InfoQ 2026趋势报告：AI推理与智能体协议成焦点

InfoQ 一年一度的人工智能与机器学习趋势报告，面向读者梳理 AI、ML 以及数据工程领域冒出的新动向和新技术。报告内容来自 InfoQ 编辑团队与外部嘉宾的播客对话，聊的是 2026 年 AI 和 ML 技术的走向，以及未来十二个月里哪些方向值得盯。配套播客把这些趋势逐一展开谈了一遍。

曲线图是年度趋势报告的重头戏，图上标出了刚踏入创新者阶段的趋势、技术和主题，也标出了已经进入早期采用者和早期大众阶段的部分。阶段的划分参照了 Geoffrey Moore 的著作《

从 2022 年 11 月 ChatGPT 发布算起，到现在已经快四年了。

想了解 2025 年 AI/ML 技术趋势的更多细节，可以翻看去年的趋势报告文章。

今年的报告接着去年的讨论往下走，重心放在解读技术采用曲线图上，呈现技术采用的不同阶段，并对去年报告发布以来新增或更新的技术给出更多细节。团队还聊了哪些技术和趋势在采用图上的位置有所提升。今年更新后的采用曲线图里，也加入了一些播客中没有谈到的主题。

另外，范围有重叠的主题做了大幅重组，一些技术已经进入主流、不再需要跟踪，就被移除了。

去年报告发布以来的部分变动要点如下。

采用曲线图的第一阶段是创新者阶段，今年这个阶段多了好几个值得关注的方向，下面逐一介绍。

智能体式 AI 系统越来越复杂，常常包含多个智能体、横跨多个业务域，单个智能体之间、

趋势报告播客嘉宾 Daniel Dominguez 聊到了智能体通信协议，以及它在整套智能体式 AI 方案里占的分量。

Daniel Dominguez：底层正在发生一场架构变革。智能体要在企业内部派上用场，就得调用工具、读取数据、访问 API，还要和其他智能体对话。MCP 或 A2A 这类协议会变得越来越不一样。我认为问题是智能体间协议是否会成为新的企业集成层。

比方说，现在我们把应用程序接到 API 上，将来可能还会加上智能体发现能力，基于这些 API 完成任务的协同。我认为这些架构层也在改变智能体彼此交互的方式。

AI 推理是另一个跑得飞快、变化巨大的领域。2026 年被称为推理之年。企业正从训练模型转向在生产环境中跑 AI 推理。到今年年底，推理预计会占到 AI 计算支出的三分之二左右。推理模型、长上下文和智能体让推理不再只是模型执行的问题，而是覆盖算力、内存、网络、路由、成本的系统性工程。

Hien Luu 详细谈了这股趋势，也讲了他观察到的推理框架方面的情况。

Hien Luu：2026 年初到现在，推理这个话题的热度几乎是爆炸式往上走。vLLM、SGLang 这类推理堆技术栈，让我们能在自己的环境里很快把推理服务搭起来。另一边，

碰上这类具体业务场景，把开源权重模型放到企业内部来部署，就显得很关键。门槛降下来一大截，落地也简单了，所以我认为这个势头还会往前走，以后会有更多企业走这条路。还有些企业是想压成本，就在内署部署开源权重模型来做编码。推理这个东西用处大、影响也大，原因很多，接下来动手的企业只会越来越多。

今年起有个比较新的方向引来了不少目光，就是 Harness 工程。Hien 讲了它为什么重要，也讲了它怎么撑起记忆管理、协同执行这些工程能力。

Hien Luu：关于智能体，我想补充两点。一个是 Harness 工程，我认为它是

还有一条趋势，从 LangChain、Anthropic 等公司身上也能看到。

AI 在软件开发中承担了大部分代码量，开发者的注意力随之转向需求与规范，并借助自动化能力完成应用设计和编码。

由此衍生出规范驱动开发、AI 软件工厂等方向。企业专门组队搭软件工厂，开发团队用 AI 工具把整个开发流程自动化。这套模式包含特定的做法和流程。

嘉宾 Hien Luu 谈了自己的看法。

Hien Luu：这事大约从四五年前起步。编码智能体如今已经很强。可做项目时，通常还是先定目标、定功能、做好规划，不会直接把活丢给编码智能体去写。它借用了我们早就熟悉的最佳实践，只是现在把这些实践写成编码智能体能照着执行的形式。比如从零开一个新项目，先得写需求规范：项目要干什么？要有哪些能力？

接着和编码智能体一起头脑风暴，在它动手写代码前把需要的上下文喂给它。这方面人们积累了不少好做法，多数人也认同这是好做法。现在相关讨论反而少了，因为大家已经在做。AI 工厂则是另一个趋势，真正冒出来可能也就是过去几个月的事，讲的是怎么把 AI 塞进软件开发生命周期的每一步。

典型场景是这样的：“有人报了一个缺陷。怎么让 AI 从头到尾处理它——拉取 PR、分析、试着复现、修复、提交 PR，再走完评审、测试这些后续环节？”每个人手头的事都太多。这个过程如果能自动化，软件开发生命周期会再快一个层级。

物理 AI 是另一个创新不断冒头的领域，说白了就是把智能带进真实的物理世界。AI 智能体是软件系统，那同样的能力怎么放进硬件——机器人、协作机器人、自动驾驶汽车都算。

Daniel Dominguez 介绍了物理 AI 领域的进展和值得留意的方向。

Daniel Dominguez：核心问题就是“怎么把 AI 带进物理世界？”过去几年我们把智能放进软件，现在开始把这种智能接到能感知物理环境、能做物理动作的机器上。机器人、自动驾驶汽车、无人机、工业系统，都成了这一转变的一部分。物理 AI 跟软件智能体有一个根本区别：物理 AI 一旦出错，后果是实打实的。

软件智能体生成文件时出错也就出错了，机器人失误则是完全另一个量级。可靠性、模拟、安全、验证和评估，在物理世界里会越来越关键。机器人基础模型也在发生一个重要转变：机器人开始受益于语言、视觉领域已经验证有效的基础模型路线。

我们将会看到为

Chip Huyen 也谈到了机器人和

Chip Huyen：让模型进入现实世界是下一个前沿，进展已经不少，挑战同样多重。我们常说机器人就像汽车，正如大模型所说，“我们知道现实世界中有很多机器人。”Waymo、Zoox 都在，现实世界里的机器人已经很多。

机器人模型和 LLM 有个很大的不同，难在回退。在虚拟环境里训练 LLM，它犯错可以回退，重置状态接着来，能大量探索再挑最好的状态。

机器人很难这么干。打个比方，机器人爬楼梯摔坏了，你没法让它恢复到出事前的状态。试错探索因此变得非常非常难。另一个挑战是数据。我研究过很多机器人方案，也关注不少机器人创业团队，Janatics Robotics、Generalist、Physical Intelligence、Sunday、Skild AI 这几家都值得期待。

今年创新者类别里新增或修订的其他趋势主题如下：

• 智能体安全与治理
• 语音智能体
• 专用决策模型（例如 TypeSafeAI 的 Jev 模型）
• AI 网关
• GraphRAG
• LLMOps / GenAIOps
• 脑机接口

早期采用者类别里，有两个主题要重点说：语言模型的创新和 RAG。

智能体式 AI 和去年一样，仍是今年的核心热点。2025 年以及更早的年份，关注点都在怎么学习、怎么搭建 AI 智能体。到了现在，企业操心的是另一件事：智能体怎么运维，怎么部署到生产环境，又怎么在生产环境里扩容。

Daniel Dominguez 在 2025 年的一档播客里聊过 AI 智能体的最新进展。

Daniel Dominguez：我觉得 2026 年最大的变化，是 AI 从跟人打交道的工具，变成了能替人干活的执行者。Hien 也说过，过去几年大多数 AI 应用都建立在简单交互上——你提问，手机给答案。从今年起，我们看到的是能自主规划、调用工具、执行动作、并且持续工作更长时间的系统。今年的重点不在模型智能再上一个台阶，而在把已有的智能能力落成真正可用的系统。

有意思的是，智能体的演进阶段跨得特别快。先是个体智能体，接着出现了跟团队协作的智能体，眼下企业又在琢磨跨整个组织运转的智能体。我认为最关键的变化，是我们正在走出聊天机器人那一套，不再只是生成一个答案。智能体可以有目标、能使用工具、能和软件交互、能做决策，还能一直干到任务完成为止。

这等于把 AI 从界面推到了更接近执行层的位置。软件开发领域看得最清楚：从代码补全，到智能助手，再到今天的编码智能体。Claude、Codex、Cursor、Replit 这些工具能浏览代码库、改动多个文件、运行命令、执行任务、检查失败，还能自己迭代。现在真正有意思的问题已经不是“AI 能写代码吗”，这件事早就不是秘密了。

在 AI 智能体这块，用多个智能体协同的系统（多智能体系统）越来越常见，跟单智能体系统相比，它们能带来额外的收益。

嘉宾 Arthur Casals 介绍了多智能体系统的前沿研究现状、工作原理，以及实际落地的场景。

Arthur Casals：多智能体系统这个话题，在 LLM 智能体出现之前就已经存在几十年了。学术界发现，LLM 智能体和 Transformer 之后冒出来的一切，都跟整个多智能体系统有关，本质上是在试着把过去已有的东西重新发明一遍。我的研究领域是 LLM 之前的多智能体系统，但这不代表它不能把 LLM 系统作为其中一部分。最近我一直在研究

今年质量保证领域也有更多进展，包括 AI 评估、护栏和 Harness 框架。2026 年被称为 AI 评估之年，这个领域有不少技术正在受到关注。

我们请嘉宾谈了谈他们在智能体式 AI 评估方面观察到的趋势，以下是他们的看法。

Hien Luu：对把 AI 智能体投入生产的公司来说，这是个非常重要的主题，尤其是那些直接服务客户的公司，内部自用智能体的公司反倒没那么突出。举个例子，DoorDash 就做了一个用于点餐的 AI 助手。还有别的公司在为外部用户搭建客户支持智能体。大家都知道 LLM 没有确定性，搭出来的智能体可能走错路，可能调错工具。评估机制的作用，就是保证智能体高质量、按要求把任务完成。

没有评估机制，智能体有没有失控、有没有做出意料之外的动作、有没有违反企业政策，你根本无从知道。企业不光得做，还得把它当成构建 AI 智能体的核心步骤之一。很多企业最后都会搭评估 Harness，用它驱动整个评估流程，从取数据、跑评估或测试，一直到最后的质评。

Daniel Dominguez：我完全同意今年正在成为模型和智能体评估之年的说法。智能体一旦能执行动作，只评底层模型就不够了。你得评整个系统——模型、工具、上下文、智能体循环、环境，全都要评。评估指标也跟着变了。

不再只看答案对不对，还要看智能体有没有完成任务、花了多少成本、耗了多长时间、需要几次人工介入、过程中有没有不安全行为。我认为这些评估才刚开始，接下来会看到怎么去评估智能体、LLM 以及它们在业务流程里的交互路径这一整套工作流。

除了上面这些重点技术趋势，还有一些技术正从创新者阶段迈向早期采用者阶段。下面列出的这些技术都经历了广泛的发展和采用，已经在大量企业业务系统中投入使用。

AI 技术已经开始被用于

• 智能体编码 / 自主软件工程
• 智能体可观测性
• 推理优化和模型路由
• 小语言模型（SLM）
• 推理模型
• 可解释 AI
• 虚拟现实（例如 VR/AR/MR/XR）
• 认知服务
• 边缘AI推理
• 模型上下文协议（MCP）
• 多模态AI
• AI DevOps与AI驱动的SRE

下面这些技术被我们划入早期大众阶段，理由是它们已经走向主流，各类机构的软件开发团队都在广泛使用。

进入AI智能体时代后，上下文工程一直在往前演进，支撑着AI驱动的各类方案。Arthur Casals谈到过这个话题，并特别指出上下文工程里最难的一环——上下文污染。

Arthur Casals表示，上下文污染其实是最大的问题，也是当下最该盯住的问题。过去一年，行业普遍朝着更大的上下文窗口走，可系统如果分不清哪些信息有用、哪些是最新的、哪些只是备选参考、哪些不相关或过时、哪些带干扰，问题就解决不了。他结合自己的研究观点说，总体来看，上下文越多，智能体越慢、越贵、也越不可靠。

有一个很现实的追问：上下文窗口再大，究竟哪些信息能放进上下文？信息取自哪些数据源、需要什么权限、对应工作流的哪一步，才能避开严重的上下文污染。这牵涉检索质量、来源管控、业务规则，还有通用上下文模型、上下文压缩等一堆问题。按他的意思，“上下文”这个词背后藏着的问题相当多。这就是他对这件事的看法。

和去年的报告相比，又有更多技术迈进了早期大众阶段。

• 生成式AI/大语言模型（LLM）
• 检索增强生成（RAG）
• 知识图谱
• MLOps
• 向量数据库
• 数据契约
• 数据可观测性
• 图数据分析
• 合成数据生成
• 开放表格式（OTF）

采用曲线图的最后一个阶段是“晚期大众”，一些主题从早期大众移到了这里。这些技术眼下已被团队完全采用，融入了他们的核心架构、设计模式和开发流程。

• 自动化机器学习
• 图像识别（计算机视觉）
• 数字助手
• 数据网格
• 流处理和分析
• 推荐引擎
• 湖仓一体
• Spark

这期 AI/ML 趋势报告里，我们拿掉了一些用了多年的成熟技术。它们早就是主流，也是实际采用中相当重要的部分，没必要继续放在曲线上跟踪。

被移出的包括 NLP、深度学习、NoSQL 数据库、内存数据网格，以及 Hadoop 这类大数据技术。

AI 带来的是一场大的技术变革。近四年过去，它并不是一阵风式的热点，也不是技术雷达上的短期起伏，这一点如今大家心里都有数。它会长期存在，属于过去二十多年里最主要的技术浪潮之一。面对这场变革，该做的是拥抱，而不是害怕。无论办公室项目还是个人生活，都可以想办法用 AI 工具把日常流程自动化。

对于明年，团队给出了这些预测：

• 美国本土的机器人企业会出现更多创新；
• 更便宜、更快的模型会接连推出，TypeSafe 风格的模型值得重点盯；
• AI 受到的约束会一点点显露出来：能源和算力基建会卡在电力供给、机房容量、散热条件上。到 2027 年，行业里的重磅新闻可能不再围着模型转，而是落在能源、芯片、基础设施和地缘因素上；
• 每个 AI 智能体都会带上某种形式的 Jev 模型；
• 智能体的开发、运维和规模化落地逐渐成熟后，智能体之间的通信交互会变得常见；
• 不少场景会用上轻量化的专用智能体、混合模型，去处理边界清楚的任务；差异化的重点则落在配套系统上；
• AI 会更深入地进入日常生活；行业边界也会慢慢清楚起来——哪些场景里 AI 价值突出，哪些场景仍然离不开人。

查看英文原文：

https://www.infoq.com/articles/ai-ml-data-engineering-trends-2026/