我们在做数据研发领域的 AI coding，在建设项目能力的过程中和集团很多的 BU 都有深入的交流，今年发现大家除了端到端的交付外，大家都在探索"超级组织"，我们通过「 Loop Engineering」和「知识工程」解决复杂工作流的稳定性与自动化问题，搭建了“数研超级组织”的雏形 ～
从 Coder 到 Designer ：电商团队数据研发的 Harness Engineering 实践
本文介绍了淘宝直播数字人互动从传统静态 Workflow 架构向动态 Agentic 架构的升级实践。通过融合 LLM 与 Agent 自主规划能力，利用 AgentTuning 蒸馏降低延迟、RLVR 减少幻觉，并针对业务挑战研发 Multi-Agent RL 算法，将工具调用与回复模型分离进行协同强化学习优化。最终实现了低延迟（1.79秒）、高拟真度的深度互动，显著提升了事实正确性、帮助性及多轮对话用户比例，打造了下一代数字直播范式。
马斯克曾在今年初表示，其人形机器人"擎天柱3"预计明年进入规模化量产。大模型的下半场，AI不止停留在数字空间，而是要能走入真实世界里替人完成任务，具身智能和机器人成为核心突破口。具身智能的"iPhone时刻"要来了吗？2026年7月2日，我们在武汉光谷腾讯云城市峰会上，举办了一场圆桌论坛，与企业、高校、政府的一线专家代表，进行了一次深入浅出的探讨。
随着大模型时代的到来，AI 基础设施（AI Infra）正在经历深刻的变革。面对日益复杂的计算需求，传统上与单一计算范式深度耦合的调度系统已难以应对全局性挑战。本文结合开源社区的演进趋势与工业界的超大规模落地实践，深入探讨 Ray 的技术定位与核心设计逻辑，并阐述它如何与 Kubernetes（以下简称 K8s）进行协同设计（co-design），共同构建大模型时代 AI Workload 调度的通用范式。
把验证流程左移，通过前置的审查、运行时验证、视觉验证等系统化的能力建设，让 Agent 在开发过程中就能按项目的工程规范完成自检和修复，提高上游交付的质量减少返工。
「得物推荐 AI Harness 工程化实践系列」的中篇内容，本系列共三篇连载。本篇（中篇）进一步详解得物推荐复杂业务场景下，AI代码从生成、防护校验到安全上线的完整技术体系、自研AI Harness整体架构框架、全流程安全防护机制、混合智能体核心算法实现，以及工业级工程落地的实战细节。
