QCon AI纽约2026：生产级Agent的权限、评估与成本

一旦 AI 进入生产环境，代码交付的速度就会超过代码审查的速度，token 成本上升，评估结果必须足够可靠才能据此采取行动，而 agent 也需要权限和防护栏。QCon AI New York 2026已确认了多位资深工程师的演讲场次，他们已在自身运行的系统中处理过这些问题。大会将于 12 月 15 日至 16 日在 The Westin Jersey City Newport 举行，从 World Trade Center 乘坐 PATH 列车约五分钟即可到达。大会面向正在就生产 AI 做出决策的资深工程师和技术领导者。

这些演讲提供的是后见之明。发表演讲的资深工程师已经做出过这些决策，并在生产环境中运行过结果。他们描述系统及其背后的数字，让其他团队在做出承诺之前，将某种方法与自身的约束条件进行比较。

生产环境中 agent 的身份与授权

QCon AI 开场主题演讲描述了为 agent 授予生产访问权限的两种糟糕选择。团队要么给它一个长期有效的服务账户并祈祷一切顺利，要么将访问范围限制得过窄，以至于它无法完成任务。Nancy Wang 创立并扩展了 AWS Data Protection，她在《当软件成为用户：生产环境中 agent 的身份与授权》中提供了替代方案。

来看看这些控制措施在真实平台上是什么样子。Ronak Nathani 曾在 LinkedIn 主导向 Kubernetes 的迁移，他将展示如何在服务器端实施防护栏，包括速率限制和对生产变更的同行审批。他将发表《走进 LinkedIn 的 Kubernetes 运维 agent：技能、工具与防护栏》，详细讲述一个跨 500,000+ 节点和 5M+ pod 运行的运维 agent。这两场演讲结合起来，为团队提供了一个授权模型和一套可用的防护栏，供其与自身方案进行比较。

变更是否可以安全发布，以及运行成本是多少

当工程师足够信任评估分数，能据此决定发布或暂缓时，评估才有用。Fabio Flores 在 DoorDash 领导 Agentic Ordering 的基础开发，他将主张工程师应对模拟会话和生产会话使用同一个评判器，这样在发布前测得的改进就能延续到生产环境。他将发表《从信号到影响：DoorDash 智能体点餐系统背后的评估循环》。

作为原型可行的 agent 工作负载，在上下文中不断增长后，在生产环境中可能变得过于昂贵。Tejas Chopra 此前在 Netflix 从事分布式缓存基础设施工作，他将探讨如何实施提示压缩和排序以提高提供商缓存命中率。在《让每个 token 都发挥作用：生产环境 LLM 上下文的压缩、缓存与检索》中，他涵盖了对话历史的分层存储以及他的团队遇到的失败模式。

当 AI 编写代码的速度超过团队审查的速度

随着 AI 工具生成更多代码，人工审查成为瓶颈。Min Chen 在 LinkedIn 领导向 AI 原生软件工程的转型，她建议工程师应在开发者看到之前先过滤掉低置信度的发现。她将发表《大规模自适应于你代码库的高信号 AI 代码审查》。该系统每周审查约 10,000 个代码仓库中数万个 pull request，她还解释了团队如何衡量建议是否被合入代码。

更快的产出并非对每个组织都同样有帮助。Nathen Harvey 在 Google Cloud 领导 DORA，他将探讨如何评估超越采用率指标的 AI 成熟度，并识别 AI 可能使哪些既有问题变得更糟。他在《在 AI 优先的世界中构建：扩展卓越，而非瓶颈》中主张，AI 会放大一个组织已经做得好的方面，也会放大它做得差的方面。

团队能带回去什么

这个QCon AI 项目委员会邀请的是正在做其他团队可以借鉴之事的资深从业者。这些演讲保持厂商中立，没有隐藏的产品推销，因此每一场都是对某个团队构建了什么以及为什么这样构建的叙述。每十一位参会者就有一位演讲者，因此也有时间向构建该系统的人追问后续问题。目标是让团队带回可采用的模式，以及可以避免的代价高昂的错误。

所有已确认的演讲都在QCon AI New York 2026 演讲场次页面上。