智能化软件应用生态：范型变迁与工程化路径——第三十四期CCF秀湖会议 | CCCF精选

CodeWisdom 2026-10-17 20:12 上海

分享一篇文章。

中国计算机学会: 智能化软件应用生态：范型变迁与工程化路径——第三十四期CCF秀湖会议 | CCCF精选

当前，人工智能（AI）正从“工具赋能”迈向“原生智能”的新阶段，以大模型、智能体（Agent）等为代表的AI技术不再局限于为传统系统叠加功能，而是延伸到通过重构底层架构与运行逻辑，催生全新智能化应用形态——特别是DeepSeek、通义千问、GLM、Kimi、豆包等国产基座大模型的快速突破，推动“AI原生”（AI native）从概念走向实践，成为应用创新与新生态培育的核心动能。2025年8月，国务院印发《关于深入实施“人工智能+”行动的意见》，更明确要求“培育智能原生新模式新业态”“大力发展智能原生技术、产品和服务体系，加快培育一批底层架构和运行逻辑基于人工智能的智能原生企业”，凸显了这一领域的战略地位。

然而，当前智能化软件应用生态发展仍存在短板：概念边界尚未清晰，“AI原生”与“传统+AI”的本质差异须厘清；技术体系缺乏统一框架，基础设施、模型层、应用层与治理层的协同路径有待探索；开放生态尚未成熟，标准缺失、数据孤岛、安全风险等问题制约智能化软件规模化落地。

在此背景下，第三十四期CCF秀湖会议于2025年11月7—9日在CCF秀湖学术会堂召开，会议的主题是“智能化软件应用生态”。会议邀请了CCF会士、北京大学教授梅宏和CCF会士、南京大学教授吕建作为特邀嘉宾，来自高校、企业和行业主管部门的二十余位专家学者出席会议。秀湖会议AC主席，CCF会士、监事长，北京大学教授金芝出席并致辞。会议执行主席为复旦大学教授彭鑫和同济大学研究员王昊奋。

本次会议围绕智能化软件应用的概念内涵、技术体系、应用开发方法、开放生态构建及治理、转型实践经验等方向展开研讨，凝聚产学研用共识，助力智能化软件技术从“单点突破”向“生态繁荣”迈进，为国家“人工智能+”行动落地提供发展建议。

本次会议上，梅宏教授、吕建教授分别就AI的发展态势以及智能化软件的范型变迁陈述了观点。此外，会议围绕“智能化软件的系统化思考”“智能化软件平台及应用”“智能化软件视角下的AI技术探索”“智能化软件可信分析与保障”4个专题组织研讨，每个专题均安排了若干观点分享报告。与会嘉宾从智能化应用的系统观、人机物融合智能化软件形态、大模型的能力边界、智能化软件中的神经符号融合、AI云原生应用架构、智能体框架与智能化应用开发工具、大模型系统的供应链生态、智能化系统的可靠性保障以及大模型智能体系统运维等前沿议题进行了深入交流与研讨。

大模型的能力边界

梅宏教授分享了他对AI热潮的“冷思考”，指出当前AI在感知能力上超过人类，但在认知能力上还相差甚远。深度学习带来的是处理分析海量多模数据的高效自动化手段，但是以深度学习为基础的AI技术路径难以实现类人的认知智能。同时，他强调，符号化是知识沉淀与传播的关键，尽管基于符号体系对世界进行建模存在诸多能力局限，但它仍是我们无法绕开，甚至是唯一可行的路径。

吕建教授从AI发展历史上的几起几落展开论述，强调任何技术均有其局限性。他深入剖析了以大模型为代表的AI“看似拟人、实则非人”的本质，从哲学与科学视角指出以大模型为代表的AI与人类智能存在根本分野，提醒业界警惕将其“神化”。同时，他强调，未来发展必须进一步明确在数智化时代的人类主体地位，在不同的发展与应用场景中，应采取不同的人类智能与AI“取长补短、相辅相成”的协作模式；特别是在现阶段，必须确保人类的主导地位，确保责任与监管最终由人类承担，从而保障技术与应用发展的有序与健康。

与会专家围绕大模型的能力边界也形成了一些共识。大模型本质仍是统计机器学习，能力来源于海量数据的记忆（memory）与拟合，而非类人的推理规划，所谓的“推理”能力实际上是基于概率预测。例如，如果我们剔除特定领域的训练数据，那么模型在该领域的能力将急剧下降。大部分与会专家认为，模型能力的上限取决于训练数据的质量与规模，预训练阶段已接近天花板，后续提升须依赖高质量的后训练数据。尽管存在上述局限，专家们还是认为大模型的价值在于扩展了软件解决问题的边界，使过去因过于复杂而无法规约的问题有可能得到解决。由此可能引发的是软件能力的质变，而非简单的效率提升。因此不能将大模型简单等同于传统工具。

智能化软件的范型变迁

与智能化软件密切相关的一个概念是“AI原生”应用。业内提出这个概念的初衷是强调一个系统从服务模式、业务流程、架构设计到运行方式都充分考虑和融入AI能力，并将以大模型和智能体为代表的AI技术作为核心底座。与会专家的共识是，“AI原生”软件并非简单地在现有软件上叠加或插入AI能力，而是业务的核心价值必须依赖大模型和智能体等AI技术才能实现。剥离AI能力则业务不复存在（如通用对话、文生图），这与仅在现有功能上叠加辅助模块的“AI+”有本质区别。类似于云原生依赖云基础设施，“AI原生”软件依赖通用智能平台。同时，虽然AI涵盖范围更广，但鉴于目前“快速发展并得到广泛应用的主要是大模型路线”，将“AI原生”聚焦于基于大模型的智能平台，更具工程实践意义。与此同时，与会专家从术语严谨性与概念准确性角度，对“AI原生”的表述提出了不同意见。梅宏教授认为，AI本意是涵盖多元技术路线的学科方向与研究领域，并非边界清晰的具体技术底座，不符合“native”一词在技术术语中指向特定设计与运行基底的通用语义（如“云原生”）。与之相对，指向明确技术范型的 “大模型原生” 表述在概念逻辑与语义搭配上更为自洽严谨。

与会专家从广义与狭义2个层面对“智能化软件”进行了界定：广义上看，所有具有智能行为的软件均可视为智能化软件，哪怕这种“智能”是通过基于规则的决策和自动化控制技术实现的；狭义上看，智能化软件应当被定义为包含机器学习部件或模型的软件，仅由AI生成的代码（不含模型本身）不应被视为智能化软件，而传统符号代码即便具备一定自动化能力也不纳入此范畴。我们目前更关注狭义的智能化软件。

梅宏教授指出，软件技术正面临新一轮的范型变迁，其驱动力主要来自人机物融合计算平台的发展，以及万物智能互联泛在应用带来的新需求；同时还叠加了AI技术突破性进展所带来的新的内生动力。这些变化动摇了现有软件范型应对复杂性的基础，由此产生的智能化软件新范型呼唤全方位变革。

会议从软件工程的目标、环境及实现的三位一体角度总结出智能化软件与传统软件的根本区别：目标上，智能化软件能够以更加灵活和多样化的方式实现需求并适应变化，而传统软件的目标通常是确定的；环境上，智能化软件设计用于处理开放、不确定的环境，无须严格区分系统解决方案与外部世界；实现上，需求分析阶段的工作部分转移到了运行时，系统能在运行时动态拆解任务并重新规划。

会议达成的一个核心共识是：智能化软件范型变迁未来成功的关键路径是“神经符号融合”，即将神经网络所擅长的意图理解、任务规划、方案探索能力与符号逻辑所擅长的流程控制、合规校验、一致性保障能力充分结合，从而实现智能与可信的有效平衡。人类积累数千年的知识（规则、法律、流程）不能完全抛弃，须将经过验证的知识符号化，并与AI能力有机融合。

智能化软件的工程化途径

关于智能化软件的工程化途径，与会专家形成的一个基本共识是：智能化软件的兴起正在加剧新一轮“软件危机”。这场危机的核心矛盾并未发生本质变化，即软件开发的效率与质量难以满足爆发式增长的应用需求，只是呈现出了新的时代特征：一方面，AI 辅助代码生成虽提升了单点编码效率，但软件开发全流程的质量保障体系并未同步成熟，代码产出规模与有效交付能力之间的结构性失衡进一步凸显；另一方面，当前仍缺乏成熟的理论与方法支撑大模型、多模型（大小模型）组合下的软件系统可靠构建与稳定运行。与20世纪60年代传统软件危机催生了软件工程学科类似，当前的“软件危机2.0”同样呼唤系统化的工程方法论来应对。然而，传统软件工程积累的规约、设计、验证等成熟方法并不能直接被复用，因为智能化软件的核心组件，即大模型和智能体，具有概率性和不确定性，这使软件工程的确定性基础被根本性地动摇了。

面对这一挑战，与会专家提出了“围栏”理论作为核心应对策略。这一思想借鉴了自动驾驶和机器人领域的工程实践经验：必须为神经网络模型设置物理约束、逻辑约束和常识约束，防止模型输出违反常理或安全规范的动作。也就是说，面对大模型的不确定性，我们需要构建一个强健的确定性框架对AI的行为进行约束和底线保障，建立独立的、基于规则的仲裁机制，确保在AI触及安全红线时，系统拥有否决权。在方法论层面，专家们进一步提出了“弱化确定性、强化可靠性”的双向演进策略：一方面，接受模型输出的概率性特征，利用大模型处理更多非结构化描述的开放问题，从而扩展软件的能力边界；另一方面，通过验证、测试、多模投票、模块化控制及人工最终保障等手段，将出错的概率控制在可接受范围内，确保系统整体稳定可靠。与之相应的是，质量保障的视角也需要从“可测试性”向“可观测性”转变：由于AI的黑盒特性以及测试环境与生产环境之间的本质差异，我们不可能在开发阶段穷举所有可能的运行场景，因此必须在运行时通过持续监控智能体的行为状态来感知和判断系统的健康程度，而非仅仅依赖上线前的测试来确保质量。

在智能体的工程化落地途径方面，与会专家同样进行了深入的探讨。与会专家普遍认为，智能体的大规模落地仍面临成功率低、可控性差等核心挑战。智能体的粒度划分是一个基础性的设计问题：粒度过粗会导致单个智能体的能力不足以应对复杂任务，粒度过细则会导致多智能体间的协作成本急剧上升。因此需要借鉴微服务架构的拆解原则和社会分工理论，在职责内聚性与协作复杂性间找到合理的平衡点。在治理层面，针对智能体的管控不能“一刀切”，而需要根据场景的风险等级和任务开放程度进行分层设计。例如：点餐类智能体要求高度精确且路径确定，应以工作流为主导；而商务谈判类智能体则需要保留一定的自由度以激发创新和适应性。

在落地现状方面，目前智能化软件应用主要集中在对话、文生图等消费级场景，在企业管理、工业软件、金融系统等企业（B）端场景的渗透率仍然较低，且多扮演辅助角色而非核心决策者，这也从侧面反映了当前技术成熟度与企业级可靠性要求间存在的差距。在架构趋势上，与会专家认为，企业内部因组织架构和数据孤岛的存在，单一智能体难以覆盖端到端的全流程。因此，未来智能化软件架构将走向多智能体协同的形态，通过专业化分工实现更高效的协作。在技术实现层面，工具调用是智能体与外部世界交互的关键能力，模型上下文协议（model context protocol, MCP）等的出现促进了工具接口的标准化和组合复用，但工具的快速演化也带来了新的版本管理和兼容性挑战；此外，智能体间的交互不一定必须使用自然语言，在需要高精度和高效处理的场景下，形式化语言或领域特定语言可能是更优的选择；而在可观测性方面，多智能体间的交互和编排能够产生比单智能体更丰富的运行时信息，有助于问题的归因分析和行为追溯。

在智能化软件的应用生态与可信保障方面，与会专家形成了一个重要共识：信任是生态发展的基石。一个健康的生态需要同时连接应用侧和开发侧：既要有丰富的面向消费者（to the customer, ToC）和面向企业（to the business, ToB）的应用场景，也要有完善的工具链和开发框架，通过价值闭环（如应用商店分发、收益分成等机制）实现双边繁荣。生态运转的核心在于连接性与价值反馈的有机结合：当前技术层面的连接性问题已基本解决，但价值反馈机制尚不完善。一个突出的例证是，当前MCP生态中有相当比例的工具被报告为“不可用”或“未被信任”，这直接反映了信任缺失对生态发展的制约。与会专家认为，建立技术信任需要2种路径的协同：一是通过社区驱动的去中心化机制（如GitHub Star、社区口碑等），建立自下而上的技术声誉；二是通过权威机构的评测与认证，建立自上而下的质量背书。在可信保障层面，专家一致认为保障体系必须覆盖设计、开发、测试、运维及供应链全生命周期，而非仅在部署后进行外围防护。针对大模型能力边界模糊导致的测试覆盖难题，需要重新定义单元测试、集成测试和系统测试的内涵与范围。更重要的是，可信保障的视野需要从技术层面上升至人本主义层面，涵盖人的价值观、社会责任及伦理规范。在具体架构设计上，建议采用分层策略：底层追求可靠性与可预期性，以确定性方法为主；上层允许一定的创造性，以AI方法为主，通过可观测性机制实现整体可信的闭环。

截至2026年8月，距离本次会议召开已有近9个月。在这段时间里，AI技术及其工程实践继续快速发展，使我们可以进一步审视和延伸当时的判断。从AI领域自身的工程化探索看，近几年业界关注点确实出现了明显转移：从较多关注模型本身的能力，逐步转向关注系统层面的可靠性、可控性以及组织中的应用落地方式。2023—2024年，讨论焦点更多集中于“哪个模型更强”；2025年，应用级系统的稳定性与可用性受到更多重视；到了2026年，如何把局部智能嵌入组织流程、沉淀为可复用能力，已成为重要议题。这一演进趋势在一定程度上呼应了会议的核心判断，即：智能化软件的发展，不宜仅以模型参数或单点能力为中心，而要更加重视围绕业务任务所形成的系统构建、约束治理与持续运维能力。

从基础模型到可驾驭的智能体系统

这一变化的一个重要背景，是模型之外的系统层要素开始被更明确地构建和讨论。业内常用“Agent1=Model+Harness”来概括这一思路。可将Harness（驾驭）理解为智能体系统中除Model（模型）之外的所有关键支撑机制与系统组件，其核心作用是尽可能将模型的概率性输出约束到较为稳定、可控、可预期的系统行为范围内。一个直观的类比是：模型相当于中央处理器（CPU），Harness更接近操作系统及其运行支撑环境，Agent2则是运行其上的应用程序。

从2023年前后围绕提示设计的实践探索，到后来围绕工具调用、上下文管理、运行约束等问题展开的系统化尝试，可以看到工业界正不断将关注点从“如何激发模型能力”转向“如何组织模型能力”。当模型能力发展趋于稳定后，系统层面的可靠性、可控性和集成能力会变得更加重要。所谓“驾驭”更适合被看作一组面向业务任务的约束、反馈与治理机制。这一实践过程也充分体现了会议讨论的“围栏”理论以及“弱化确定性、强化可靠性”的思路。

从静态配置到动态优化

前述做法试图让单个智能体表现得更可控，本节重点关注智能体系统是否能够在运行过程中基于反馈持续优化，即系统在人的监督下和既定边界内，逐步积累经验、修正规则并优化配置。这里所说的基于反馈持续优化并不是完全替代人的调优工作，而是通过记录失败、分析原因、补充约束等方式，提高后续运行的稳定性与适用性。

这一机制在系统实现上大致可以分为2个层次。近层是经验的持续沉淀，即系统从每次运行的输出、失败与人工评审中提取信号，写入若干可更新的载体，包括：记忆——沉淀事实与历史决策上下文，技能（skill）——将验证过的成功路径固化为可复用的能力单元，剧本（playbook）——沉淀流程性约束与失败模式的应对策略。三者的共同特征是不修改模型权重，却可以在很大程度上影响系统的行为表现，同时对人类可读、可审计、可回滚。远层则是在审查和授权条件下，对运行参数、流程配置或权限边界等进行调整。

这一分层机制为系统的持续优化提供了较为现实的落点。当前更可行的路径通常不是模型权重的自我改写，而是在可观测、可审计、可回滚的前提下，通过经验沉淀和运行条件调整来实现渐进式优化。每一次失败都可能暴露缺失的约束，每一次运行也都可能为后续迭代提供有用的输入。

在此基础上，AI辅助智能体开发与运维的研究与实践开始增多，Meta-Harness、AutoHarness等都是值得关注的方向。Harness的构建正从一次性配置，逐步转向持续性的自动化实践。与之相应，构建过程中的配置生成、方案优化和规则整理等工作本身也可以借助智能化手段来实现。

从单点能力到组织协同

前述讨论更多聚焦于单个智能体系统如何提高可靠性、如何在运行中持续调整。进一步需要面对的现实是，局部能力的增强，并不必然转化为组织整体绩效的提升。许多AI应用部署失败的根源不在模型推理的失误，而在于组织信息流的断裂：本地政策、历史决策、制造参数等大量隐性知识分散在个人记忆、文档和孤立系统中，无法在关键的决策时刻被有效调用。会议讨论中关于“企业内部因组织架构和数据孤岛存在，单一智能体难以覆盖全流程”的判断反映的正是这一问题。这一差距被定义为“组织鸿沟”，其中至少包含5类断裂，即知识流断裂、反馈学习断裂、权限问责断裂、协调编排断裂、评估校准断裂。

组织智能由此被确立为一种系统级能力，其作用对象是由人、岗位、流程、知识、数据、软件系统、权限与责任机制共同构成的动态组织整体。组织智能实现的标准极为严格，一个部署了许多智能体的系统，如果缺乏共享的任务状态、受治理的记忆、带权限的行动、可问责的归属，以及以组织工作流程持续改进为目标的反馈回路，那么它仍然只是一组单点应用的集合。这里真正关键的，不是抽象地追求“更高层次的智能”，而是让模型能力、规则知识、流程约束与岗位责任能够在组织场景中形成稳定配合，最终更有效地完成业务任务。

当前，AI工程实践方面的探索主要聚焦于个人化的任务场景，对于企业级系统考虑还不是很多。企业级系统是AI技术的重要应用领域，同时也面临更大的挑战。一方面，企业级系统有着很高的安全性、可靠性和一致性要求；另一方面，企业经过多年的信息化建设，积累了大量遗留软件系统，智能化转型必须建立在AI技术与企业软件充分融合（即智能化软件）的基础上。

企业级业务智能体落地的真实障碍

企业级业务智能体在客户关系管理(customer relationship management, CRM)、企业资源计划(enterprise resource planning, ERP)、信息技术服务管理(information technology service management, ITSM)等企业级系统中持续感知状态、调用工具，在遵循业务流程与规则约束的前提下完成各种业务处理任务。思考面向企业级软件的智能化工程路径，首先需要理解企业级业务智能体所面临的真实挑战。过去两年间，企业级业务智能体基准测试方面的快速演进为我们提供了一个有价值的观察窗口。

2024年3月和7月，ServiceNow推出了一个评估网页智能体（WebAgent）完成企业软件操作任务的基准测试Workarena及其后续版本Workarena++，涵盖工单管理、表单填写、数据检索等典型工作场景。2024年11月，CRMArena首次将评估场景拓展至真实的CRM工作流，揭示了专业领域数据与业务规则带来的独特挑战。2025年10月，EnterpriseBench首次同时引入数据孤岛与基于角色的访问控制约束，使评估环境更贴近企业真实的数据与权限隔离状态。2026年1月，WoW通过进一步引入企业系统的隐藏工作流，揭示了智能体因无法感知级联副作用而导致的系统性失败。同年3月，EnterpriseOps-Gym进一步引入了不可行任务拒绝问题，聚焦智能体在复杂约束下识别任务边界的能力。

当前企业级业务智能体基准在构建方式上存在较大差异。在平台环境方面，可分为基于闭源产品平台（如ServiceNow平台）、基于开源系统（如开源企业管理系统Odoo），以及基于合成或模拟沙箱（如Sierra AI的tau-bench）3类，在生态代表性、业务真实性和基准可扩展性等方面各有侧重。在业务规则构建方面，采用包括专家手工设计、基于数据库模式（schema）逆向生成、程序化合成，以及从真实工作轨迹中提取这4类手段，所获得的规则复杂度、真实性及构建成本各不相同。在工具形态方面，智能体业务操作实现包括图形用户界面（graphical user interface, GUI）操作、应用程序编程接口（API）/MCP调用以及代码执行等形式，并覆盖端到端工作流、业务操作、表征状态转移(representational state transfer, REST)接口、数据库操作等不同粒度。

整体来看，企业级业务智能体基准测试的关注点经历了从任务完成能力到约束遵守能力，再到失败归因能力的逐层深化，体现逐渐深入的工程实践考虑。综合各基准测试的评估结果，当前最先进的智能体在企业级任务处理上仍远未达到可靠部署的水平。无论采用何种评测方式，顶级模型的任务完成率普遍较低，且在多轮交互、约束遵守和不可行任务识别等关键维度上表现更弱。

从解构到重构：企业软件的智能化工程路径

经过几十年信息化发展逐渐沉淀形成的企业软件存在太多历史包袱，亟须通过“解构再重构”构建适应企业智能化转型发展的新型体系。传统企业软件（包括ERP、CRM、ITSM系统等）功能以一体化的代码形式实现，界面以固定的菜单和表单呈现，流程以预先编排的工作流固化。这种“铁板一块”的构造方式在确定性环境中行之有效，却难以适应智能化时代对灵活性、适应性和人机协同的新要求。未来的智能化软件，将在传统软件的基础上通过解构再重构来实现：一方面，以代码形式一体化实现的传统软件将被解构为原子化的API和能力集，然后基于大模型智能体进行动态的规划和编排，从而实现跨应用的灵活组合；另一方面，用户交互方式将从传统的GUI转向自然语言交互，软件应用退化为后台服务，通过由智能体统一调度来满足用户的意图和需求。

然而，解构与重构并不意味着一味追求“灵活”。对于企业级软件而言，安全、可靠和一致性要求不会因为智能化变革而消失。因此，未来的企业级智能化软件需要将神经计算（AI模型）的直觉、泛化能力与符号计算（代码逻辑）的精确性、可靠性和可解释性密切结合，形成新的“神经符号融合”架构。在智能化软件的工程化路径中，神经符号融合可能会体现为一种分层策略：底层以符号系统为主，确保关键路径的确定性与可验证性；上层以神经网络为主，处理开放场景中的意图理解与任务规划；中间层通过可观测机制实现上下层的协同与制衡。这种架构既保留了传统软件工程在可靠性方面的积累，又引入了AI在灵活性和适应性方面的优势，从而实现了智能与可信的动态平衡。

智能与可信的动态平衡

企业级软件的智能化工程路径的一个重要目标是实现智能与可信的有效平衡。企业级应用关注的不是“能不能做到”，而是“能不能每次都做到、能不能在约束下做到、能不能在被审计时解释清楚为什么做到”。当前的智能体技术难以实现这一目标。例如，已有研究[8]指出，智能体在规则遵循方面存在缺陷，仅在提示词中注入规则不足以约束模型行为。即使规则被明确写入提示词，智能体在执行过程中仍然可能绕过或忽视这些约束，尤其是在长程任务中，规则往往被“遗忘”在上下文的深处。这意味着，企业级智能体的约束机制不能仅仅依赖模型自身的理解与遵守，必须通过架构层面的强制手段来保障。

神经符号融合架构为此提供了一条可行的路径。其核心思想是将神经计算所擅长的直觉理解与泛化能力，同符号计算所具备的精确性、可靠性和可解释性从分立走向深度融合，形成混合智能架构。在这一架构中，以符号系统的确定性为基石，以神经系统的涌现能力为驱动，根据场景对可靠性的不同需求进行理性的架构设计。具体而言：高可靠性要求的场景（如精准计算、合规流程）以“符号主导”，即将神经网络符号化封装为确定性的原子能力，供可靠编排；或利用业务感知的推理大模型进行任务规划与分解后，调用符号化工具执行。而需要灵活交互与探索的场景（如创意辅助、开放决策）则以“神经主导”，由大模型智能体作为交互与决策中心，符号系统退居幕后提供关键工具与规则约束。例如，Claude Code的动态工作流机制会根据任务编排逻辑生成一个可执行的JavaScript脚本，该脚本在任务启动前完成多维度前置校验，确保任务拆解的完整性、步骤间的逻辑一致性以及工具权限的合规性，并在后台自动协调多个子智能体并行执行。

实现这种神经符号融合架构还需要为智能体提供一个稳定、可被共同理解的“业务地图”。Palantir的实践为我们提供了一个具有代表性的工程参照。其核心技术路径中的本体（ontology）通过将企业分散的数据、逻辑、行动与安全整合为统一的业务对象模型，为人和AI提供了一个共享的、可操作的“数字孪生”，确保AI的每一次行动都落在受控的业务语义与权限边界之内。在此过程中，本体同时支持了共享状态层（所有智能体与人类看到同一份对象与关系）、权限与问责层（行动绑定岗位权限，可归属、可审计）与知识沉淀层（memory与skill升格为组织级共享资产），从而支持将单点智能接入组织信息流，使企业软件的解构不至于走向碎片化，在重构中保持一致性、可追溯性和可治理性。

为期3天的会议讨论与随后近9个月的技术追踪表明，智能化软件正处在一个从概念探索走向工程实践的关键转折点。与会专家在大模型能力边界，以及智能化软件范型定义、工程化约束、可信保障等核心议题上形成了诸多共识，同时也有一些观点上的学术争鸣。这些共识与分歧本身，正是当前领域发展阶段的真实写照。

自会议召开以来，AI技术应用与工程实践在借鉴软件工程与系统工程思想的基础上，呈现出多个方面的演进趋势：从关注模型本身，转向关注可驾驭的智能体系统构建；从一次性配置，转向重视系统运行中的持续调整与经验沉淀；从单点能力展示，转向关注组织流程中的协同、治理与复用。需要指出的是，这些变化仍处于探索和快速演化阶段，但它们确实进一步提示我们：AI技术应用落地，重点不应是抽象追求“更强智能”，而应是面向业务任务，在系统约束、知识组织、流程协同、可信保障与持续运维之间形成可落地、可治理、可验证的实践体系。

需要注意的是，虽然AI领域逐渐意识到工程实践的重要性并提出了提示工程、上下文工程、驾驭工程等包含“工程”字眼的实践总结，但AI技术在各行各业及各个领域的广泛应用仍然需要更深入的软件工程与系统工程思考。未来的智能化系统应当具备典型的人机物融合形态，以软件定义的方式按需融合人机物资源，并满足用户需求。因此，我们应当更多地从智能化软件的视角思考和探索AI技术应用的发展方向，并从多个层面探索相关的方法论和工程实践。在架构层面，坚持神经符号融合的分层设计，用符号系统守住确定性的底线，用神经网络拓展适应性的上限；在治理层面，建立与能力同步分级的治理框架，确保智能化能力的扩张始终在可控边界内进行；在评估层面，从“可测试性”转向“可观测性”，从单点指标转向组织级的综合度量。

展望未来，各行各业的传统软件将通过解构再重构充分融入大模型和智能体等智能化元素，从而形成新型的智能化软件形态。这种智能化软件将传统的GUI与自然语言等新型交互方式有机融合，并将代码实现的确定性逻辑与基于大模型的智能决策深度结合，从而实现智能与可信的有效平衡。

注：

¹ 这里的Agent指的是包含大模型及其之上智能体基础设施的完整系统。

²这里的Agent指的是针对特定任务定义的智能体。

本文将发表于2026年第10期《计算》。

点击“阅读原文”，加入CCF。

跳转微信打开