在 AI 的辅助下，玩家已经第一次接近“神明级能力”：一句话生成世界、修改规则、塑造命运。当创造不再稀缺，一个更本质的问题出现了：人类希望与什么样的 AI 共处？本次演讲将从真实的 AI 原生游戏实践出发，探讨“灵魂”在技术系统中的具体含义——持续记忆、有限自主性与可演化反馈回路。我们将分享在运行时实时生成 3D 资产、行为逻辑与世界规则时踩过的关键工程坑，以及为何“绝对服从的 AI”与“完全自治的 AI”都无法长期成立。最终给出一个判断：游戏并不只是 AI 内容生成的应用场景，而是人类第一次在近乎全能的条件下，认真练习如何与另一种智能长期共存的实验场。

演讲提纲

1. 当玩家成为“神”，问题发生了变化

• AI 已经解决了“能力不足”的问题
• 新问题：世界是否还能回应你？
• 工程视角下的本质：
• 响应 ≠ 执行
• 响应 = 有状态、有记忆、有偏好

2. 人类不喜欢“工具型 AI”，这是我们第一个踩的坑

• 踩坑经验 ①：绝对服从型 Agent
• 初期设计：AI 完全按玩家指令执行
• 结果：
  • 玩家新鲜感消失极快
  • 世界缺乏张力与意外
• 技术原因：
  • Agent 无内部目标
  • 无长期状态，行为不可积累
• 结论：
  • 纯工具无法承载关系

3. 第二个坑：完全自治的 AI 并不等于“有灵魂”

• 踩坑经验 ②：放权过多的自治 Agent
• 尝试：
  • AI 自主生成剧情、势力、规则
• 问题：
  • 世界不可控
  • 玩家感到被剥夺主权
• 工程反思：
  • 自主性必须被“规则空间”限制
• 关键认知：
  • 灵魂 ≠ 无限自由

4. 什么样的 AI “像一个可以共处的灵魂”

技术三要素（落地级）

• 持续记忆系统
  • 记住玩家行为，而不是 prompt
  • 世界状态与 AI 状态解耦但关联
  • 踩坑：无版本化记忆导致世界自相矛盾
• 有限自主性
  • AI 有目标函数，但不可越权
  • 行为生成必须通过规则校验层
  • 踩坑：缺少硬约束会导致“世界破坏性最优解”
• 不完全可预测的反馈回路
  • 非随机
  • 基于历史与状态演化
  • 踩坑：完全可预测 ≈ 没有生命感

5. 为什么这些问题只能在“游戏运行时”中解决

• 长时状态 + 高容错
• 玩家允许失败与意外
• 工程现实：
  • 在生产软件中，这些错误是不可接受的
• 结论：
  • 游戏是 AI 灵魂工程的安全沙盒

6. 回到入口问题

• 真正的入口不是 UI
• 而是：
  • 谁能长期承载人的情感与决策
• 技术判断：
  • 未来的 AI 入口，必须先学会“共处”

您认为，这样的技术在实践过程中有哪些痛点？

1. 世界一致性 vs 即时生成

• 实时生成资产、规则极易引发逻辑冲突
• 需要引入“世界约束层”而非直接生成

2. 记忆系统的复杂性

• 记什么、不记什么，比“能不能记”更难
• 长期记忆失控会放大错误

3. 自治与控制的平衡

• AI 目标函数设计极其敏感
• 很容易出现“对系统最优，对玩家灾难”的行为

演讲亮点

1. 区别一：不是“生成内容”，而是“塑造他者”

• 业界多数方案：
  • AI = 内容生产工具 / NPC 自动化
• 我的方案：
  • AI = 世界中的自治存在
  • 优势：
    • 更强的长期陪伴感
    • 世界可持续演化，而非内容消耗

2. 区别二：强调“有限自主性”而非全自动

• 常见误区：追求完全自治 Agent
• 我的方案：
  • 自主性必须被规则空间包裹
  • 优势：
    • 可控
    • 可扩展
    • 可持续运营

听众收益

1. 重新理解 AI Agent 的设计目标

• 从“更聪明”转向“更可共处”
• 对 Agent 架构设计有全新视角

2. 获得真实的 AI Runtime 踩坑经验

• 不是 Demo 级生成
• 而是长期运行系统的工程现实

3. 拓展技术视野的边界

• 不只是在做系统
• 而是在参与未来人机关系的定义

在 AI 原生时代，软件的边界正在消融。用户不再是被动的功能使用者，而是意图的表达者。我们正在经历从“像素级设计”向“逻辑级设计”的范式转移。

本次分享将基于我们在阿里云多领域的 Agentic 实践（涵盖数据分析、系统运维、创意设计、研发流程），深度解析 A2UI (AI to UI) 的架构实现。我们将探讨如何将行业 Know-how 转化为可被 Agent 调度的“Skill 化”单元（LoRA、Workflow 等），并分享在构建“意图驱动”应用时，如何处理环境上下文、单向数据流以及视觉一致性等核心工程痛点。通过具体案例，展示我们如何通过 AIGC 能力重构企业级生产力工具，实现从“工具代理”到“智能体原生”的跨越。

演讲提纲

一、进化：从“生成工具”到“生命力容器”

1. AI 三部曲：

• 模型资产期 (Model-as-Asset)： 关注大模型本身的参数与能力
• 生成工具期 (AIGC-as-Tool)： 解决“单点生产力”问题，用户依然在 GUI 中通过点选调用 AI
• 智能体时代 (Agent-as-Paradigm)： AI 开始具备规划与行动力，用户交互从“过程控制”转向“意图声明”

2. 界面范式的革新：

• GUI 的静态本质： 预设的路径、固定的组件、认知的围墙。
• A2UI 的生命力： 界面不再是静态代码，而是根据用户意图，由 Agent 实时拼装、随用随弃的“临时的、有生命力的容器”。

二、解构：构建 Agentic AI 的四大核心支柱

1. ​模型 (The Brain)：如何选择合适的 SOTA 模型？

2. Skill 的封装与行业 Know-how (The Muscle & Soul)：

• 能力 Skill 化： 为什么单纯的 API 不够？我们需要将专家经验、审美约束、业务逻辑打包成“高内聚”的 Skill。
• Context 的力量： 行业上下文如何约束模型的“幻觉”，让 Agent 真正懂业务（如数据库调优、工业视觉逻辑）。

3. 编排与交互 (The Nervous System)：

• 流程编排 (Workflow)： 确定性的、显式的复杂逻辑（如：审批流、复杂的渲染管线）。

4. 声明式 A2UI (Declarative UI)： 非确定性的、由 AI 实时决定的 UI 呈现协议。

• 实现路径： 如何定义 A2UI JSON 协议？
• 如何实现组件库的“Agent 语义注册”？

三、实战：数据与设计的“意图化”重构

1. 案例一：DataAgent (数据分析的“许愿机”)

• 痛点： 传统的图表堆砌让用户在数据海洋里迷失。
• 变革： 用户只需输入意图 -> Agent 自动完成建模 -> A2UI 动态生成最适配的分析卡片。
• 数据： 展示效率提升（如：从 5 分钟的操作缩短到 10 秒的意图表达）。

2. 案例二：Artlab (设计能力的 Skill 化实践)

• 核心逻辑： 将 LoRA 模型、Workflow、渲染管线 整合为 Agent 可调用的“设计 Skill 集”。
• 行业应用： 在包装设计、品牌设计中，如何通过 Agent 抹平专业软件的门槛。
• 美学注入： “高饱和实验室美学”如何作为一种语义约束，被 Agent 稳定输出。

四、未来：场景爆发与角色进化

• 应用场景展望： 从云控制台延伸到企业级 SaaS、工业协同、甚至个人操作系统（AI-OS）
• 产品设计角色的升级：
  • 从像素推手到“Skill 架构师”： 未来的产品设计师不画界面，而是定义界面的生成逻辑和审美边界
  • 设计工程化 (Design Engineering)： 设计师需要理解模型边界，通过编排 Workflow 来沉淀设计资产

您认为，这样的技术在实践过程中有哪些痛点？

• 交互确定性与生成自由度的博弈： 追求“许愿机”式的动态 UI 往往意味着放弃了对视觉细节的绝对控制。在 B 端严苛的组件规范下，如何防止 Agent 生成出“逻辑正确但视觉灾难”的界面，需要极其繁重的 Design Tokens 约束和 Schema 校验，这有时会反过来阉割 AI 的创造力
• “黑盒执行”与信任边界的推拉： 当我们将“写操作”权限交给 Agent，系统风险便呈指数级上升。一次微小的模型幻觉在数据库变配或复杂设计流中都可能是灾难性的

演讲亮点

• 全域案例覆盖：不局限于云，涵盖了从创意（Artlab）到硬核运维（StarOps）的多种 AI 应用形态
• A2UI 范式首发：系统性提出基于 JSON 描述协议的“动态 UI 生成”技术方案，而非简单的对话

听众收益

1. 交互范式的认知升级：从“功能地图”到“意图容器”

• 听众将理解为何传统的菜单式 GUI 已达瓶颈，并掌握如何构建一种“随需而生、用完即退”的动态界面逻辑。通过这种思维重构，将原本复杂的软件操作简化为对用户意图的精准响应

2. 价值转化的实战方案：将“行业经验”沉淀为“AI 技能”

• 分享将展示如何将垂直领域那些零散、难以数字化的“专家直觉”与“业务逻辑”，解构并封装成 AI 可调用的专业技能（Skills）。这为技术人提供了一套将深厚的行业 Know-how 转化为智能体核心竞争力的具体方法

3. ​职业边界的重新定义：从“像素/代码推手”向“系统架构者”跨越

• 在 AI 主导交互的新时代，听众将洞察产品研发链路中设计师与工程师角色的深刻演变。理解如何从“画图/写界面”转变为“定义规则与审美边界”，从而在 AI 原生应用的浪潮中提前卡位，构建不可替代的专业壁垒

当 AI 不再只是执行指令的工具，而能够理解意图、规划任务并调用工具时，软件产品正在经历一次深刻的范式变化。

过去的软件更像“预制菜”：功能被提前设计好，用户通过菜单和按钮组合使用；而在生成式 AI 时代，产品更像“现炒”：系统根据用户意图和上下文动态生成能力。

这不仅改变了产品形态，也正在重塑产品研发方式和团队协作模式。

本次分享将从三个方面探讨这一变化：产品交互范式的转变、生成式产品的能力结构，以及 AI 对产研协作与组织形态的影响，并结合实际落地中的挑战，思考 AI 时代产品经理与工程团队的新角色。

演讲大纲

1. 产品形态的变化：从 GUI 到意图界面

2. 产品能力的变化：从“预制菜”到“现炒”

• 传统软件产品更像 预制菜
  • 功能提前设计
  • 用户按既定流程使用
  • 产品版本驱动迭代
• 生成式 AI 产品更像 现炒
  • 根据用户意图动态生成能力
  • 基于模型、数据和工具实时完成任务
  • 产品从“功能集合”变成“能力系统”

软件的核心正在从 功能设计 转向 能力设计。

3. 产研方式的变化：当 PRD 变成 Prompt

AI 产品的研发方式正在发生变化。

• 传统模式
  • 需求 → PRD → 设计 → 开发 → 测试
• AI 产品模式
  • 问题定义 → Prompt 设计 → Context 管理 → 模型能力 → 持续反馈优化
• 产品团队的角色也在变化
  • PM：从功能定义者变成 能力与边界设计者
  • 设计师：从界面设计走向 AI 交互设计
  • 工程师：从业务逻辑开发走向 模型与系统编排

4. 落地挑战：AI 产品真正难的是什么

在实践中，AI 产品普遍面临几个核心挑战：

• 产品边界不清晰：AI 能做什么、不该做什么很难界定
• 体验不稳定：模型的随机性影响用户体验
• 工程复杂度提升：模型、数据、工具、Agent 的组合使系统更加复杂
• 评估体系缺失：传统测试方法难以评估 AI 产品

5. 未来产品经理的护城河

在 AI 时代，产品经理的核心竞争力可能变成：

• 问题定义能力
• AI 能力边界设计能力
• 人机协作体验设计能力
• 复杂系统的能力编排能力

未来的产品经理，不只是需求管理者，而是：人类意图与机器能力之间的架构师。

演讲亮点

• 从产品视角解读 AI 产品范式变化
• 用 “预制菜 vs 现炒” 理解生成式产品
• 拆解 AI 时代产研协作方式变化
• 探讨 人机协作团队（碳硅共生） 的未来形态

听众收益

• 理解 AI 产品与传统产品的本质差异
• 建立 生成式产品能力结构的基本认知
• 了解 AI 时代产研方式的变化
• 思考 未来产品团队的演进方向