我第一次参加黑客松是在 2019 年，由 GovTech Singapore 举办的Geekout Hackathon。那时初出茅庐，用 expo.dev + React Native 开发了一个 mobile app，有幸第一次黑客松就拿了第一名。之后也因此与GovTech结缘，选择了与 GovTech 实习一年。

AdventureX 2025是我自2019年后参加的第二个黑客松。作为号称“中国迄今为止规模最大”的黑客松，“无限制自由开发”的形式吸引了我，但更重要的是希望借此结识一些有想法的年轻人，看看大家都在AI时代探索哪些方向。

五天的时间里，我真正用于项目开发的时间大概只有两天左右，（第一天傍晚才抵达现场，第二天下午才敲定赛道，最后一天清晨七点就要提交作品）。

很幸运队友都很“佛系”，并没有冲着奖金和名次。除了我是全栈开发的背景之外，队友们都是 USACO、NOI、ICPC 等竞赛金牌出身的背景。我们花了较多的时间去 brainstorm 想做的idea和方向，比如嘉策就提出了构建一个能自动设计 PCB 的 AI Agent。直到第二天下午，我们看到中控 SUPCON 提出的：能否构建一个能像人类一样通过语言协作决策的智能体系统？想象机器之间对话：“我这边快满了，暂停投料”，“收到，我先缓一轮。” 通过语言理解彼此、协作应变、自主决策，从而实现稳定运行与产能最优。

我们最终决定了参加这个最具挑战性和现实意义的赛道，做了一个面向工业场景的智能体系统 —— Agentic Factoria。

我们尝试着构建了一个由多个 AI Agent 组成的系统，用于工厂的管理、故障处理和物流调度，期望能为类似工业场景提供一些启发：通过 MQTT 实时接收厂内数据并控制设备，探索 LLM 驱动的 Agent 在工业场景中的落地可能性。

过去一年，我作为一名一直在探索 LLM / Agentic 应用的 SWE，自认为对 prompt engineering 和上下文管理的重要性已有较深入的理解。但这次的开发让我意识到：在真实、复杂的系统中，为多个AI Agent处理动态、海量的 context 有多难。这也让我重新思考了 Andrej Karpathy 上个月在 YC AI Startup School Keynote 中提到的Context Engineering。

在工业场景中，数据通过 MQTT 持续流入，而 Agent 又需要一定的响应时间。这种“思考延迟”会带来一个关键挑战：决策滞后。当 Agent 做出决策时，现实工况可能已经发生变化。要想让构造一个这样全年无休的系统，并让其真正稳定运行，除了做好 context engineering，还必须处理好 “同步 vs. 反应” 的张力。

我构思的 context engineering 主要包括以下几个部分：

  • 系统提示词（System Prompt）：定义每个 Agent 的角色和行为，例如Supervisor Agent 负责订单分配，Production Line Agent 管理流水线；
  • 实时数据（Real-time Data）：通过 MQTT 接收工厂中的实施状况等其他信息；
  • 任务历史（Task History）：记录每个 Agent 的历史操作和决策链；
  • 工厂内设备信息知识（Factory Knowledge）：包括设备可执行的操作规程、物料仓库、可用传送带等；
  • 工具反馈（Tool Feedback）：Agent 调用外部工具后的响应数据。

在多个 Agent 在工厂协作的场景下，海量信息的同步尤其关键，尤其是在订单与原材料分配环节。我尝试了：

  • 共享记忆（Shared Memory）：构建中心化的 Order Management 模块，所有 Production Line Agent 可读写订单状态和原材料需求；
  • 角色分工（Role Assignment）：为每个 Agent 明确职责边界，减少任务冲突；
  • 通信协议（Communication Protocols）：所有 Agent 的输出都采用标准化 JSON（由 Pydantic Schema 定义），确保指令统一、可验证。

当然，Agentic Factoria 仍有很多需改进之处（主要还是context engineering），目前的系统在产能上可能还不及成熟的规则系统，而且我个人对工业 context 的理解也仍在摸索阶段。但很感谢各位评委们的认可，最终在 800 多位参赛者，37个赛道中，获得了本次黑客松Kimi赛道的冠军以及 SUPCON 赛道的第二名。

这几天认识了许多新朋友，也遇到了不少老朋友、投资人和行业专家。短短几天，不仅学到了很多，也让我更清楚自己在哪些方面还需要补足。接下来，我想花更多时间专注在继续深入探索 LLM / Agentic 系统的实际应用，同时也投入更多精力在个人成长与能力提升上。