背景
AI 代理人（AI agents）帶來的改變早已超出「幫工程師寫程式」的範疇。根據 InfoQ 報導，這些代理人正在成為生產系統（production systems）的直接使用者：它們能對客戶帳戶發起操作、查詢可觀測性（observability）資料，並影響軟體的測試與發布流程。這對資深工程師提出了幾個實際問題：哪些決策可以安全地委派給代理人？代理人產出的工作在上線前需要什麼樣的證據？既有系統該如何在揭露上下文的同時不擴大風險面？哪些環節必須保留在資深工程師的直接掌控之下？即將於 2026 年 11 月 16 日至 20 日在舊金山 Hyatt Regency 舉行的 QCon San Francisco 2026，集結了來自 Airbnb、OpenAI、Netflix、Honeycomb 等團隊的實務者，分享他們在生產環境中回答這些問題的經驗。
讓代理人進入面向客戶的系統
一個只負責起草文字的代理人，與一個能對客戶帳戶採取行動的代理人，風險等級完全不同。對後者而言，光靠提示詞（prompt）或單一的模型層防護並不足夠。Airbnb 傑出工程師 Weiping Peng 將在「How Airbnb Guardrailed Its AI Customer Support Agent」一場演講中，剖析其客服代理人的多層防護架構。該代理人服務數百萬客戶、能跨對話維持上下文，還可以發起帳戶操作。防護手段包括輸入淨化（input sanitization）、分類器（classifiers）、影子測試（shadow testing，即在真實流量旁平行驗證但不影響使用者）、誤報管理，以及快速回應的緩解機制。這個案例的重點在於展示預防性控制、離線測試與線上事件回應如何協同運作，對打算讓代理人進入客戶流程的團隊來說，是一個具體可參考的分層設計範例。
編碼代理人的權限邊界
編碼代理人（coding agents）能大幅縮短實作與迭代時間，但速度並不消除工程判斷的必要性，團隊仍需決定產出如何驗證、架構與發布決策由誰負責。OpenAI 技術人員 Brian Yang 將分享「Lessons from Building a $100M Product in Six Weeks at OpenAI」，介紹 OpenAI Ads 從一開始就以編碼代理人建構的運作模式，並在六週內將其擴展到超過一億美元的年度經常性收入（ARR）。演講涵蓋回饋迴路、驗證機制、token 經濟學（token economics，即生成成本與產值之間的核算），以及哪些決策始終保留在人類手中。這個案例讓技術領導者得以評估：編碼代理人在哪些環節能真正加速交付，在哪些環節資深判斷仍然難以委派。
系統層級的權衡與大規模運維
即使 AI 改變了開發流程，延遲、容量、相容性、故障處理與安全發布這些分散式系統的老問題依然存在，而且在高請求量下，局部優化往往會在別處製造成本。Netflix 工程師 Joseph Lynch 與 Ayushi Singh 的演講「Orderly Keys, Wild Values: Adaptive Compression for Distributed Key-Value Storage」以壓縮為例，檢視其在每日數十億次請求、PB 級鍵值資料規模下的系統性權衡：儲存佔用、快取行為、網路 I/O、p99 延遲、字典版本管理、相容性與發布安全。整個 Distributed Systems in Production 議程軌道還延伸到延遲、一致性、可觀測性、容量與故障處理等主題。議程委員會成員、Momento 共同創辦人暨執行長 Khawaja Shams 指出，該軌道由 Netflix 資料抽象平台（Data Abstraction Platform）創始架構師 Vidhya Arvind 主持，涵蓋了在生產環境中最關鍵的分散式系統面向。
讓生產系統對代理人「可讀」
當代理人開始查詢和操作生產系統，一個 API 技術上可被代理人呼叫，不代表它能被代理人「理解」到足以產生可靠結果。Honeycomb 技術院士 Liz Fong-Jones 將分享建構可觀測性 MCP 伺服器的經驗。MCP（Model Context Protocol）是一種讓 AI 代理人以標準化方式存取外部工具與資料的協定；Honeycomb 的這套實作已被其超過 40% 的每週活躍使用者透過代理人執行生產查詢。演講內容涵蓋 token 經濟學、工具描述、結構描述（schemas）、評估方法、輸出格式，以及實際使用中發現的缺陷。這些經驗不僅適用於可觀測性，也展示了如何讓既有系統對代理人更有用，同時降低代理人操作上的歧義。
議程之外的學習形式與限制
除了主會議的三天議程（11 月 16 至 18 日），想深入把這些觀念套用回自身系統的與會者可加入 InfoQ Certified Architect Program，結合同儕學習小組與 11 月 19 日由 O'Reilly 作者、曾任 AWS 與 DAZN 架構師的 Luca Mezzalira 主持的半日工作坊，完成後可取得 ICSAET 認證。11 月 19 至 20 日另有實作訓練，主題包括為 AI 代理人選擇 SDK、AI 原生開發中的 harness engineering、Claude Code 與 Codex 實務、開發者生產力衡量、事故回應，以及 AI 輔助編碼工作流程。早鳥票價為 2,955 美元，至 10 月 13 日截止，這樣的價格定位也意味著其目標受眾主要是資深工程師、架構師與工程管理者。
值得留意的是，這場會議的定位並非預測代理人未來能做什麼，而是聚焦在代理人已進入生產環境後，團隊正在實際面對的工程決策。來源內容屬於會議議程介紹，各場次的實作細節——例如 Airbnb 分層防護的具體成效數據、OpenAI Ads 案例中代理人與人類的實際分工比例——仍需以演講本身的公開內容為準。對正在評估代理人導入的團隊而言，核心啟示是：上線的關鍵不在模型能力，而在圍繞它的控制、驗證與責任分工設計。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。