在AI技术飞速发展的今天，模型能力已成为行业共识。然而，当人人都能获得强大的模型能力后，真正的竞争力在哪里？答案正在从模型能力本身转向围绕模型构建可规模化的智能系统；从单点能力提升转向系统工程与组织级落地能力。2026年AICon人工智能开发与应用大会·深圳将聚焦AI基础设施、大模型系统、智能体工程、数据智能、多模态技术与行业落地等关键方向，邀请来自腾讯、阿里、华为、百度、蚂蚁集团等50+头部科技企业技术负责人和科研机构一线专家，系统性分享前沿洞察与实战干货，共同探讨AI技术从能力到系统、从实验到生产的真实路径。
--91likeyou---
阿里云技术专家张鑫已确认出席 “Harness Engineering：模型之外的智能体工程” 专题，并发表题为《为什么 AI Agent 拿到数据却不会推理？可观测对象图语义层的设计与开源实践》的主题分享。把 AI Agent 接入企业系统时，主流做法是堆 RAG 或把数据塞进上下文。但可观测数据天然是分散的指标、日志、拓扑、变更——Agent 拿到的是碎片，回答不了“谁影响了谁”“为什么慢”“这次故障谁的锅”。本质问题不是数据不够，而是数据没有“意义”。对此，本次分享提出一条不同路线：先建一层可观测对象图语义层，把实体、关系、拓扑、指标、日志统一成 Agent 能查询、能多跳推理的上下文，并讲清它与 Open / Prometheus / CMDB 是补充而非替代。技术上覆盖三块：统一的 SPL 查询面（一套契约同时服务人、CLI、Web、REST 与 AI Agent）；通过 MCP 把对象图安全暴露给 Agent；以及专为 Agent 设计的 plan/data 查询契约与紧凑响应信封。在本次演讲中，张鑫将对此展开详细介绍。
张鑫，阿里巴巴云原生应用平台可观测技术专家，Apache SkyWalking PMC 成员，专注可观测 10 年。现负责开源项目 UnifiedModel，主导面向 AI Agent 的可观测对象图语义层设计与开源。他在本次会议的详细演讲内容如下：
演讲提纲：
为什么“更多数据 / 更大模型”解决不了 Agent 的可观测问题（含踩坑）
三种常见失败模式：直接把日志/指标塞进上下文、纯向量 RAG、给 Agent 开一堆领域专用 API
踩坑实录：碎片化导致 Agent 看不到关系、token 爆炸、关系靠 LLM 脑补产生幻觉根因
结论：缺的不是数据量，是“对象图 + 关系语义”这一层
2. 对象图语义层怎么建
核心对象：EntitySet（对象类型）、关系/拓扑、数据集（指标/日志/事件）、存储与字段映射
一套 SPL 查询面（.umodel / .entity / .topo / entity-call）同时服务人和 AI——为什么坚持“单一读取面”而不是领域专用 API
与 O/ Prometheus / CMDB 的映射姿势：补充而非替代
3. 把对象图接给 AI Agent
MCP 工具/资源面设计：默认只读、写操作默认关闭的安全边界
plan vs data 范式：开源侧只产出“查询计划”，把执行留给下游 executor，为什么这么设计
踩坑：给人用的响应信封对 Agent 不友好（双层 JSON 嵌套、噪声字段占 ~85% token），如何重做出 ?format=agent 紧凑信封——上下文体积压缩约数倍
4. 真实场景：Agent 走一遍故障定位（开源 demo）
定位 degraded 服务 → 拉自身指标/日志 → 加载 Runbook → 查上游变更 → 排除“红鲱鱼”无关发布 → 跨域发现促销流量放大 → 关联出根因并给建议
关键设计：Runbook 引导的结构化诊断 vs Agent 自由发挥；为什么故意埋一个“看似元凶”的干扰项
5. 落地 tradeoff 与开源共建
建模成本、语义层维护、与现有可观测栈的边界
开源路线：GraphStore Provider / Domain Profile / 一致性验证的共建入口
这样的技术在实践过程中有哪些痛点？
前期建模有成本，不是开箱即得：要把“藏在人脑里的系统知识”（谁调用谁、变更影响哪些服务）显式建模出来，初期投入不小。
语义层会 rot：对象图必须跟系统演进同步维护，否则会和现实漂移，反而误导 Agent——这是长期维护负担。
价值强依赖关系数据质量：关系缺失或错误会让多跳推理走偏；对象图放大了“关系正确性”的重要性。
不是银弹：它解决“上下文结构与可推理性”，不解决底层采集质量；与现有可观测栈是补充关系，不能替代。
plan/data 分离的代价：灵活性换来的是——纯开源侧拿到的是查询计划而非数据，真正取数需要下游 executor 承接。
要维护“两套表达”：给人看的响应和给 Agent 看的紧凑信封需要分别设计，多一份契约维护成本。
听众收益
一套可复用方法论：如何把分散的指标/日志/拓扑/变更组织成 AI 能推理的对象图语义层，而不是无脑堆 RAG 或换更大的模型——附判断“该不该建、怎么建”的决策依据。
面向 Agent 的 API / 契约设计经验：plan vs data 范式、把上下文 token 成本压缩约数倍的响应信封设计，可直接迁移到自己的 Agent 平台。
一个开源可复现的 AI 故障定位范式 + 诚实的 tradeoff 清单，帮助技术决策者少踩坑、看清边界。
除此之外，本次大会还策划了AI Infra、推理工程与异构计算、超级个体与蜂群智能的共生进化、迈向机器人 AGI 的关键技术与产业实践、Agent 安全：从风险到可控、端侧智能与 AI 原生终端、AI Agent 高价值商业场景实战等 11 个专题论坛，届时将有来自不同行业、不同领域、不同企业的 50+资深专家在现场带来前沿技术洞察和一线实践经验。
大会限时早鸟票享 8 折专属优惠，现在报名立减 1160，更多详情可扫码或 进行咨询。
🔥 热词：#AI · #Agent · #拿到数据却不会推理 · #50 · #为什么 · #可观测对象图语义层的设计与开源实践 · #AICon深圳 · #时代