享。强化学习仍是让模型从反馈中改善行为的重要技术基础，当Agent进入复杂任务和真实环境，如何利用反馈持续改善模型行为，是下一阶段能力演进的核心问题之一。

Agent用得越多，真的能变得越聪明吗？

如果说自进化最现实的路径不是“模型突然学会修改自己”，而是建立持续运转的数据飞轮。腾讯WorkBuddy模型研发负责人董汉德将带来《LLM Agent的模型数据飞轮——WorkBuddy持续学习经验》主题分享。Agent产品与普通模型最大的不同，是它每天都在与真实用户、真实任务和真实环境交互，这些交互会产生大量新数据，比如Agent的操作、环境变化、用户介入点、成功步骤等。这些看似普通的产品数据，实则包含高价值训练信号。WorkBuddy长期探索如何将“Agent—环境—用户”的真实经验转化为模型训练信号，最终形成用户→数据→模型→产品→新数据的循环飞轮，这是Agent从单次训练走向持续学习的关键一步。

自进化不能只靠“反思”，它还需要一套可度量的闭环

Agent要实现自我改进，需解决两个问题：如何稳定进化，以及如何确认自身真的变强。PenguinHarness、LlamaFactory作者郑耀威将带来《低成本、高收益的自进化Agent闭环构建实践：从LlamaFactory到PenguinHarness的技术演进》分享。团队从LlamaFactory出发，历时半年打造开源智能体自进化引擎PenguinHarness，核心并非让Agent反思，而是建立完整闭环：数据生成→多智能体评估→Harness自动迭代→再评估。团队还发布了GDPevo，用于评估Agent在经济价值任务上的进化能力。实际测试中，平均准确率提升18.8%，Token成本节省7.5%，还展示了“0.2元+一句话生成完整AI应用”的实践，以及成本仅为Claude Code+Opus 1/70的落地数据。自进化需可评测、可验证，还要算得过成本账，这是Agent进入生产环境必须面对的问题。

当AI不再只是被训练，而是开始参与“训练AI”

自进化的下一个阶段，是让AI参与AI系统本身的研发。衔远科技（Frontis.AI）CTO张开颜将分享《元智能体驱动的AI训练与自进化：AI4AI技术与产业实践》，围绕Frontis-MA系列元智能体模型展开。AI4AI的核心是让AI参与AI研发，从任务环境构建、自主实验，到训练、评测和经验学习，元智能体进入整个模型研发流程。自进化落地并非让模型无限尝试，而是让AI在现实工程边界内寻找更优解。

当AI开始写训练框架、算子和推理内核

如果AI参与研发已足够令人兴奋，那么再往前一步就是AI制造AI。面壁智能技术合伙人、智能进化首席科学家李宇轩将分享《AI制造AI：从五级演进框架到AI Infra的自主生成》。团队提出AI制造AI的五级演进框架，描述AI参与AI研发的不同阶段，还总结出锻造工程的方法：当AI写代码成本降低，工程设计可不用追求通用实现，而是让AI针对不同需求生成垂直专用的实现。目前团队已完成三项实证：AI自主锻造训练框架，性能超越Megatron-LM并承担生产级预训练；AI锻造算子库，在不同场景下超过公开最优实现；AI锻造推理内核，速度超过SGLang等主流引擎。AI正逐渐进入AI系统底层。

越强的Agent，越需要更强的底层系统

自进化不会凭空发生，Agent越复杂、任务越长、上下文越多，对底层推理系统的压力越大。小米AI平台部语言模型推理负责人张晨将带来《小米MiMo长上下文推理的系统优化与生产实践》分享。长上下文为多轮交互、代码智能体和多模态理解提供空间，但进入生产后会带来系统问题。小米MiMo在基于SGLang的长上下文推理实践中，围绕KV Cache管理、多级缓存复用、传输优化等进行系统优化，结合真实生产负载，讨论从瓶颈定位到灰度上线的过程。这提醒我们，Agentic Scaling越发展，模型能力与系统能力越难分开讨论。

这些议题共同指向一条清晰的技术路线：从“会完成任务”到“会持续进化”，这也是本次专题命名为“大模型技术：从Agentic Scaling到自进化”的原因。11月20日至21日的大会汇聚70+技术嘉宾、18大前沿专题、70+主题演讲、1000+行业技术人，呈现AI从前沿能力到工程落地的关键进展。如果关注大模型、Agent、AI Coding等领域，这份初版日程可帮你找到值得听的场次。