本文整理自 AICon 上海2026《王泽锋 - 大前端稳定性研发范式重塑：柯南 AI Agent 工程实践》，通过AI音视频总结工具
Ai好记 进行视频转文字整理，以下为精炼整理后的内容。

---

AI 编程时代的大前端稳定性困境

AI 编程工具的普及让研发吞吐量大幅提升，但稳定性处置链路的效率却没有同步跟上。快手主站技术部的实践发现，AI 时代面临两大新挑战：

速率不匹配：上游 AI 代码生成效率翻倍，下游问题发现、定位和修复仍依赖人工或半自动模式。

AI 局部最优陷阱：AI 缺乏全局上下文，倾向于走"最小阻力路径"。一个真实的案例是——AI 生成的 ProGuard 配置跨工程边界传递，导致主工程的 R8 优化被意外关闭，APK 包体膨胀。

此外，大前端的状态空间爆炸（安卓机型碎片化、日变更超3万、用户路径千人千面）让前置拦截无法覆盖所有问题。软件稳定性在数学上是不完备的——只能持续加深防御纵深。

柯南 AI 的定位：用 AI 打败 AI

柯南 AI 聚焦于稳定性全生命周期的排障域与止损域，其命名灵感来自《名侦探柯南》——“真相只有一个”，要做所有 Bug 的最终归宿。

核心落地场景

• 报警处置：自动化处理和分发报警信息
• 根因分析：快速定位崩溃和性能问题的根本原因
• 修复建议：给出可执行的修复方案
• 治理初检：对治理效果做自动化验证

产品形态设计

柯南 AI 的设计原则是"嵌入开发者现有工作流"，不做独立的"AI 平台"：

1. IM 机器人：适配多人协作的群聊场景，用于报警处置和问题分发
2. 监控平台侧边栏：内嵌于监控看板，自动携带崩溃上下文进行分析
3. CLI 工具：提供根因分析与修复建议，支持连接手机深入分析

三种形态支持Agent 会话流转，可在不同场景间无缝切换。目前内部大前端用户渗透率接近 60%，根因分析完整采纳率维持在 50% 左右。

核心架构原则：“确定性归代码，概率性归模型”

柯南 AI 技术架构采用五层设计：

架构层级

1. 应用层：IM 机器人、侧边栏、CLI 三种产品形态
2. Agent 编排层：承载单 LLM Agent 和 Workflow 两种任务形态
3. Agent Harness 层：管理权限、计算资源和技能（Skill）体系
4. 数据服务层：APM 聚合数据、源码服务等 Agent 感知输入
5. 端侧基建：CoreDump 采集、日志等底层能力

架构的核心原则很清晰——流程确定的任务（如报警处置 SOP）用 Workflow 代码编排；需要复杂推理的任务（如根因分析）才交给大模型。

Skill 体系：专家经验的 AI 化封装

这是柯南 AI 最关键的创新点。

针对 Android Native Crash、鸿蒙 App Freeze 等不同类型的异常，将排查 SOP、决策树和内部框架特性等"暗知识"结构化封装为 Skill。AI 在分析问题时按需加载对应 Skill，获得领域专家的推理能力。

柯南 AI 团队认为，“上下文决定 AI 效果的上限”。为此他们从两方面构建 AI 友好上下文：

• 端侧增强采集：采集完整的 CoreDump 内存快照，为分析复杂内存问题提供可能
• 数据服务重构：将源码、日志等数据包装为 AI 熟悉的 Bash 命令接口，同时通过只读挂载和命令日志确保安全

持续迭代：Badcase 驱动的反馈飞轮

柯南 AI 建立了完整的数据驱动迭代机制：通过可观测系统追踪每次 AI 分析过程，将效果不佳的案例录入平台，由专家回访和标注，提炼出优化点（补充 Skill 知识、调整 Prompt、升级模型），形成"发现问题→分析归因→沉淀知识→优化系统"的闭环。

这个过程中，稳定性专家的角色也在悄然转变——从"前线救火员"升级为"消防系统设计师"，工作重心从亲自排查问题，转向建设能让 AI 高效工作的系统和知识体系。

实践启示

柯南 AI 的经验告诉我们，AI 时代的稳定性保障不是简单地"给大模型丢日志"，而是需要在数据基建、知识沉淀、工程编排上系统性地下功夫。

架构上的正确分离——确定性的归代码、概率性的归模型——是让 AI 在严肃场景下可靠工作的关键。

---

以上内容由 Ai好记 转录整理。
Ai好记是一款音视频转图文笔记的音视频总结工具，支持解析B站、抖音、小宇宙等平台链接及本地、网盘等音视频文件，转录后自动生成精华速览、思维导图和结构化笔记，帮助你把几小时的视频内容变成可搜索、可复习的图文笔记。