演讲

随着东西方对区块链技术的政策支持与创新探索，Solana 旨在成为无国界、全天候的互联网资本市场，并孕育对机构、个人开发者的新机会。演讲将介绍 Solana Python SDK 及生态技术支持，现在可以用 Python 实现链上开发的一切，包括对个人开发者如何用 Python 构建应用、套利bot、打通AI与区块链、参与开源贡献，对机构开发者如何用 Python 构建下一代金融系统、现实世界资产（RWA）上链、稳定币支付等场景的技术落地实践

当我们站在人工智能爆发式发展的时代前沿，Python 已成为连接创意与智能实现的关键桥梁。作为开源领域的坚定支持者，AWS 通过贡献超过1000个开源项目持续赋能开发者社区。AWS Strands Agent SDK 正是这一开源承诺的延续，它让构建 AI Agent 变得前所未有地简单。我将带您从理论到实践，展示如何用简洁 Python 代码构建智能 Agent，让每位开发者都能在开源精神的指引下释放 AI 创新潜力。

Elasticsearch 是全球领先的搜索引擎。传统的词汇搜索不能满足当今智能时代的需求。当代企业针对搜索提出语义搜索，也就是根据文字的语义来进行搜索，而不是简单的词汇匹配。另外，我们也需要针对其它的数据类型，比如图片，语音及视频来进行搜索。Elasticsearch 自 8.0 开始提供向量搜索（密集向量，稀疏向量）。它可以完美地解决文字语义搜索及多媒体数据的搜索。此外，向量搜索也并非完美，特别是针对文字搜索。我们可以使用混合搜索（词汇搜索，向量搜索）进行多路召回并对最终结果进行排名。这种方法可以提供搜索的提高精度及召回率。在人工智能发展的今天，结合大模型，我们把搜索到的结果结合大模型，使用 GenAI 可以让我们得到推理的结果。由于企业数据或私有数据在每时每刻都在生成，而大模型的知识受限于在模型生成的时候，而且大模型的数据也只是网页数据训练而得到的。大模型在缺乏上下文的情况下使用大模型来对企业或者私有数据进行推理，在很多的时候会产生幻觉，因为这些知识不存在于大模型中。结合 Elasticsearch 的向量搜索技术针对企业数据或私有数据进行搜索，把搜索结果作为上下文提供给大模型，从而消除幻觉。这种技术也被称作为 RAG（检索增强生成）.本议题将详细介绍 Elasticsearch 的向量搜索技术及如何使用它进行 RAG 的应用开发以及最新的 agentic RAG。

在生产环境里，Python 一旦死锁，gdb -p $(pidof python) 往往是唯一不停机的救命绳。随着 3.14 即将落地的 PEP-768「远程调试器」，不少人认为 GDB for Python 更加无用武之地。本演讲将分享 GDB 如何 debug Python 进程、它的盲区与陷阱、它又怎样启发出 PEP-768、以及 PEP 768 仍触及不到、只能靠 gdb 补位的调试能力。

据报道，对于以英语为母语的人来说，日语是最难学的语言之一（FSI 语言难度等级：https://www.fsi-language-courses.org/blog/fsi-language-difficulty/）。其中原因有很多，比如日语有平假名、片假名和汉字三种字符，而且词语之间没有空格分隔。在本次演讲中，我将首先介绍日语与许多欧洲语言的不同之处，然后展示如何利用 Python 和自然语言处理库来辅助日语学习。

在现代晶圆厂中，如何改造现有的半导体设备，使其具备数据接口、实时监控与灵活控制能力，是一项日益严峻的挑战。本议程将分享一套以 Python 为核心设计的自动化框架，用于老旧设备的智能化改造。 该框架整合了 SECS/GEM、MCProtocol 等设备通讯协议，并搭配AI视觉识别模块与数据分析流程，用于预测性维护与制程优化。整体架构采用微服务设计，后端使用 Django，前端搭配 Vue.js，并可与 MES、FDC 或产线系统无缝衔接。 虽然目前仍处于开发阶段，整体架构已符合实际制造业的需求，提供一种以开源技术实现智慧制造的可行方案。

探讨 Python 项目的打包和分发方案，以及环境管理方案。Python 生态系统中存在多种工具和方法用于解决这两个核心问题，选择合适的方案对项目的可维护性、可移植性和可复用性至关重要。 分析讨论各种工具的原理，用法，特点和优劣。

Coding Agent 无疑是当下的红海赛道，本次议题主要分享一下作为一个个人开发者是如何使用 Python 从 0 开始构建一个编程助手，以及如何设计事件驱动和 Human in the loop 的工作流，并结合 A2A 和 MCP 两种协议设计事件驱动工作流中的多 Agents 协作。

区块链作为新技术尚未成熟，智能合约的调试工具不总是能解决我的问题。EVM 的底层内存、栈、字节码等动态调试怎样才顺手？热门的工具，Foundry、Simbolik，大有局限性，不能随心所欲。Kontrol 作为符号执行工具，尚且强大，但是可能又过于繁琐。那我们不如直接挖到底层，进行虚机逆向级别的底层调试！我们直接逆向智能合约字节码，把 Py-EVM 改造成底层调试神器！

网络是表征与建模个体之间的复杂关系和交互的强大工具。网络结构分析是研究网络的统计特性、拓扑结构和演化模型的重要方法，涵盖多个学科领域包括社交网络、生物网络、交通网络、交易网络等。我们围绕高性能网络结构分析工具箱的设计与实现，针对现有网络结构分析相关研究对功能全面性和高效性的需求，提出了一套高计算效率、高可扩展性的网络结构分析方法体系，并构建了EasyGraph开源工具箱。设计实现了多种并行优化技术，结合图数据结构优化以及Python/C++混合编程架构，使得在低算力环境下大规模的网络数据分析更加迅速和可行。EasyGraph已经获得了超过80万次PyPI下载。

从 GraphRAG 基础设施软件， 到 Hacker News top 5 上的小项目、相对严肃的流行音乐发行和 Logo、Icon 制作，GenAI 能力让我以从前不能想象的输出效率构建了不少东西，这个主题可以分享一些我对 “vibe-build” 的思考、观察，与之后在思考下自举构建 Personal Memory/Context Manager 的经验与想法。

Python for everything Python for data Python for run Python for fun Python for life Python for rust Python for llm Python for friends Python for here

对于经典的方案，创建动画会使用专业软件，在这些软件中，我们在界面上编辑元素与创建动画。 但是，对于 JAnim 而言，我尝试搭建一个基于程序编写动画的框架：这个框架受到 Manim 的启发，使用代码来声明场景中的物件与动画过程。 程序化的动画便于保证效果的“可复现性”和“一致性”，并方便进行“排序算法”等本身与程序高度关联的算法的演示，以及“批量生成”动画内容。总之，程序化的方案让 JAnim 在各个创作方向大放异彩。 JAnim 框架在此基础上还引入了很多易用的特性，例如方便调试动画的预览窗口，并能够实时响应代码更改；完善了音视频混合的工作流，可谓“另类的剪辑软件”。虽然基于代码创建动画，但通过各种丰富的相关支持让其做到“不咯手”。

当我两年前说 Python 3.12 是一个史诗级版本的时候，我没有想到 CPython 团队还能带来这样的惊喜。3.14 在很大程度上在很多方面又重新塑造了 Python ，所以我们一起来聊聊 π 的 Python

随着 AI 的普及，特征工程在量化研究中愈发重要，其核心涵盖多维数据清洗、特征提取与筛选、构造与优化等步骤。本次演讲将通过逻辑框架剖析与实际案例分享（如 FOF 基金投资中的 LASSO 归因模型等），解析如何从海量数据中提取关键特征，并结合 AI 与统计建模方法实现特征优化，提升交易策略表现，为量化研究与智能投资提供更高效的支持路径。

随着大模型技术的出现，开发者们开始使用大模型完成自己的应用开发，但在实际开发过程中，绝大多数的开发者更擅长使用文本类模型进行应用开发，而不擅长使用多模态大模型开发应用，在这次分享中，我们将介绍一些基于多模态大模型开发应用的技巧和方式，提供一些常见多模态大模型接入的说明、用法、案例和技巧，帮助开发者理解多模态大模型的使用，以便于后续在自己的工作场景中使用。

进入 Agent 元年，如何快速构建 Agentic 解决方案？本课程围绕如何使用 Python 结合 Semantic Kernel 针对企业级的智能体进行业务流编排，结合 A2A、MCP 构建应用。

Python 标准库中有两个重要的 Future 类—— concurrent.futures.Future 和 asyncio.futures.Future，分别用于承载进程/线程和协程的异步结果。 在这场演讲中，我们将从这两个 Future 的发展历程入手，先明确一些常见的定义性问题： 如何区分并行与并发这对双胞胎？ 为什么并发与异步总是紧密相连？ 接下来，我们将通过深入探讨以下问题，进一步理解 Python 中异步处理的核心概念——“协程”： 什么是“有栈”和“无栈协程”？Python 中的实现是怎样的？ 为什么说“goto 有害”？“结构化编程”与“结构化并发”范式之间，有着怎样的内在联系？ 最后，我们将结合 Python 即将迎来的“自由线程”和“子解释器”等新特性，展望 Future 模块在未来的潜力与发展方向。

随着 AI Agent 应用浪潮的兴起，Python 已成为 Agent 开发的首选语言，而 Browser-use 能力作为 AI 连接网络世界的桥梁，为通用 Agent 赋予了无限可能。本次分享将深入讲解如何利用 Python 开发一个功能完整的 Browser-use Agent，并结合 PPIO Agent 沙箱产品，展示在安全隔离的云端环境中以低成本稳定运行 Agent 的实践方案，助力开发者高效将创意转化为实际应用。

我将展示 Solidigm 与 BF3 AI 实验室基于 Solidigm Ignition 栈的联合推理工作，以及与 Python 生态的集成。 CSAL 背景 CSAL（Cloud Storage Acceleration Layer，云存储加速层）是面向大数据和 AI 的解决方案。它是一个开源的用户态 FTL、缓存和 IO trace 组件，用于在 SPDK（已合入主线）中加速 AI 和大数据存储系统。在商业化方面，它帮助了阿里巴巴的云存储系统。 更多基础介绍可参考： https://www.solidigm.com/products/technology/cloud-storage-acceleration-layer-write-shaping-csal.html 阿里巴巴与 Solidigm 联合在顶级计算机会议 EuroSys2024 上发表的论文： https://dl.acm.org/doi/pdf/10.1145/3627703.3629566 以及 BF3 团队与 Solidigm 在 GTC2025 的联合演讲和海报展示。

人工智能应用落地在最近比之前更加普及和广泛。但是新近的人工智能项目在验收时会发现困难比传统应用更多。本演讲从讨论人工智能项目中预期管理中的认知差异和验收过程中的困难点，对于不同类型人工智能项目的标注、验证方式和验收条件给出了一定的建议。

对于大型 Python 项目而言，维持架构的整洁性颇具挑战，这主要体现在模块间难以维持简单而清晰的依赖关系。依赖关系混乱，会导致架构理解成本高、模块职责混乱等问题，进而影响团队的开发效率。 本演讲将从工具和技巧两方面，分享如何治理 Python 项目的模块依赖关系，让其保持整洁。

在 AI 时代，随着模型和应用侧的快速演化，对于推理过程，成本和性能显得尤为重要，而端到端的 AI 可观测是其中至关重要的一环。Python 作为 AI 时代最被广泛使用的编程语言，自然需要更加全面的端到端可观测方案。LoongSuite Python Agent 是阿里云可观测团队最新开源的 AI 数据采集器，本演讲将向您讲述 LoongSuite Python Agent 全栈可观测最佳实践。

本次分享我将会从基本的 AI 应用聊起，逐步扩展到大家频繁接触到的 RAG 应用，Agent 应用，Multi-Agent 应用，以及 MCP 等。我们来根据实际场景，来分析 AI Gateway 是否真正存在价值。以及 AI Gateway 是否能为基于 Python 的 AI 应用提效

在开源大模型快速发展的背景下，如何将 Qwen、DeepSeek、Llama 等开源大模型快速转化为可用的 API 服务，成为开发者面临的关键挑战。传统部署往往需要处理容器化、基础设施配置、推理引擎优化等复杂步骤，这不仅需要深入的运维知识，还涉及大量手工配置。本演讲将分享构建统一开源模型部署体系的实践经验，介绍一个基于 Python 的多引擎抽象层架构：通过简单的 CLI 命令触发部署流程，利用统一容器设计实现“构建一次，到处部署”，并通过动态配置对不同模型进行推理引擎优化，最终自动部署为 OpenAI 兼容的 API 服务。结合 GPT-OSS 等开源模型的实际案例，展示多引擎部署的复杂度管理、性能参数优化、跨平台适配以及标准化接口的构建。

随着大语言模型（LLM）应用的广泛普及，各类 AI 应用和智能 Agent 正在快速爆发式增长。然而，LLM 作为一种基于概率的黑盒模型，其内部机制复杂、输出不可控，给开发者在调试、评估与优化方面带来了极大挑战。 本次演讲将围绕 Python 技术栈，介绍如何使用开源工具 **Langfuse**，为 LLM 应用构建端到端的可观测性体系，提升 AI 系统的透明度与可维护性。

为你介绍 sphinx-nekochan——一个能在文档中插入可爱猫咪表情的库。 该库作为 Python 文档工具的扩展提供，因此你可以轻松创建带有猫咪表情的网站和幻灯片。 这些猫咪表情由 Shikamatsu-san 创作并发布。

如今，GitHub Copilot 已经支持 VS Code、JetBrains IDEs、Visual Studio​​、Eclipse、Xcode 等主流 IDE，并凭借 ​​Agent Mode​​ 和 ​​MCP 等能力，大幅提升 Python 开发体验。 无论是从零搭建项目​​（如快速生成 Flask API 或数据处理脚本），还是维护大型代码库​​（如智能补全、重构和测试生成），GitHub Copilot 都能显著减少重复劳动，让开发者更专注于逻辑与创新。 本次分享将结合真实案例，展示 GitHub Copilot 如何成为 Python 开发者的智能引擎​。

本次闪电演讲将介绍 Python 打包生态系统中最新的 PEP（Python Enhancement Proposal）提案进展。我们将快速浏览已完成、已接受和正在讨论的关键提案，包括内联脚本元数据（PEP 723）、依赖组管理（PEP 735）、标准锁文件格式（PEP 751）等重要特性。这些提案正在推动 Python 打包工具的标准化，改善开发者体验，让依赖管理更加可靠和高效。适合对 Python 打包工具感兴趣的开发者，了解生态系统的发展方向和即将到来的新特性。

在 LLM 应用井喷的当下，我们已经见过了不同场景下的许多大模型应用，但人机交互的形式似乎仍然乏善可陈：除了面向 coding 任务的 IDE 以外，大部分助手类应用仍以对话框为主，少数 agent 应用会输出富文本网页或文档。本讲将对 LLM 应用的人机交互模式进行梳理，并分享我设想和尝试的更有机的交互模式。

现实的科学计算领域存在结构性断层：研究侧面临实验脚本碎片化导致的复用壁垒，工程侧则受限于传统命令式代码的高维护成本及多工具链整合复杂度。为系统化解决此问题，开源项目 informatics 在底层架构设计中创新性引入函数式编程范式，实现四重技术突破：无副作用的纯函数计算单元设计彻底消除状态管理风险；声明式流水线架构通过类 Unix 管道操作符实现计算单元可视化拼接，显著加速原型验证与工程化落地；统一参数管理协议采用外部配置集中注入机制解决参数传递复杂度问题；强类型安全保障在工作流实例化阶段执行接口数据类型校验，预先拦截70%运行时错误。 经实证验证，医疗影像组学领域构建的处理管道实现跨中心数据处理效率提升40%并通过多模态数据场景验证工程可靠性；工业诊断系统通过逻辑单元动态聚合成功适配多样化业务需求，系统耦合度降低35%。本次演讲将提供跨角色价值：科研人员获得实验脚本工程化与管道复用的系统方法论，工程师掌握基于函数式编程的高可维护系统设计范式，架构师理解协议层创新对科学计算生态的变革性意义。

和英语不同，日语不会用空格区分单词，再加上单词变形复杂，初学者在泛读时往往要花费大量时间判断单词原型。虽然形态素解析器（如Sudachi）能自动提取单词原形，但在处理字幕、漫画、Galgame 等口语化文本时，会出现比较明显的未登录词（Out-of-Vocabulary, OOV）问题，影响学习效率。本次分享除了介绍 Python 调用 Sudachi 的方法，还会重点介绍如何解决这个问题。

Ragflow 是一套广受关注的 RAG 应用框架，然而在落地应用时面临诸多问题挑战。Ragflow-plus 在此基础上，进行了进一步拓展，面向学术领域，做了用户管理、图文关联、文档交互等许多拓展，实现了从“技术通解”到“领域特解”的转化。本议题将分享在做 RAG 应用落地时，进行问题挖掘，方案对比，应用开发，部署落地等全流程的实践经验。

在大模型落地的过程中，Python 既是实验工具，也是工程主力。本次分享将介绍如何结合 Python 生态与开源项目（RAGFlow、OpenWebUI、Dify）快速落地企业 AI 应用。通过一个实际案例，展示知识库、Agent、MCP Server 的架构与实践经验，并探讨 Python 在构建可扩展企业级 AI 系统中的独特优势。

功能性质驱动的测试技术旨在通过将应用功能定义为“性质”，赋予自动化遍历工具感知业务功能的能力，从而达成自动化检查功能错误和提升覆盖率。为自动化遍历技术提供更强大的检错能力。