AICon 2026 学习总纲：零基础到看得懂顶级 AI 大会的完整教学大纲
AI · 学习路线 · 总纲第 1 篇
本文的目标只有一个：让一个 AI 零基础的工程师，学完后能真正「看得懂」InfoQ AICon 2026 的每一场演讲。先把「看懂」定义清楚，再把大会的全部议题拆成可以逐个吃掉的小单元，后续系列文章按本大纲逐篇展开。
🧪 系列全部实验代码统一收录在 GitHub 仓库 code-corey/ai-lab，目录与各板块文章一一对应，每篇文章讲解代码处均注明来源。
开头：为什么要为「看懂一场大会」专门写一份大纲？
因为 AICon 2026 的议题互相咬合得比任何技术领域都狠。随手翻开深圳站的议程：
- 听《百万上下文下的 DeepSeek V4：SGLang 推理优化实战》——前置是 KV cache 是什么、为什么长上下文会把显存吃爆；
- 听《Harness Engineering：模型之外的智能体工程》——前置是 Agent 的工具调用循环长什么样；
- 听《从 LLM RL 到 Diffusion RL：统一多模态 RL 基础设施实践》——前置是大模型训练为什么要分 pretrain / SFT / RL 三段；
- 听《从 HAMi 到 HAMi-DRA：异构环境的算力资源管理实践》——前置是 K8s 的 GPU 调度为什么难。
没有路线图的学习是这样的：看 Agent 议题 → 听不懂「上下文耗尽」→ 回去补 Transformer → 被注意力公式劝退 → 又跳去看多模态 → 每场演讲都指向三场前置演讲，听哪场都是黑洞，一场都听不完整。
这份大纲要做的事就一件：把 12 个专题织成的知识网，压平成一条单向的线——每个单元只依赖前面的单元，学完一个，就解锁一批议题。这就是西蒙学习法在这个领域的落地方式。
一、AICon 2026 到底在讲什么：12 个专题的知识底图
AICon（全球人工智能开发与应用大会）是 InfoQ 中国主办的 AI 工程大会，面向中高端技术人员，重点关注AI 的落地实践。2026 年共三站：上海站（6 月 26—27 日，已结束）、深圳站（8 月 21—22 日，刚结束）、北京站（预计 12 月，以官网为准）。
议程信息抓取自 AICon 深圳站官网议程页，核验于 2026-08-23。
深圳站共 12 个专题。先把它们和知识线的对应关系摆出来，你就知道这份大纲为什么这么排了：
| # | AICon 2026 深圳站专题 | 它在解决什么问题 | 前置知识线 | 本大纲阶段 |
|---|---|---|---|---|
| 1 | 主题演讲 | AI 技术趋势的前瞻洞察 | 全部 | 全程贯穿 |
| 2 | AI Infra、推理工程与异构计算 | 模型服务为什么慢、为什么贵？GPU 怎么管？ | 推理机制、K8s | 阶段 5 |
| 3 | Harness Engineering：模型之外的智能体工程 | 模型能力上限之外，工程怎么把它兑现？ | Agent 工程 | 阶段 4 |
| 4 | Agent 安全：从风险到可控 | Agent 能行动之后，怎么防它被攻击、被滥用？ | Agent 工程 | 阶段 4 |
| 5 | 智能体时代的数据供给与治理 | 给 Agent 喂什么数据才是「可理解、可追溯」的？ | RAG、Agent | 阶段 2 |
| 6 | 超级个体与蜂群智能的共生进化 | 多智能体协同怎么组织？组织形态怎么变？ | Agent、多智能体 | 阶段 3 |
| 7 | 从感知到行动：多模态大模型与 Agent 落地 | 模型怎么看图看视频并据此行动？ | 多模态架构直觉 | 阶段 6 |
| 8 | 迈向机器人 AGI 的关键技术与产业实践 | 具身智能的技术链路（VLA / 世界模型）走到哪了？ | 多模态、RL | 阶段 6 |
| 9 | 端侧智能与 AI 原生终端 | 手机上跑大模型，性能怎么突围？端云怎么协同？ | 量化、端云架构 | 阶段 6 |
| 10 | 超级 App 的 AI 原生化 | App 怎么从「功能入口」变成「智能任务入口」？ | Agent、端侧 | 阶段 6 |
| 11 | AI 原生新范式：Coding Agent 重构软件研发全流程 | AI 怎么吃掉软件研发全流程？规模化后卡在哪？ | Agent、研发工程 | 阶段 6 |
| 12 | AI Agent 高价值商业场景实战 | 金融、电商、工业里 Agent 怎么赚钱？ | 前面全部 | 阶段 6 |
看清楚这张表，两个结论自然浮出来：
- 应用工程（3~6 阶段）是主干，Infra（阶段 5）是深水区，前沿（阶段 6）只需概念级。12 个专题里 8 个挂在应用工程和它的外延上。
- 这条线和后端工程师的已有技能高度重合。Harness Engineering 讲的可靠性、可观测、安全，就是你熟悉的那套分布式系统课；HAMi-DRA 讲的 GPU 调度，就是 K8s 的资源分配问题。你不是从零开始，你是带着一半地图进场的。
二、学成什么样，才算「看得懂」？
先立靶子。「看得懂」不是「能背出每个名词」，它有五档验收：
| # | 能力 | 具体表现 |
|---|---|---|
| 1 | 听得懂问题 | 每场演讲开场三分钟，能说出「这场要解决什么问题、为什么现在这个问题重要」 |
| 2 | 跟得上机制 | 讲到关键技术（KV cache、RadixAttention、MCP、语义层）时，脑子里有画面，不需要停下来查词 |
| 3 | 辨得出取舍 | 听完能说出方案的代价——它牺牲了什么换来了什么（比如量化牺牲精度换吞吐） |
| 4 | 复述得出 | 能给没参会的同事把这场演讲讲明白，十分钟讲清主线 |
| 5 | 连得上业务 | 能判断这场的内容和自己手头的系统有没有关系、能抄什么作业 |
注意「看得懂」的定义里没有：推导注意力公式、手写 CUDA kernel、从零训练模型、读懂论文里的数学证明。AICon 是工程落地大会，不是学术会——细节查文档就行，机制直觉 + 工程取舍判断力才是「看得懂」的分水岭。
三、西蒙学习法在本领域的四个落法
西蒙学习法的核心：把领域拆碎成小单元，连续地、单点聚焦地逐个吃掉，每个单元立刻获得反馈。对应到本大纲：
- 拆碎：每个知识单元控制在 0.5 ~ 2 天内可完成。绝不出现「学大模型推理」这种大块头，只有「手算一次 7B 模型 32k 上下文的 KV cache 显存」这种小块。
- 单点聚焦：一次只学一个单元。学 RAG 的时候不要顺手去翻 vLLM——忍住，它排在阶段 5，到时候再看。
- 及时反馈：每个单元都配动手实验和吃透的标准。实验跑不通 = 没学会，不进入下一单元。
- 连续推进：每天 1.5 ~ 2 小时，每周 5 ~ 6 天，连续推进约 15 周。从 8 月底开始，12 月初学完——正好以「看得懂」的状态迎接 AICon 北京站；深圳站的回放和专题报道，则随时可以拿来当考卷。
学习环境清单（开工前一次备齐）
| 工具 | 版本建议 | 用途 |
|---|---|---|
| Python | 3.12+（配 uv 管环境） | 阶段 1 起的裸调实验 |
| Ollama | 最新版 | 阶段 0 本地跑 qwen3 系列 |
| 商用 API Key | DeepSeek 开放平台 或 阿里云百炼（通义） | 全程主力，按 token 计费，全程预算 100 元以内 |
| Spring AI | 1.x（已有 16 篇系列笔记） | 阶段 1~4 的 Java 侧实现 |
| Node.js | 20+ | MCP server、Playwright 自动化 |
| vLLM | 最新版（Docker 一行起） | 阶段 5 推理实验主力 |
| GPU | 阶段 0~4 不需要；阶段 5 可按小时租云 GPU（2~3 元/小时），或用 CPU 跑量化小模型 | 推理压测 |
| Docker / Kind | 最新版 | 沙箱实验、阶段 5 的 HAMi 实验 |
已有弹药盘点（这是你相对外行的巨大优势）
本板块已有 30+ 篇文章，直接映射进各阶段，能省下近三分之一的时间：
| 阶段 | 已有文章（学到对应单元时回看） |
|---|---|
| 0 地基 | 本地跑通 Ollama + OpenCode、Qwen3.5-27B 深度体验 |
| 1 主干 | ChatClient、Prompt、Memory、结构化输出、Function Call |
| 2 RAG | LangChain RAG、Spring AI RAG 四篇 |
| 3 Agent | Spring AI Alibaba 全七篇、Agent 模式、Docker 沙箱师生对话 |
| 4 Harness | Harness Engineering（译文）、可观测性 |
| 6 前沿 | Playwright + Agent Skills 三篇、2026 Agent 框架选型指南 |
四、知识全景图
八大阶段，总周期约 15 周：
| 阶段 | 主题 | 回答的核心问题 | 周期 |
|---|---|---|---|
| 0 | 地基：大模型的物理直觉 | 大模型到底是什么？为什么会幻觉、会忘事、会算错？ | 1.5 周 |
| 1 | 主干：把模型变成程序组件 | 怎么让模型的输出可控、可解析、可拼进工程？ | 1.5 周 |
| 2 | RAG：外挂知识与数据治理 | 怎么给模型喂私有知识？智能体时代的数据长什么样？ | 1.5 周 |
| 3 | Agent：从回答问题到执行任务 | 怎么让模型调工具、做规划、多智能体协同？ | 2 周 |
| 4 | Harness：可靠、可观测、安全 | 怎么让 Agent 敢上生产？ | 2 周 |
| 5 | 推理与 AI Infra：深水区 | 模型服务为什么慢、为什么贵？GPU 怎么管？ | 3 周 |
| 6 | 前沿扫描：听得懂即可 | 多模态、具身、端侧、Coding Agent 各到哪了？ | 2 周 |
| 7 | 毕业：模拟参会 | 一场大会的信息量，你能吸收多少？ | 1 周 |
顺序设计的三个关键决定，先说透，免得学到一半怀疑路线：
- 先用再懂，Transformer 只到直觉级。阶段 0 第一件事就是把模型跑起来、把 API 调通，用体感兜住概念；注意力机制只讲「每个 token 回看所有前文、按相关性加权」这一句人话。被 AI 劝退的人，九成死在第一天就去啃数学公式——AICon 是工程大会，听懂它需要的是工程直觉，不是推导能力。
- 应用先于 Infra。token、上下文、工具调用这些词，是《vLLM 推理优化》这类议题的词汇表；词汇表没齐就进 Infra，每个优化手段都挂不上钩。而且你的 K8s / 分布式功底是阶段 5 的杠杆——放在那一步才兑现，放早了浪费锚点。
- 多模态、具身只到「复述链路」级。这两个专题在 AICon 是产业实践向：考的不是你会不会训 VLA 模型，是你知不知道「VLA = 视觉-语言-动作、世界模型在补什么」。概念级扫描，两天一块，别陷进去。
五、阶段 0：地基——建立对大模型的物理直觉（第 1 ~ 2 周前半）
为什么有这个阶段：AICon 所有议题都建立在「大模型是什么」上。token、上下文、采样、训练范式这四个词不清，每场演讲的前三页 PPT 就能把你甩下车。
| 单元 | 回答的核心问题 | 动手实验 | 吃透的标准 |
|---|---|---|---|
| 0.1 下一个 token 的概率世界 | 模型的输出怎么来的？为什么会幻觉？ | 裸调 API：同一问题 temperature=0 连跑 10 次，再调 1.5 跑 10 次，对比输出的稳定性 | 说清「模型 = 下一个 token 的概率采样器」，以及「幻觉是机制的必然副产品，不是 bug」 |
| 0.2 上下文窗口与 KV cache 直觉 | 上下文是什么？为什么长上下文又贵又慢？ | 给同一问题垫 0 / 1k / 10k token 的前缀，观察延迟与计费变化；顺手做个「大海捞针」测试 | 说清「模型对前文的记账（KV cache）随长度增长」——这是将来听懂 vLLM / SGLang 议题的钥匙 |
| 0.3 训练三段论 | pretrain / SFT / RL 各产出什么能力？ | 读一份 Qwen 技术报告，只读训练章节的结论段 | 给「世界知识、指令遵循、对齐」三个能力各标注来自哪一段 |
| 0.4 本地跑通一个模型 | 参数量、量化、上下文长度怎么影响体验？ | Ollama 跑 qwen3 小模型，和商用 API 同题对比 | 说清「本地小模型 vs 云端大模型」差在哪、各自的适用档位 |
| 0.5 模型卡阅读法 | 7B / 72B / MoE / license 怎么读？ | 收集三张不同量级的模型卡，逐项对照 | 给定三个业务场景（客服摘要、代码生成、端侧离线），能各选出一个模型并说理由 |
阶段验收：用一段话向完全不懂 AI 的同事解释「大模型为什么会一本正经地胡说八道」，并且不带任何没解释过的术语。
学完能听懂的议题：主题演讲里的趋势判断、《Qwen 系列模型线性注意力优化》的问题背景部分。
六、阶段 1：主干——把模型变成程序里可控的组件（第 2 周后半 ~ 3）
为什么有这个阶段：模型裸输出的是自然语言，工程要的是结构、是闭环。Prompt / 结构化输出 / Function Calling 这三件事，是把「会说话的模型」变成「系统组件」的全部接口——也是 Agent 的原子操作。
| 单元 | 回答的核心问题 | 动手实验 | 吃透的标准 |
|---|---|---|---|
| 1.1 Prompt 三件套 | system / few-shot / CoT 各解决什么问题？ | 同一任务用三种写法各跑 20 次，统计成功率 | 能说清每种手法「改变的是模型的哪部分行为」 |
| 1.2 结构化输出 | 怎么让模型稳定输出 JSON？ | 用 JSON Schema 约束输出；先故意诱导模型写散文，再看约束如何纠正 | 说清「为什么 Agent 的一切都建立在结构化输出上」 |
| 1.3 裸写 Function Calling 循环 | 模型怎么「调用」你的函数？ | 不用任何框架，裸 HTTP 实现 50 行：模型决定调工具 → 程序执行 → 结果回填 → 模型继续 | 画出这个闭环的时序图——它就是一切 Agent 的心跳 |
| 1.4 多轮与记忆 | 无状态的模型怎么「记得」对话？ | 手动维护 messages 数组实现多轮对话 | 说清「记忆的本质是把历史拼进 prompt」 |
| 1.5 上下文耗尽与压缩 | 对话太长怎么办？ | 实现滑动窗口 + 摘要压缩两种策略，对比效果与信息损失 | 说清「压缩是有损的」——这直接连着后面 Harness 专题的上下文工程 |
阶段验收：脱稿画出「用户提问 → 模型选择工具 → 程序执行 → 结果回填 → 模型总结」的完整时序，并指出每一步的耗时大头在哪。
学完能听懂的议题：几乎所有应用类议题的方法论底座；《Omni-Infer：高吞吐低时延推理优化》里「时延」一词的构成（阶段 5 会展开）。
七、阶段 2：RAG——外挂知识与数据治理（第 4 周 ~ 5 周前半）
为什么有这个阶段：模型的参数知识有截止日期、没有你的私有数据。RAG 是最普遍的大模型落地形态；而 AICon 2026 专门设了「智能体时代的数据供给与治理」专题——它是 RAG 的升级版考题。
| 单元 | 回答的核心问题 | 动手实验 | 吃透的标准 |
|---|---|---|---|
| 2.1 Embedding 与相似度 | 「语义坐标」是什么？ | 对几句话手工计算余弦相似度，验证「意思近 = 距离近」 | 说清 embedding 与关键词匹配的本质区别 |
| 2.2 Chunking 策略 | 文档怎么切？切错了会怎样？ | 对同一份 PDF 用固定 / 递归 / 按结构三种切法，对比检索命中 | 能说出三种切法各自的翻车场景 |
| 2.3 混合检索与 Rerank | 为什么向量检索之后还要重排？ | 搭 BM25 + 向量 + 交叉编码器三段流水线，逐段看指标变化 | 说清「召回求全、重排求准」的分工 |
| 2.4 RAG 评估 | 效果好不好，凭什么说？ | 建 20 条评测集，测召回率 / 答案忠实度；故意破坏 chunking 看指标怎么变 | 说清「没有评测集的 RAG 调优是玄学」 |
| 2.5 从 RAG 到 Agentic 数据 | AICon 数据治理专题在讲什么升级？ | 精读《可观测对象图语义层》与《DataBuddy：数据语义驱动的 Agent Runtime》两场议题摘要 | 说清演进线：「给模型喂文档 → 给 Agent 喂可理解、可追溯、可治理的语义层」 |
阶段验收：给自己业务领域的一批文档搭一个最小 RAG，评测集指标达到「敢给同事演示」的水平，并写一份「失败案例集」——每个失败案例对应一个可改进的环节。
学完能听懂的议题：《Quick BI 数据分析智能体的可靠工程实践》《DataBuddy》《可观测对象图语义层》全部主线。
八、阶段 3：Agent——从回答问题到执行任务（第 5 周后半 ~ 7）
为什么有这个阶段：AICon 2026 的绝对主角是 Agent（12 个专题里 9 个带 Agent 属性）。从这阶段起，「模型」退居零部件，「循环 + 工具 + 规划」走到台前。
| 单元 | 回答的核心问题 | 动手实验 | 吃透的标准 |
|---|---|---|---|
| 3.1 ReAct 循环 | 思考-行动-观察怎么转起来？ | 裸写 50 行 ReAct 循环（阶段 1 的 function calling 循环加「观察→再思考」） | 说清 Agent 和单次问答的本质区别：循环 |
| 3.2 工具设计工程学 | 什么样的工具 Agent 用得好？ | 给同一个 Agent 换三套工具描述（模糊 / 清晰 / 带反例），统计任务成功率 | 说清「工具文档是写给模型看的 API 文档」 |
| 3.3 MCP | 为什么需要一个协议？ | 用官方 SDK 写一个最小 MCP server，接入客户端调用 | 说清 MCP 与 function calling 的关系：协议化 + 可发现，以及「USB-C」类比 |
| 3.4 规划模式 | 先规划再执行，还是边走边看？ | 同一长任务分别用 plan-and-execute 与反馈式实现，对比失败模式 | 说清两种模式各自的翻车场景（规划过时 vs 陷入循环） |
| 3.5 多智能体 | 编排和协同各适合什么？ | 用图编排（LangGraph 系）实现一个两角色流水线；再读「蜂群」议题摘要做对照 | 说清「编排 = 确定性拓扑，协同 = 涌现式协作」 |
| 3.6 执行环境与沙箱 | Agent 的手为什么要关进笼子？ | Docker 沙箱里跑 Agent 生成的代码，观察资源隔离与失败隔离 | 说清「沙箱不是可选项，是 Agent 执行的默认前提」 |
阶段验收：做一个「给它一个模糊目标，它能拆解、调 3 个以上工具、在沙箱里完成并汇报」的 Agent——规模不限，闭环必须完整。
学完能听懂的议题：《EvoMap 自进化蜂群》《Agentic-Native 增长：Zilliz 用 Agent 支撑超线性扩张》《面向 Agentic 负载的下一代推理引擎》的问题定义部分。
九、阶段 4：Harness——可靠、可观测、安全（第 8 ~ 9 周）
为什么有这个阶段：AICon 2026 专门设了「Harness Engineering」专题，命题人一句话点题：模型决定能力上限，harness 决定能否抵达上限。这个词 2025 年才流行起来，但它讲的东西你太熟了：可靠性、可观测性、安全——就是分布式系统课在 AI 领域的重放。
| 单元 | 回答的核心问题 | 动手实验 | 吃透的标准 |
|---|---|---|---|
| 4.1 上下文工程 | 上下文是稀缺资源，怎么分配？ | 给阶段 3 的 Agent 做上下文预算：工具结果截断、记忆分层、检索按需注入 | 说清「上下文里每一段的性价比怎么算」 |
| 4.2 评测（Evals） | 没有测试的 Agent 怎么敢上线？ | 给 Agent 建 20 条用例集，之后每次改 prompt / 换模型都跑回归 | 说清「Agent 调优没有评测集 = 后端优化没有压测」 |
| 4.3 可观测性 | 多步执行炸了，怎么定位是哪一步？ | 给 Agent 全链路加 trace，把一次多步执行的调用树打出来 | 能指着调用树说出「这次失败在工具选择，不在模型」 |
| 4.4 Agent 安全攻防 | 间接注入是什么？为什么防不住？ | 复现一次间接 prompt injection：在工具返回的网页内容里藏一条指令，看 Agent 是否中招；再上最小权限 + 审批门对比 | 说清「间接注入的根因：模型无法区分指令与数据」 |
| 4.5 可控 Agent 体系 | 事前-事中-事后怎么设防？ | 按「事前限权、事中审批熔断、事后审计回放」重构阶段 3 的 Agent | 对照腾讯《Loop Engineering》议题自查：三个环节你各有什么 |
阶段验收：把阶段 3 的 Agent 升级到「敢给真实同事用」：有评测集、有 trace、有权限边界、有审批点，并写一份威胁模型清单。
学完能听懂的议题：《Harness Engineering》专题全部四场、《Agent 想用但不敢用？百度智能云企业级 Agent 安全落地》《以 AI 对抗 AI：腾讯 Agent Runtime 安全防线》。
十、阶段 5：推理与 AI Infra——深水区（第 10 ~ 12 周）
为什么有这个阶段：这是 2026 年 AICon 最硬的专题（九成议题名自带引擎名：vLLM、SGLang、Omni-Infer），也是工程师最容易被名词劝退的地方。但拆开看全是系统课：缓存、批处理、调度——你分布式系统的老三样。这一阶段结束时，这个专题对你不再是天书，而是「又一批分布式优化手法」。
| 单元 | 回答的核心问题 | 动手实验 | 吃透的标准 |
|---|---|---|---|
| 5.1 推理两阶段 | prefill 和 decode 各吃资源 | vLLM 起服务，压测并画出 TTFT / TPOT 随并发变化的曲线 | 说清「首 token 慢（算力密集）和后续 token 慢（访存密集）是两种病」 |
| 5.2 KV cache 账本 | 显存为什么是瓶颈？ | 手算：7B 模型 + 32k 上下文，KV cache 要多少显存（层数 × KV 头数 × 长度 × 精度，给得出数量级即可） | 说清「上下文越长、并发越高，KV cache 越爆」——长上下文议题的物理根源 |
| 5.3 PagedAttention 与 Continuous Batching | vLLM 靠什么成为事实标准？ | 精读 vLLM 论文前两节；高并发下对比静态 batch 与 continuous batching 的吞吐 | 说清「显存碎片」和「批内等待」分别怎么被解决 |
| 5.4 前缀复用 | SGLang 的 RadixAttention 复用什么？ | 多轮对话 / 共享 system prompt 场景，观察前缀缓存命中率与延迟收益 | 说清「树结构缓存命中 = 相同前缀只算一次」 |
| 5.5 长上下文与 PD 分离 | 百万上下文怎么做？ | 读《百万上下文 DeepSeek V4：SGLang 优化实战》议题详解，画出其架构图（prefill / decode 分离、缓存卸载） | 说清「为什么要把 prefill 和 decode 拆到不同机器」 |
| 5.6 量化 | 精度换吞吐，值不值？ | 同一模型跑量化版与原版，对比质量（评测集）与吞吐 | 说清 W8A8 / INT4 / AWQ 各自的适用档位 |
| 5.7 投机解码与 MoE | 一眼对照，各一段话 | — | 各用一句人话说清「小模型打草稿大模型批改」「专家分工 + 路由」 |
| 5.8 异构算力调度 | GPU 怎么池化切分？ | Kind 起集群跑 HAMi demo；补 K8s DRA（动态资源分配）背景，再读《HAMi 到 HAMi-DRA》议题详解 | 说清「虚拟切卡解决了什么、DRA 又补了什么」——你的 K8s 功底在这里兑现 |
| 5.9 RL Infra（概念级） | RL 在补模型的什么能力？ | 读《从 LLM RL 到 Diffusion RL：统一多模态 RL 基础设施》议题详解，梳理 RLHF → GRPO → Diffusion RL 的演进线 | 只求复述「为什么多模态 RL 需要统一的基础设施」 |
阶段验收：拿租来的云 GPU（或量化小模型 + CPU），压测出自己的一组 TTFT / 吞吐 / 显存数据，写一份《推理优化手段效果清单》——每个手段标注「它优化了哪个瓶颈」。
学完能听懂的议题：「AI Infra、推理工程与异构计算」专题全部七场——这是全大会含金量最高的硬核专题，也是本大纲投入产出比最高的一段。
十一、阶段 6：前沿扫描——听得懂即可（第 13 ~ 14 周）
为什么有这个阶段：12 个专题里有一半是前沿与产业向（多模态、具身、端侧、Coding Agent、商业落地）。这些专题考的是视野，不是实现能力——目标定为「复述得出技术链路和商业逻辑」，每块 2 ~ 3 天，坚决不陷进去。
| 单元 | 回答的核心问题 | 动手实验 | 吃透的标准 |
|---|---|---|---|
| 6.1 多模态架构直觉 | 模型怎么「看懂」图？ | 用多模态 API 做一个图片问答小工具；读《OPPO 端侧多模态大模型工程化实践》议题详解 | 说清「视觉编码器 + 投影层 + LLM」的拼接逻辑 |
| 6.2 具身智能链路 | VLA、世界模型在解决什么？ | 读《轻量化异构双臂 + VLA / 世界模型》议题详解 | 复述「感知 → 决策 → 动作」链路，以及数据采集为什么是瓶颈 |
| 6.3 端侧智能与超级 App | 端云怎么分工？ | 读鸿蒙 AI Native、支付宝 xUI、京东端智能三场议题详解 | 说清「端侧管即时感知与隐私，云端管复杂推理」的分工逻辑，以及 Agentic UI 和传统 UI 的区别 |
| 6.4 Coding Agent 与研发范式 | AI 怎么吃掉研发全流程？ | 用 Claude Code 完成一个真实小任务并写复盘：它在哪步神勇、哪步翻车、你补了什么 | 说清 SWE-bench 类评测在测什么；规模化后的「流程与成本双困局」指什么 |
| 6.5 商业与组织 | Agent 怎么变成增长引擎？ | 读《Zilliz Agentic-Native 增长》《快手分销增长 Agent》《从超级顾问到 Agent 蜂群》三场议题详解 | 能各用三句话说清「谁的什么问题、用什么解法、换来了什么」 |
阶段验收：把 6.1 ~ 6.5 每块写成一篇千字笔记——能脱稿讲，才算扫描完成。
学完能听懂的议题：第 7 ~ 12 号专题全部主线内容。
十二、阶段 7：毕业——模拟参会（第 15 周）
7.1 三问笔记
从深圳站 12 个专题里挑 10 场议题（官网议程页逐场精读，有回放看回放，没有就看专题报道），每场写一份三问笔记：
- 这场在解决什么问题？为什么是现在？
- 关键技术取舍：它牺牲了什么、换来了什么？
- 和我手头的系统有什么关系？能抄什么作业？
7.2 输出毕业作品
写一篇《AICon 2026 观后感》发布在本板块：选出你认为被高估和被低估的议题各一场，给出理由——能批评，才证明真看懂了。
7.3 资深自检 20 问（节选 10 问）
- 模型为什么会幻觉？为什么 RAG 只是缓解、不是根治？
- Function calling 的「调用」发生在模型侧还是程序侧？
- MCP 解决了什么问题？没有它，多工具接入是什么惨状？
- RAG 召回率上不去，先查 chunking、embedding 还是 rerank？为什么？
- Harness Engineering 的 harness，具体包括哪些东西？
- 为什么说没有评测集的 Agent 调优是玄学？
- 间接 prompt injection 为什么防不住？根因是什么？
- prefill 和 decode 谁吃算力、谁吃带宽？PD 分离因此怎么设计？
- KV cache 为什么吃显存？PagedAttention 省的到底是什么？
- 端侧模型和云端模型，是替代关系还是分工关系？
（答不出哪个，回对应阶段补哪个。）
十三、总时间线
| 周 | 内容 |
|---|---|
| 1 ~ 2 前半 | 阶段 0：大模型地基 |
| 2 后半 ~ 3 | 阶段 1：Prompt / 结构化输出 / Function Calling / 记忆 |
| 4 ~ 5 前半 | 阶段 2：RAG 与数据治理 |
| 5 后半 ~ 7 | 阶段 3：Agent 工程（ReAct / MCP / 规划 / 多智能体 / 沙箱） |
| 8 ~ 9 | 阶段 4：Harness（上下文工程 / 评测 / 可观测 / 安全 / 可控） |
| 10 ~ 12 | 阶段 5：推理与 AI Infra（vLLM / SGLang / 量化 / 异构算力 / RL） |
| 13 ~ 14 | 阶段 6：前沿扫描（多模态 / 具身 / 端侧 / Coding / 商业） |
| 15 | 阶段 7：模拟参会 + 毕业作品 |
每天 1.5 ~ 2 小时。进度可以慢，顺序不要乱：每个阶段的验收没过，不进下一阶段。
十四、参考资料（均已核验为当前版本，核验时间 2026-08-23）
大会一手信息
- AICon 2026 深圳站官网（含全部专题与议题，本文议题均出自议程页）
- AICon 2026 深圳站专题议程
- InfoQ AICon 专题报道（历届演讲图文实录，学完各阶段就近取材）
官方文档
- Ollama 文档（阶段 0 本地模型）
- MCP 规范（阶段 3，Model Context Protocol 已成为事实标准）
- vLLM 文档（阶段 5 主力，PagedAttention 出自其论文）
- SGLang 文档（阶段 5，RadixAttention 前缀复用）
- HAMi 项目（阶段 5 异构算力虚拟化）
书与博客
- Chip Huyen, AI Engineering（O'Reilly, 2025）——应用工程主线的最佳系统读物，读完大纲再读，吸收率完全不同
- Simon Willison's blog——Agent / prompt injection / 工具生态的一手实践记录
- Lilian Weng 的博客——需要补哪块原理，就读她哪篇（挑结论读，别陷进数学）
- 3Blue1Brown《神经网络》系列视频——阶段 0 建立注意力直觉的最快路径
结语：一条线，走到底
这份大纲的本质，是把 12 个专题织成的知识网压平成一条链：
模型直觉 → 程序组件 → 外挂知识 → 自主行动 → 生产可依 → 推理底座 → 前沿视野 → 亲自验证
每个环节只有一个入口——前一个环节。从阶段 0 的第一次 API 调用开始，走完这条线，AICon 2026 的 12 个专题对你就不再是黑话连篇的秀场，而是一张你能指出哪里扎实、哪里取巧的施工图——到那时，「看得懂」只是起点，你会开始看得出门道。
系列占位文档已按本大纲建好：8 个模块共 43 篇，每篇列出「要解决的问题、知识点清单、动手实验、验收标准」，完成一篇就去掉一篇的「占位待学」标记。完整索引见本板块目录（侧边栏按学习顺序排列）。
下一篇，从阶段 0 的第一个实验开始：《下一个 token 的概率世界：模型到底在算什么》。