MaaS 业务里，模型在换、卡型在换、请求工况也在换。今天调好的部署配置，下周可能就不是最优解了。

麻烦的地方在于，传统推理优化是一条纯人工链路：需求分析、性能定位、算子开发、验证、上线，每一步都要人盯着。优化周期很难跟上生产负载的变化速度。

阿里巴巴高级技术专家杨林枫将在 QCon 上海站分享一套面向 MaaS 生产场景的自动优化流程。他长期从事 AI 软件栈、AI 编译与算子编译工作，是开源 AI 框架 MindSpore 核心贡献者，曾主导昇腾算子编译器 SWFT 的设计与研发，目前是 Atrex Kernel Agent 核心研发者。

先探部署配置，再谈算子

这套流程的起点不是算子，而是部署配置。

给定卡型、模型和典型工况，先探索并行策略、批处理及推理引擎配置，再结合延迟、吞吐、显存和资源成本，选出候选部署方案。之后根据实际运行 Trace，定位当前部署配置下的主要性能瓶颈。

这一步的顺序很关键。单算子 Benchmark 的优化结果，不一定能转化为端到端收益。如果先埋头优化算子，很可能优化了一个不是瓶颈的环节。

从生产 Trace 里识别热门算子之后，还要做几件事：归并动态 Shape，选取典型 workload，结合卡型、模型、工况和算子 Trace，判断是否采用已有的算子融合模式。

线上 Trace 不能直接当 Benchmark 用。生产工况需要经过去重、清洗、脱敏和泛化，才能形成可复现的 Benchmark，并建立正确性、数值容差和性能评测标准，确定算子任务的优化优先级。

Agent Loop 负责优化，外围 Loop 负责兜底

Atrex Kernel Agent 通过 Agent Loop 完成多轮算子优化：profile、瓶颈分析、方案生成、代码修改、验证、复盘，循环推进。

多轮优化需要管理。这套流程用隔离会话、Git worktree、结构化 memory 和实验 journal 来管理优化过程。外围 Loop 则负责实验预算、状态恢复、正确性门禁和终止控制，并使用完整 workload 与同卡 ABBA 测量验证性能收益。有效方案和失败实验都会被记录下来。

Agent 在这里有两个已知风险：可能过拟合公开 Shape，也可能把 GPU 测量波动误判为性能收益。外围 Loop 的正确性门禁和测量验证，针对的正是这两类问题。

优化完成后，算子要回接推理框架，检查接口、依赖和硬件兼容性，进行算子正确性与性能回归，以及模型端到端性能验证。最后通过灰度发布观察实际效果，并保留异常回滚能力。

Kernel 局部变快，不代表端到端一定有收益。所以最终判断标准，仍然要回到推理框架和模型层重新验证。

实践中的几个痛点

生产工况变化快，还存在长尾。采样过少可能遗漏重要场景，采样过多则会增加分析和评测成本，这个平衡不好找。

自动生成的代码在进入生产环境前，仍需经过正确性验证、性能回归、灰度发布和异常回滚。这条链路没有因为引入 Agent 而缩短。

相关实践支撑阿里百炼 MaaS 大规模 GPU 集群的性能优化，也支撑 Qwen3.8 获得 NVIDIA SOL-ExecBench FlashInfer 算子优化榜首。

杨林枫的分享会重点介绍算子优化，以及各环节之间如何衔接。对于正在做推理优化的团队来说，这套流程里值得关注的不是 Agent 本身，而是它被放在了哪个位置——从生产 Trace 生成优化任务，再把结果放回框架验证，中间每一环都有明确的验收标准。

2026 年 QCon 全球软件开发大会 · 上海站将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等方向展开。大会共策划 20 个专题论坛，将有 100+ 资深专家在现场分享一线实践经验。