无

智能化在各行各业的落地前提是这个方向上数据基础的AI-Ready，这已经成为当下的共识。 在大模型浪潮之前，大量企业的IT基础设施完成了容器化或云原生化的改造，并积极的推进可观测性数据标准OpenTelementry的落地。回头看，这些工作仿佛都是在为运维的AI-Ready做着准备。那时至今日，有了云原生和OpenTelementry，我们离运维的AI-Ready是否还有距离？是否装上AI就能原地起飞？ Flashcat 是基于国内著名可观测性开源项目Nightingale（开源夜莺）开发的一款一体化可观测性产品，核心目的在于用一个产品解决复杂IT环境/多云环境/混合云环境的可观测性难题和稳定性保障难题。Flashcat 在让人更好的使用可观测性产品的基础上摸索出了一套推进可观测性数据进入AI-Ready状态的方法，并结合大模型实践了故障根因定位的智能化。此议题将把Flashcat的方法和实践分享给大家。

在 AI 时代，企业模型训练与推理日益依赖海量、实时与历史业务数据。随着 A2A 协同与 MCP 架构的成熟，AI 系统对数据流的敏捷性和弹性提出了更高要求。传统数据流系统（如 Apache Kafka）诞生于数据中心时代，已难以满足云原生环境下弹性扩展、成本优化和 agent 集成的需求。本议题将深入解析 AutoMQ 如何基于云与 Kubernetes，打造兼具自动弹性伸缩、低成本、高度 AI 原生特性的新一代数据流系统，同时分享 AutoMQ 在多云异构环境下的架构实践、自动扩缩容机制，助力企业实现高效、智能的数据流运维。

Kubernetes 已经有了十年的历史，技术的更迭也在持续不断。而现在的热潮和关注点，更多的都在 AI 领域。 作为一个同时在 Kubernetes 和 AI 两个领域活跃的开发者，我想同时从这两个领域的角度出发，来和大家探讨下，如何在 AI 时代，让 Kubernetes 再次焕发活力， 以及为什么 Kubernetes 仍然是 AI 时代 infra 的首选。

多智能体协作系统（Multi-Agent System, MAS）因需实现任务拆分、并发处理、角色分工与协同推理等复杂能力，已成为构建实用 AI Agent 系统更贴近现实、更强大的架构范式；这本质上构建了一个分布式系统。消息队列（MQ）作为核心的异步通信基础设施，提供了高效、解耦、可靠、缓冲和可扩展的消息传递能力，正是解决分布式 Agent 间高效协作问题的关键所在。