7月25 日，由昇腾联合 AtomGit AI  举办的「智驱迭代·昇腾赋能」Agentic AI 长上下文推理 Meetup（深圳站）在金蝶云大厦福朋喜来登酒店成功举行。 来自 AI 算法、算子开发、Agent 应用等方向的技术开发者们齐聚深圳，共同探讨 Agentic AI 时代的技术突围路径。

不同于传统技术宣讲，本次 Meetup 在主题分享之外，特别设置了互动问答与 Model Agent 实操环节，让开发者们不仅能听到一线实战经验，还能现场动手体验 Agent 的完整工作流程。

五个视角，勾勒 Agentic AI 全景

Agent 重塑全产业：从降本到造物

AtomGit 开源运营总监徐建国以《Agent 重塑全产业：从降本到造物》为题发表开场演讲。他指出，Agent 正在从单点能力的炫技演示，迈向系统性的产业重构。回顾过去一年，真正令人瞩目的并非某个 Agent 的惊艳表现，而是 Agent 作为一种新范式，已逐步渗透至研发、运营、客服、内容生产等核心业务线。对企业来说，关键变革不在于“Agent 能否做事”，而在于组织架构、协作方式与成本结构能否与 Agent 能力同步迭代演进。

AtomGit 开源运营总监 徐建国

随后，徐建国介绍了 AtomGit 社区开源发布的 AtomCode AI 编程助手，并现场演示了完整使用流程：通过命令行快速安装、终端登录后即可查看套餐并开始使用。他强调，AtomCode 并非又一款编码工具，而是致力于为开发者在 Agent 时代构建一个稳定可靠的执行底座。

从会聊天到能交付：Codex 驱动的个人 AI 系统

《OpenClaw：超级个体实操手册**》作者 Maynor** 的分享直奔主题。在他看来，Agent 赛道真正的分水岭不在于“能不能做事”，而在于“能不能稳定交付”。他把 Agent 的能力演进分为三个阶段：从会聊天，到会调用工具，再到能独立交付成果。“交付”的标准，他归结为三个要素——结果可运行、过程可验证、经验可复用，缺一不可。

《OpenClaw：超级个体实操手册》作者 Maynor

随后，Maynor 用一套三层架构拆解了个人 AI 系统的搭建逻辑。

• OpenClaw 是连接层，负责多渠道接入、在线保持和调度路由，适合做入口，但不扛最重的交付任务。

• Hermes Agent 是长期协作者，有跨会话记忆和目标管理能力，能调用技能和子 Agent，但治理和排错成本不低。

• Codex 则负责“最后一公里”——读取项目状态、规划修改、执行代码、跑通测试、部署验证，在试错中迭代，验证后才交付。

个人 AI 系统不是堆叠 Agent，而是跑通一条可控、可验证的闭环：明确目标 → 准备上下文 → 按复杂度路由 → Codex 执行 → 测试验证 → 记忆沉淀。他最后总结了六条原则：从高频任务切入；按复杂度选内核；先定义完成标准；验收看结果不看过程；让经验持续积累；关键环节保留人工审批。

Agent 重塑 AI 落地范式

昇腾核心开发者、CSDN 博主徐洋帆以《Agent 重塑 AI 落地范式》为题，介绍了昇腾 Model Agent 的技术方案。与传统硬编码流水线不同，Model Agent 采用 DAG-based 动态 Workflow 引擎，由 LLM 自动生成适配计划，无依赖步骤并行执行，支持步骤级容错和检查点恢复。七大专项 Agent 覆盖模型检索、算子迁移、精度压缩、性能对齐、环境交付、适配报告、质量保障全链路。

昇腾核心开发者、CSDN 博主 徐洋帆

Model Agent 的核心优势体现在三道护城河：动态编排，一模型一计划，替代传统硬编码流水线；Hermes 自演进，让适配记忆、技能与洞察实现跨任务复用；MCP 拓展，通过 CANNBot 与 MindStudio Agent 双 Server 实现能力组合扩展。

生态层面，昇腾已沉淀 301 个 Skills、5000+ 调优模型、5600+ 大赛作品，转化率约 32%，形成“共建—评审—沉淀—复用—反哺”的自增强飞轮。

Agent 不是替代开发者，而是让每个开发者都能驾驭 NPU 算力。

Agentic RL 高效训练指南

情感机器 CTO 陈少宏带来了《Agentic RL 高效训练指南》主题分享，聚焦 Agentic 强化学习在长上下文场景下的训练稳定性与效率问题。

情感机器 CTO 陈少宏

在长上下文任务中，Agentic-RL 训练面临的核心难点在于：如何保证训练与推理行为一致，如何在长链路任务中克服奖励信号的稀疏与偏差，以及如何在多轮交互中维持收敛稳定。陈少宏从训练框架设计、奖励工程、稳定性策略三个层面，系统梳理了工程实践中的关键经验，为从事 RL 训练的开发者提供了一套可参考的方法论框架。

现场他还分享了两个落地案例。在医疗问答场景中，团队基于 PyTRIO 做在线蒸馏，让模型在超长病历上下文中学会“**先定位关键信息、再生成回答”**的推理链路，有效缓解了长文本中的幻觉和跳读问题。在搜索 Agent 场景中，通过 PyTRIO 的强化微调，Agent 调用知乎 Search 接口的准确率得到明显提升，尤其是在多轮追问、意图漂移的复杂交互中，工具调用的稳定性显著增强。

Agentic-RL 的竞争力不在于算法本身多复杂，而在于能否把“**长链路、多轮次、强一致”**的工程细节打磨到位，让模型在真实场景中真正可用、敢用。

多 Agent 系统实现与产业落地实践

华为 HDE 白晓明以《多 Agent 系统实现与产业落地实践》为题，从六个维度系统拆解了多 Agent 系统的工程化落地路径。覆盖了多 Agent 进化与范式演进、价值评估与优先级排序、五大业务线场景拆解、架构设计与案例分析、落地路线与方法治理、以及总结展望。他强调，多 Agent 系统不是简单的“多个 Agent 拼接”，而是涉及任务规划、通信协议、结果融合、异常处理、治理边界的系统工程。

华为 HDE 白晓明

在落地路线部分，白晓明重点分享了多 Agent 系统从原型验证到生产部署的渐进式方法，以及在企业内部推广时的治理策略——包括权限边界设计、成本可控性评估、人机协作流程定义等，为准备在业务中引入多 Agent 架构的团队提供了实操参考。

主题分享结束后，现场进入了互动问答环节。开发者们的问题集中在几个方向：长上下文推理的显存优化具体能到什么程度？Agentic-RL 训练中如何设计稳定的奖励信号？多 Agent 系统在真实业务中的失败率如何控制？Model Agent 的 Skills 生态如何参与共建？

面对这些提问，嘉宾们逐一回应，部分问题还引发了台上台下的延伸讨论。茶歇期间，不少开发者围住嘉宾继续交流，话题从具体技术方案延伸到团队选型和落地节奏。

Model Agent 实操：理论照进现实

本次活动最大的亮点是 **Model Agent 实操环节。**现场开发者使用 Model Agent 平台亲手完成了模型适配的完整流程——从代码扫描、堵点识别，到适配脚本自动生成、功能与精度双验证，全程体验了 adapt-agent 五步工作流的实际运行效果。

🔗 Model Agent 平台体验入口：https://ai.atomgit.com/ascend-model-ecosystem

实操结束后，现场为表现优异的开发者发放了活动奖励。不少参与者表示，这种“听完就能上手”的活动设计，比纯技术分享的收获感强得多。

本次 Meetup 覆盖了 Agent 产业影响、个人 AI 系统构建、NPU 适配范式跃迁、Agentic RL 训练稳定性、多 Agent 系统落地等 Agentic AI 领域的核心议题，从产业趋势到技术实践，从方法论到实测数据，为现场开发者提供了一次较为完整的技术交流机会。活动设置的 Model Agent 实操环节，也让开发者能够将分享内容与实际操作相结合，更直观地感受 Agent 在模型适配场景中的工作流程与效果。

Agentic AI 的发展仍处于快速演进阶段，长上下文推理的显存优化、训练稳定性、多 Agent 协同治理等问题依然需要持续探索。昇腾将持续围绕 Agent 技术实践、开发者生态建设等方向举办更多技术沙龙与开发者活动，为开发者提供交流与共建的平台。