从“会操作”到“能驾驭”：AI编程落地生产场景的真实交锋
近些年，AI编程技术突飞猛进，从最初的代码补全、代码生成，发展到如今具备任务拆解和自主执行能力的编程智能体，AI正以越来越深的程度介入软件研发流程。那么，怎样才能让AI编程从“个人外挂”转型为团队级别的生产力？如何确保代码质量，搭建可控、可复用、可持续演进的智能体工程体系？最近，InfoQ《极客有约》X AICon直播栏目特别邀请网易游戏高级技术经理林香鑫担任主持，与网龙网络资深技术总监陈洁、柏佳辰平凯数据库（TiDB）智能研发中心负责人、汇丰科技内部开源负责人李渭宁一起，在AICon全球人工智能开发与应
企业AI问数落地：模型能力并非唯一关键
不少企业在评估 AI 问数方案时，首先关心的是：模型输出准不准？这一关切确实关键，却远非全部。在真实的企业环境中，即便模型能力再出色，若所获数据残缺、指标定义相互矛盾、权限划分模糊不清，最终仍会产生不可靠的结果。AI 问数本质上是一场综合考验，衡量的是企业整体数据分析体系能否真正运转。其一，数据接入是否到位。AI 必须对接实际业务系统，而非仅依赖某张临时导出的数据表。其二，指标定义是否一致。同样提到"GMV""销售额""毛利"，各部门必须遵循统一计算方式。其三，权限管控是否严格。集团总部、区域、门店及财务
AI代理越权责任归属解析：内部审计开展AI Agent治理审计的实践路径
AI治理 · 内部审计AI Agent越权行为的责任主体？内部审计应核查的授权链路当AI仅能产出文字、图片或分析结论时，企业所聚焦的风险多围绕数据外泄、内容偏差、模型歧视与合规使用等议题。AI Agent正重塑这一风险格局：它能调用接口、读取数据、操作系统、运行代码，还可能依据较为开放的目标自主规划后续动作。企业赋予AI的不只是信息处置权，还可能涵盖原先归属于员工、系统运维乃至管理层的业务操作权。执行权一旦让渡，责任归属便会演变为治理层面的核心议题：AI出现差错，责任应由谁承担？内部审计不应止步于追问AI
智能体行动时代：谁来为AI操作风险兜底
2026年，AI不再只是实验室中的技术演示，正以超乎想象的速度渗透进企业实际生产场景。随着开发框架与API接口的不断完善，工具调用、文件处理、系统执行变得异常便捷。企业已不再止步于让智能体"聊聊天"，而是将其应用于客户服务、研发辅助、安全运维乃至核心业务流程。据Gartner调研预测，未来两年内，将有逾六成企业加速迈入智能体时代。然而，智能体大规模接入的同时，新型安全挑战也接踵而至。我们来看一则企业真实案例：研发团队在测试智能体能否"生成一份生产环境部署流程文档"时，智能体却误读为"将最新代码直接部署至生
AI同事入职必修课：读懂企业语境
近期，企业AI领域释放出强烈信号：竞争焦点已从单纯比拼“模型话术”转变为比拼“AI对企业业务的理解深度”。6月16日，Databricks 推出 Genie One、Genie Agents 和 Genie Ontology，微软的 Work IQ APIs 也同步上线。这一系列动作表明，AI员工正式入职的前提，并非撰写精美邮件，而是深入掌握企业数据、权限及业务背景。这虽带有浓厚的B端软件特征，但与个人用户息息相关。我们在利用AI撰写方案、汇总或查阅资料时，遇到的瓶颈往往不是文笔问题，而是AI无法理解“本
AI数据治理核心内容解析
近期众多企业提及AI，首先想到的是部署大模型、搭建智能体、构建知识库。说实话，这个方向是正确的。但经过多年数据工作，目睹众多项目后，我愈发确认一点：AI项目最终能否落地，表面取决于模型，底层则依赖于数据治理。那么，问题来了。AI数据治理究竟要治理什么？并非简单清洗数据，也不是建几个数据表，更不是购买一个平台就了事。它真正治理的是五个方面。过去进行数据治理，通常是为了报表、指标、监管、经营分析。现在情况不同了。AI需要利用数据，不仅仅是“能查到”就行。它还要具备理解能力。例如，企业拥有一堆制度文档、项目材料
瓴羊在新加坡千问大会展示AI数据分析新范式
2026年5月26日，由阿里云主办的千问大会（Qwen Conference）新加坡站正式开幕。作为面向全球开发者与企业客户的年度盛会，本次大会重点展示了大模型与智能体技术在企业实际场景中的应用落地。在智能体应用专题论坛中，瓴羊解决方案架构师潘若琛发表了题为《Quick BI: Your AI Data Analyst, From Insights to Action》的演讲，深入探讨了Quick BI在智能化分析领域的最新进展。在千问大会现场，一个明显的趋势是：尽管通用型Agent平台正日益强大，但真正