背景 AI 從實驗與展示階段走進生產環境之後，團隊遇到的問題通常不再只是模型能不能回答，而是系統能不能被信任、被控管，以及成本能不能被承擔。InfoQ 在 2026 年 10 月 13 日整理 QCon AI New York 2026 已確認的議程，這場會議預計在 12 月 15 日至 16 日於 The Westin Jersey City Newport 舉行，地點距世界貿易中心約五分鐘 PATH 車程。活動鎖定正在為生產 AI 做決策的資深工程師與技術主管，議程重點不是模型研究，而是那些已經在真實系統裡做過選擇、承擔後果並取得數字的團隊經驗。報導指出，當 AI 進入生產，程式碼抵達的速度會快過審查速度，token 成本會上升，評估結果必須好到能直接影響上線與否，代理也需要明確權限與護欄。這些問題構成整場會議的共同背景。
代理的身分與授權：從萬用帳號走向可控存取 開場主題演講聚焦代理在生產環境中的身分與授權。Nancy Wang 曾創辦並擴展 AWS Data Protection，她將在 When Software Becomes a User: Identity and Authorization for Agents in Production 中說明，團隊替代理開通生產權限時常有兩種壞選擇。第一種是交給代理一組長效的服務帳號，然後祈禱它不會做出越界行為；第二種是把權限縮得太窄，導致代理無法完成原本的任務。這兩種做法都無法同時滿足安全與可用性。她的演講會展示在實際平台上，這類控制應該長成什麼樣子，讓團隊能對照自己的授權模型。
Ronak Nathani 在 LinkedIn 領導轉向 Kubernetes，他將以 Inside LinkedIn's Kubernetes Ops Agent: Skills, Tools, and Guardrails 說明一個實際運作的維運代理。這個代理橫跨超過 500,000 個節點與 5,000,000 個以上的 Pod，規模足以讓權限與護欄問題具體浮現。他會介紹放在伺服器端的護欄，包括速率限制，以及對生產變更的同儕核准機制。把這兩場演講放在一起看，團隊得到的不只是抽象原則，而是一套代理授權模型與一組可比較的護欄實作。
評估與成本：讓分數可被信任，讓每個 token 花得值得 評估的價值，在於工程師是否信任那個分數，並願意根據它決定上線或暫停。Fabio Flores 在 DoorDash 領導 Agentic Ordering 的 foundation development，他將在 From Signal To Impact: The Eval Loop Behind DoorDash's Agentic Ordering System 中主張，工程師應該用同一套評審機制同時評估模擬與生產 session，如此一來，上線前量測到的改善才能延續到生產環境，而不是在模擬環境有效、上線後失效。換句話說，評估不是產生漂亮圖表，而是形成一個能影響發布決策的回饋循環。
成本問題則與上下文成長直接相關。Tejas Chopra 曾在 Netflix 參與分散式快取基礎設施，他將在 Make Each Token Count: Compression, Caching, and Retrieval for Production LLM Context 中討論，某些代理工作負載在原型階段可行，但一旦進入生產、上下文變大，就可能昂貴到無法持續。他會說明如何透過提示壓縮與排序提高供應商端的快取命中率，也會談到對話歷史的階層式儲存，以及團隊實際遇過的失敗模式。這些內容指向一個現實：生產 LLM 系統的效能與成本，往往取決於上下文如何被組織、壓縮與重複使用，而不只是模型本身。
AI 寫程式與組織成熟度：瓶頸轉移與放大器效應 當 AI 工具產生程式碼的速度超過團隊審查能力，人類審查就會成為瓶頸。Min Chen 在 LinkedIn 領導轉向 AI 原生的軟體工程，她將以 High-Signal AI Code Review That Adapts to Your Codebase at Scale 說明一套大規模程式碼審查系統。該系統每週審查數萬個 Pull Request，涵蓋約 10,000 個儲存庫。她的重點不是讓 AI 產生更多意見，而是先過濾低信心的發現，避免開發者被雜訊淹沒。團隊也會衡量這些建議有多少真正進入被合併的程式碼，因為只有被採用的建議才代表實際影響。
另一個角度是組織成熟度。Nathen Harvey 在 Google Cloud 領導 DORA，他將在 Building in the AI-First World: Scale Brilliance, Not Bottlenecks 中討論，如何評估 AI 成熟度而不是只看向採用率等表面指標，並辨識哪些既有問題可能被 AI 放大。他的論點是，AI 會放大一個組織原本做得好的地方，也會放大原本做得差的地方。因此，導入 AI 不只是工具選擇，更是對流程、責任與瓶頸的重新檢查。
會議取向與實務限制 QCon AI 的 Program Committee 邀請的是正在做某些事情、且其他團隊能從中學習的資深實務工作者。報導強調，這些演講保持廠商中立，沒有隱藏的產品推銷，每一場都是團隊建了什麼、為什麼這樣建的紀錄。會議安排中，講者與聽眾比例約為一比十一，讓參與者有機會直接向系統建造者追問後續問題。主辦方的目標，是讓團隊帶回可採用的模式，以及能避免的代價高昂錯誤。所有已確認的演講都列在 QCon AI New York 2026 的 sessions 頁面。
需要留意的是，這類議程提供的是一種後見之明，而不是放諸四海皆準的處方。每個案例都綁定特定規模、組織條件與技術限制，其他團隊在採用前仍需對照自身系統的權限邊界、評估方式、成本結構與審查流程。真正的價值在於，這些講者已經把選擇做過一輪，並把系統與數字攤開來，讓後來者能在投入生產之前，先檢查自己的假設是否站得住腳。
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。