2026 长沙 1024 程序员日暨 AI 构建者大会于 10 月 24 日至 25 日在长沙智谷举行，主题为“具身同行，智构未来”。大会围绕具身智能、AI 办公、AI+政务、鸿蒙与端侧 AI、国产算力生态等议题展开，吸引了超 1500 人线下参会。

结合你给出的四行关键词，可以把本次大会及相关生态拆成四个技术方向：

1. AMD、AtomGit、超能机器人、科沃斯、elastic：具身智能、政务内源与端侧 AI 展区生态
2. 光锥交互、华为、鲲鹏、昇腾、彩标 AI：Agentic AI 与国产算力底座
3. HCDG、慧仑科技、长沙交辉数智科技、俊码星球、乐奇 Rokid：开发者社区、XR 与区域产业协同
4. 联想、灵心巧手、灵宙智能、麦芽 AI、Modelers：端侧大模型、灵巧手与智能体办公

报告配套提供一套可运行的 Python 示例，用于对大会关键词做结构化分析、分类统计与亮点提取。

---

一、技术背景：AI 构建者大会为什么值得用 Python 做一次复盘

这次大会的一个明显变化是：AI 不再只是“模型能力展示”，而是进入了“谁能让 AI 真正执行任务”的阶段。CSDN 创始人蒋涛提出“硅基时间”概念，认为当 AI 开始承担执行工作，团队扩展方式会从“增编”转向“加 Token”，时间第一次可以被采购。

这句话对开发者很关键。过去我们评价一个 AI 项目，常常看模型参数量、训练数据规模或榜单分数；现在更要看它能否接入真实业务流：能否调用工具、能否处理本地文件、能否控制机器人、能否在政务内网中安全交付、能否在端侧设备上低功耗运行。

因此，用 Python 做一份大会技术复盘，不只是整理新闻，而是把“企业—技术方向—落地场景—开发者机会”串成一张可查询的表。

---

二、四个关键词组的技术解读

1. AMD、AtomGit、超能机器人、科沃斯、elastic

这一组更像一个“硬件、开源协作、具身智能与展区生态”的组合。

• AMD：出现在大会展区阵容中，代表通用算力、端侧/边缘算力与 AI 硬件生态的参与方。
• AtomGit：与深圳龙岗“龙源”政务 AI 内源平台相关，强调统一底座、数据不出域、业务人员也可参与应用搭建，系统交付周期从按月压缩到天级。
• 超能机器人：参与具身智能主题分享，并与 CSDN 在具身智能训练场、人才培养、创新创业孵化方面达成合作。
• 科沃斯：在展区中展示了服务机器人能力，科沃斯机器人在展台间自主巡场，体现具身智能从清洁、整理到家庭管家的演进。
• elastic：作为展区参展方出现，反映搜索、数据基础设施与 AI 应用之间的结合趋势。

这一组的技术主线是：AI 正在从云端模型走向真实设备、真实组织和真实数据环境。

2. 光锥交互、华为、鲲鹏、昇腾、彩标 AI

这一组对应“Agentic AI + 国产算力”。

光锥交互在具身智能高峰论坛中分享了仿生表达、柔性触觉与交互闭环等方向。华为则通过鲲鹏、昇腾两条线呈现 AI 基础设施能力：昇腾更偏训练与推理算力，鲲鹏更偏 Agent 大规模运行时的系统承载。

这里需要注意时间区分：鲲鹏昇腾开发者大会 2026 举办于 2026 年 5 月，并非 10 月长沙 1024 大会；但两者共同反映了 2026 年国产算力生态从“芯片可用”走向“系统可承载智能体”的趋势。

“彩标 AI”未找到可核验的公开大会或产品信息，报告中仅作为待补充实体保留。

3. HCDG、慧仑科技、长沙交辉数智科技、俊码星球、乐奇 Rokid

这一组更偏“开发者生态与区域协同”。

• HCDG：华为云开发者社区组织，面向开发者提供学习、交流与活动支持。
• 慧仑科技：其首席技术官王健宗参与了具身智能圆桌主持，体现开源、具身智能与产业协同之间的连接。
• 长沙交辉数智科技、俊码星球：公开材料中未找到足够可核验信息，暂按本地数字化/开发者生态参与方处理。
• Rokid：出现在展区阵容中，代表 XR、空间计算与 AI 交互终端的结合方向。

这一组说明：AI 构建者大会不仅是技术发布，也在连接城市、社区、高校和企业开发者。

4. 联想、灵心巧手、灵宙智能、麦芽 AI、Modelers

这一组对应“端侧 AI、灵巧手、智能体办公”。

• 联想 AI 主机 P7：约 300 克机身、190TOPS 本地算力，最高支持 122B 参数本地大模型与 128K 上下文，30W 功耗即可运行千亿参数模型，体现端侧 AI 的可用性。
• 灵心巧手：聚焦高自由度灵巧手与自进化智能体，已与 CSDN 在灵巧操作数据、技能开发和开源社区方面建立协作。
• 麦芽 AI：参与“智能体的边界与真相”圆桌，关注 AI 办公、FDE 前线驻场开发等落地实践。
• 灵宙智能、Modelers：公开材料中未找到充分可核验信息，报告中作为待补充实体处理。

---

三、Python 代码：大会关键词结构化分析

下面代码不依赖外部网络，可直接在本地运行。它完成三件事：

1. 把四行关键词整理成结构化数据；
2. 自动识别技术标签；
3. 输出分类统计与亮点摘要。

import json
from collections import Counter

# 1. 原始关键词行
raw_lines = [
    "AMD、AtomGit、超能机器人、科沃斯、Elastic AI 构建者大会",
    "光锥交互、华为、鲲鹏、昇腾、（彩标 AI）AI 构建者大会",
    "HCDG 华为云开发者组、慧仑科技、长沙交辉数智科技、俊码星球、乐奇 Rokid AI 构建者大会",
    "联想、灵心巧手、灵宙智能、麦芽 AI、Modelers AI 构建者大会",
]

# 2. 实体与技术标签映射
ENTITY_TAGS = {
    "AMD": ["硬件算力", "展区生态"],
    "AtomGit": ["政务内源", "开源协作", "AI+政务"],
    "超能机器人": ["具身智能", "机器人", "人才培养"],
    "科沃斯": ["服务机器人", "具身智能", "家庭场景"],
    "Elastic": ["数据基础设施", "搜索", "展区生态"],
    "光锥交互": ["具身智能", "交互技术", "柔性触觉"],
    "华为": ["国产算力", "开发者生态", "AI基础设施"],
    "鲲鹏": ["国产CPU", "Agent运行时", "操作系统生态"],
    "昇腾": ["AI算力", "大模型训练", "推理加速"],
    "彩标AI": ["待确认"],
    "HCDG": ["开发者社区", "华为云生态"],
    "慧仑科技": ["具身智能", "开源生态", "产业协同"],
    "长沙交辉数智科技": ["待确认"],
    "俊码星球": ["待确认"],
    "乐奇Rokid": ["XR", "空间计算", "AI终端"],
    "联想": ["端侧AI", "AI主机", "本地大模型"],
    "灵心巧手": ["灵巧手", "具身智能", "自进化智能体"],
    "灵宙智能": ["待确认"],
    "麦芽AI": ["智能体办公", "FDE", "AI应用落地"],
    "Modelers": ["待确认"],
}

# 3. 解析函数
def parse_entities(line: str) -> list[str]:
    # 先去掉“AI 构建者大会”这类大会后缀，避免误切分
    cleaned = line.replace("AI 构建者大会", "").replace("（彩标 AI）", "彩标AI")
    parts = []
    for part in cleaned.replace("、", ",").split(","):
        name = part.strip()
        if name:
            parts.append(name)
    return parts


def tag_entities(entities: list[str]) -> list[dict]:
    results = []
    for name in entities:
        tags = ENTITY_TAGS.get(name, ["待确认"])
        results.append({
            "entity": name,
            "tags": tags,
            "confirmed": tags != ["待确认"],
        })
    return results


def summary_report(grouped: list[dict]) -> str:
    tag_counter = Counter()
    confirmed = 0
    pending = 0

    lines = []
    lines.append("=== 2026 AI 构建者大会 Python 技术报告 ===\n")

    for group in grouped:
        lines.append(f"组别：{group['group']}")
        lines.append(f"关键词：{', '.join(group['entities'])}")

        for item in group["tagged"]:
            for t in item["tags"]:
                tag_counter[t] += 1
            if item["confirmed"]:
                confirmed += 1
            else:
                pending += 1

        lines.append("实体标签：")
        for item in group["tagged"]:
            status = "已确认" if item["confirmed"] else "待确认"
            lines.append(f"  - {item['entity']}：{', '.join(item['tags'])} [{status}]")
        lines.append("")

    lines.append("=== 技术标签统计 ===")
    for tag, count in tag_counter.most_common():
        lines.append(f"{tag}: {count}")

    lines.append("")
    lines.append("=== 数据质量 ===")
    lines.append(f"已确认实体：{confirmed}")
    lines.append(f"待确认实体：{pending}")

    lines.append("")
    lines.append("=== 大会亮点 ===")
    lines.append("1. 具身智能从展示走向训练场、技能库与真实场景协同。")
    lines.append("2. 政务内源强调数据不出域、业务人员可参与应用搭建。")
    lines.append("3. 国产算力生态关注昇腾训练推理与鲲鹏Agent承载。")
    lines.append("4. 端侧AI主机让本地大模型从概念变成可触摸的开发环境。")
    lines.append("5. 灵巧手成为具身智能执行层的关键入口。")
    lines.append("6. 开发者社区、XR终端与区域产业协同正在形成新连接。")

    return "\n".join(lines)


# 4. 主流程
groups = []
for idx, line in enumerate(raw_lines, start=1):
    entities = parse_entities(line)
    tagged = tag_entities(entities)
    groups.append({
        "group": f"第{idx}组",
        "raw_line": line,
        "entities": entities,
        "tagged": tagged,
    })

report = summary_report(groups)
print(report)

# 5. 导出 JSON，方便后续做可视化或入库
output = {
    "conference": "2026长沙1024程序员日暨AI构建者大会",
    "theme": "具身同行，智构未来",
    "groups": groups,
}

with open("ai_builder_conference_report.json", "w", encoding="utf-8") as f:
    json.dump(output, f, ensure_ascii=False, indent=2)

print("\n已导出：ai_builder_conference_report.json")

---

四、代码解析

1. 为什么先做实体清洗

原始输入里包含“AI 构建者大会”“（彩标 AI）”等混合文本。如果直接按顿号切分，容易把大会名称误切成实体。所以 parse_entities 先移除大会后缀，再统一按顿号或逗号切分。

这一步在真实数据清洗中很常见。尤其是从海报、议程、新闻标题中提取参会方时，经常会出现“某某大会”“某某专场”“某某展区”混在一起的情况。

2. 标签映射的价值

ENTITY_TAGS 把每个实体映射到若干技术标签。这样做的好处是，后续可以回答类似问题：

• 哪些企业属于具身智能？
• 哪些方向与国产算力相关？
• 哪些实体信息不足，需要继续核验？

这比单纯罗列名单更有分析价值。

3. 统计与报告分离

summary_report 负责生成可读报告，主流程负责数据解析。这样后续如果想接 Dash、Streamlit、Pandas 或 Matplotlib，只需要替换报告生成部分，不用重写解析逻辑。

4. JSON 导出便于扩展

导出 JSON 后，可以继续做：

• 标签云统计；
• 实体关系图；
• 具身智能企业筛选；
• 端侧 AI 能力对比表；
• 待确认实体核验清单。

---

五、技术亮点

亮点 1：具身智能进入“手脑协同”阶段

超能机器人、灵心巧手、科沃斯等企业的出现，说明具身智能已经从单纯的本体展示，进入执行层竞争。灵巧手、技能库、强化学习、家庭服务场景正在成为落地点。

亮点 2：政务 AI 强调“内源”和“数据不出域”

AtomGit 相关的龙岗“龙源”平台展示了政务内源的一种可行路径：统一底座、业务人员参与搭建、数据留在政务内网，交付周期从按月压缩到天级。这对 AI 应用开发很重要，因为很多政企项目不是缺模型，而是缺安全、可控、可迭代的交付机制。

亮点 3：国产算力从“可用”走向“可承载智能体”

昇腾关注训练与推理，鲲鹏关注 Agent 运行时、容器隔离、数据吞吐和安全恢复。配合 CANN、MindSpore、MindIE 等软件栈，开发者迁移成本正在被系统性降低。

亮点 4：端侧 AI 主机降低本地大模型门槛

联想 AI 主机 P7 以较低功耗支持本地运行大模型，说明端侧 AI 正在从演示走向开发环境。对开发者来说，这意味着本地调试、隐私数据处理和离线智能体应用会更常见。

亮点 5：大会从“听会”转向“构建”

大会设置了多场构建专场，参会者现场提交可运行作品，作品沉淀到“码上创”平台。这种机制让会议产出不再是 PPT，而是可复用、可迭代的应用资产。

---

六、可继续扩展的方向

如果要把它做成更完整的 Python 项目，可以进一步扩展：

1. 接入新闻源：用 RSS、网页抓取或本地文档构建语料库。
2. 实体去重：把“乐奇 Rokid”“Rokid”“乐奇”合并为同一实体。
3. 关系图谱：用 NetworkX 构建“企业—技术—场景”图。
4. 时间线分析：区分 5 月鲲鹏昇腾大会与 10 月 AI 构建者大会。
5. 可视化面板：用 Streamlit 做标签筛选、实体搜索和亮点看板。
6. 待确认实体核验流水线：对“彩标 AI”“灵宙智能”“Modelers”“长沙交辉数智科技”“俊码星球”建立核验状态字段。

这份报告的核心价值在于：它把一次大会中的分散信息，整理成了可编程、可统计、可扩展的 Python 数据对象。后续无论是写技术博客、做产业研究，还是搭建开发者生态看板，都可以在此基础上继续迭代。