专场：AI驱动需求工程和设计新实践
AI为需求工程与设计带来了并正在进行着深刻的变革：
工作范式：AI正从效率工具升级为以需求工程与设计为核心的创新协作伙伴，重塑研发全流程、重构角色分工，形成全新范式；
工作重心：需求工作由传统的分析与定义，向价值工程、业务创新、产品创新、经营与运营等高价值方向快速演进；
在研发链路中的定位：在“从需求到代码”全链路AI化进程中，需求分析与设计建模正成为贯穿始终的核心枢纽环节。
本论坛将在上述背景下，集合业界最新的AI4RE和设计的新实践，共同分享并促进行业的发展演进。
工作范式：AI正从效率工具升级为以需求工程与设计为核心的创新协作伙伴，重塑研发全流程、重构角色分工，形成全新范式；
工作重心：需求工作由传统的分析与定义，向价值工程、业务创新、产品创新、经营与运营等高价值方向快速演进；
在研发链路中的定位：在“从需求到代码”全链路AI化进程中，需求分析与设计建模正成为贯穿始终的核心枢纽环节。
本论坛将在上述背景下，集合业界最新的AI4RE和设计的新实践，共同分享并促进行业的发展演进。
专场出品人：苏春山
北京兴云数科 企业数智化咨询与教练团队负责人 中兴通讯 高效产品开发（HPPD）过程改进专家
历任公司高效产品研发体系（HPPD）总体组负责人、敏捷精益转型负责人、产品线规划总工、研发总工、研发部长等。
深耕通信与软件工程领域，具备丰富的产品研发、组织管理与体系建设经验。主导多个大型组织敏捷转型，专注内外部企业数智化转型、研发体系构建、组织发展与变革新型领导力建设等。
深度参与国家标准《系统与软件工程 开发运维一体化能力成熟度模型》及国家人事部《数字化解决方案设计师系列国家职业技能教程》编写。
擅长领域：通信领域、软件工程、战略规划、数字化解决方案规划设计与咨询、研发过程体系建设与咨询、组织发展与变革、教练
田彦博
百度 工程效能部 文心快码资深工程师
百度资深前端工程师，内部讲师，文心快码开放平台负责人，拥有超 5 年软件工程效能提效经验，曾负责落地百度内部多个 DevOps 项目云原生改造，内部 NPM 镜像负责人。2023年开始参与百度智能开发工具文心快码（Comate）的 IDE 插件研发，负责开放性建设，Figma2Code，MCP等多个方向，有丰富的 LLM 应用开发经验。
待定
待定
构建可落地的前端智能工具：
从页面生成到联调部署闭环的工程实践
议题背景：
随着以 OpenAI、Anthropic 等公司推动的大模型能力快速演进，前端开发正在经历从“代码编写”向“智能协作”的范式升级。但现实问题是：大模型生成的代码往往无法直接合并，缺乏对项目上下文的理解，也难以完成真实任务闭环。前端场景更具复杂性——涉及页面结构、视觉还原、组件规范、工程约束与运行调试。如何构建一个真正可落地的前端智能体，使其既能理解设计、遵循技术栈规范，又能通过工具调用感知页面与运行状态，实现“生成—运行—修正”的闭环，是当前前端智能化转型的关键议题。本次分享将系统拆解前端智能化的构建方法与工程实践路径。
内容大纲：
1. 从“写代码”到“智能协作”的范式转变
1.1 AI 对前端研发流程的冲击
1.1.1 从代码补全到任务级生成的跃迁
1.1.2 从“人驱动工具”到“人机协作共创”
1.1.3 研发角色由“实现者”向“设计与约束制定者”转变
1.2 传统 AI 编码的局限
1.2.1 无上下文感知，生成内容割裂
1.2.2 无工程规范约束，无法直接合并
1.2.3 无运行反馈机制，无法自我修正
2. 智能体如何生成页面与组件？
2.1 无设计稿场景：结构化 Prompt 驱动生成
2.1.1 将页面拆解为：布局结构 / 语义内容 / 交互行为 / 视觉风格
2.1.2 使用结构化 Prompt 明确约束：
页面模块结构
组件命名规范
技术栈限定（如 React + Tailwind）
2.1.3 优势：
避免“创意型发散”
提升生成稳定性与可控性
页面一次生成成功率提升
2.2 有设计稿场景：Figma2Code 高还原生成
2.2.1 读取设计稿结构（图层、样式、布局信息）
2.2.2 转换为组件层级结构
2.2.3 自动映射设计变量到代码样式系统
2.2.4 高还原落地，将“视觉还原时间”从数小时缩短至数分钟
3. 让 AI 写出“可直接合并”的代码
3.1 自动读取项目技术栈
3.1.1 分析 package.json 依赖
3.1.2 识别框架版本（如 React/Vue）
3.1.3 判断样式方案（CSS Modules / Tailwind / Styled Components）
3.2 Rules 机制：强约束工程一致性
3.2.1 文件结构规则
3.2.2 命名规范规则
3.2.3 Hooks 使用约束
3.2.4 禁止使用未授权依赖
随着以 OpenAI、Anthropic 等公司推动的大模型能力快速演进，前端开发正在经历从“代码编写”向“智能协作”的范式升级。但现实问题是：大模型生成的代码往往无法直接合并，缺乏对项目上下文的理解，也难以完成真实任务闭环。前端场景更具复杂性——涉及页面结构、视觉还原、组件规范、工程约束与运行调试。如何构建一个真正可落地的前端智能体，使其既能理解设计、遵循技术栈规范，又能通过工具调用感知页面与运行状态，实现“生成—运行—修正”的闭环，是当前前端智能化转型的关键议题。本次分享将系统拆解前端智能化的构建方法与工程实践路径。
内容大纲：
1. 从“写代码”到“智能协作”的范式转变
1.1 AI 对前端研发流程的冲击
1.1.1 从代码补全到任务级生成的跃迁
1.1.2 从“人驱动工具”到“人机协作共创”
1.1.3 研发角色由“实现者”向“设计与约束制定者”转变
1.2 传统 AI 编码的局限
1.2.1 无上下文感知，生成内容割裂
1.2.2 无工程规范约束，无法直接合并
1.2.3 无运行反馈机制，无法自我修正
2. 智能体如何生成页面与组件？
2.1 无设计稿场景：结构化 Prompt 驱动生成
2.1.1 将页面拆解为：布局结构 / 语义内容 / 交互行为 / 视觉风格
2.1.2 使用结构化 Prompt 明确约束：
页面模块结构
组件命名规范
技术栈限定（如 React + Tailwind）
2.1.3 优势：
避免“创意型发散”
提升生成稳定性与可控性
页面一次生成成功率提升
2.2 有设计稿场景：Figma2Code 高还原生成
2.2.1 读取设计稿结构（图层、样式、布局信息）
2.2.2 转换为组件层级结构
2.2.3 自动映射设计变量到代码样式系统
2.2.4 高还原落地，将“视觉还原时间”从数小时缩短至数分钟
3. 让 AI 写出“可直接合并”的代码
3.1 自动读取项目技术栈
3.1.1 分析 package.json 依赖
3.1.2 识别框架版本（如 React/Vue）
3.1.3 判断样式方案（CSS Modules / Tailwind / Styled Components）
3.2 Rules 机制：强约束工程一致性
3.2.1 文件结构规则
3.2.2 命名规范规则
3.2.3 Hooks 使用约束
3.2.4 禁止使用未授权依赖
3.2.5 效果：代码风格偏差率显著下降
3.3 Few-shot 示例提升生成质量
3.3.1 提供标准组件样例
3.3.2 提供标准页面样例
3.3.3 提供异常处理示例
3.3.4 结果：
组件一致性显著提升
人工修改频次减少
4. 前端场景的工具调用能力：构建真实闭环
4.1 内置浏览器能力
4.1.1 直接打开页面运行结果
4.1.2 采集 DOM 结构
4.1.3 自动捕获 Console 报错
4.1.4 实现能力：
发现报错 → 插入对话上下文 → 生成修复代码
从“生成代码”进化为“修复代码”
4.2 元素选取与局部修改
4.2.1 选中页面元素 → 自动识别对应组件
4.2.2 精准修改样式或交互逻辑
4.2.3 避免全文件重写
4.3 文本划选引用
4.3.1 选中文档 / 选中设计说明
4.3.2 形成真正的：生成 → 运行 → 报错 → 修复 → 再验证 的闭环能力
5. 真实案例与效果数据
页面搭建效率提升、高保真页面开发时间缩短
6. 未来展望：AI 驱动的前端工作方式
6.1 从“写代码”到“定义规则”
6.2 从“实现页面”到“设计智能体能力”
6.3 前端工程师将成为：规范设计者、智能体训练者、工作流架构师
3.3 Few-shot 示例提升生成质量
3.3.1 提供标准组件样例
3.3.2 提供标准页面样例
3.3.3 提供异常处理示例
3.3.4 结果：
组件一致性显著提升
人工修改频次减少
4. 前端场景的工具调用能力：构建真实闭环
4.1 内置浏览器能力
4.1.1 直接打开页面运行结果
4.1.2 采集 DOM 结构
4.1.3 自动捕获 Console 报错
4.1.4 实现能力：
发现报错 → 插入对话上下文 → 生成修复代码
从“生成代码”进化为“修复代码”
4.2 元素选取与局部修改
4.2.1 选中页面元素 → 自动识别对应组件
4.2.2 精准修改样式或交互逻辑
4.2.3 避免全文件重写
4.3 文本划选引用
4.3.1 选中文档 / 选中设计说明
4.3.2 形成真正的：生成 → 运行 → 报错 → 修复 → 再验证 的闭环能力
5. 真实案例与效果数据
页面搭建效率提升、高保真页面开发时间缩短
6. 未来展望：AI 驱动的前端工作方式
6.1 从“写代码”到“定义规则”
6.2 从“实现页面”到“设计智能体能力”
6.3 前端工程师将成为：规范设计者、智能体训练者、工作流架构师
听众收益：
1. 掌握构建前端智能体的完整方法论：从 Prompt 设计到工具闭环的系统化路径。
2. 学会让 AI 输出可直接合并代码的工程实践：通过 rules + few-shot + 技术栈识别提升代码质量。
3. 理解工具调用如何增强模型能力：浏览器调试、DOM 读取、报错感知如何形成真正闭环。
4. 获得可量化的效率提升经验：页面开发效率提升 2–3 倍的实践路径。
5. 建立对“AI + 前端”协作模式的认知框架：从写代码者升级为智能体构建者。
王玉霞
北京兴云数科 资深需求AI教练
过程改进专家
兴云数科资深需求AI教练、过程改进专家，拥有15年+的产品规划与需求管理经验，深耕组织过程改进与AI驱动研发效率提升。参与编写国家人事部《数字化解决方案设计师系列国家职业技能教程》，并多次在技术大会发表主题分享。
待定
待定
需求 Agent + SDD + Skill：
三位一体构建 AI 驱动的需求工程新范式
内容简介：
当下 AI 技术迭代日新月异，需求工程领域正持续探索 “需求即应用”、“想法即产品” 等未来场景，并依托 Agent、SDD、Skill 等技术加速落地实践。在演进过程中，哪些传统研发模式将被颠覆，又该如何探索下一代 AI 驱动的研发新范式？基于这一探索方向，本课题将重点分享如何通过“需求Agent + SDD + Skill”的协同发力，助力需求工程快速实现智能化演进，大幅提升需求人员的工作效率。同时，我们将结合真实企业实战案例，逐步拆解这一闭环范式的核心逻辑、关键技术创新点及可落地、可复制的实施路径，帮助在场听众快速掌握AI驱动下需求工程的实用方法，真正将技术优势转化为实实在在的工作效能。
内容大纲：
1. AI时代需求工程的演进:从现状破局到未来可期
1.1 锚定终极:探索“需求即应用”“想法即产品”的极致场景，释放A驱动需求工程的核心潜能
1.2 破局之路:从传统研发模式迈向极致场景的核心阻力与关键助力
2. 三位一体范式的底层逻辑:需求Agent+SDD+Skill
2.1 协同机制:需求Agent+SDD+Skill的联动机制，形成闭环范式的技术底座
2.2 构建路径:三位一体闭环范式的构建路径和从0到1的落地步骤
3. 企业落地实战与避坑
3.1 实战案例:企业典型场景落地成果与实施步骤
3.2 避坑指南:落地关键痛点与可复制的规避方案
4. 展望:AI需求工程的未来方向
4.1 短期趋势:自治式需求落地路径与能力演进图谱
4.2 长期倡议:共建开源生态与行业标准化体系
听众收益
1. 破局:精准掌握AI时代需求工程的极致场景、演进逻辑，清晰认知演进路上的阻力与助力，打通认知壁垒。
当下 AI 技术迭代日新月异，需求工程领域正持续探索 “需求即应用”、“想法即产品” 等未来场景，并依托 Agent、SDD、Skill 等技术加速落地实践。在演进过程中，哪些传统研发模式将被颠覆，又该如何探索下一代 AI 驱动的研发新范式？基于这一探索方向，本课题将重点分享如何通过“需求Agent + SDD + Skill”的协同发力，助力需求工程快速实现智能化演进，大幅提升需求人员的工作效率。同时，我们将结合真实企业实战案例，逐步拆解这一闭环范式的核心逻辑、关键技术创新点及可落地、可复制的实施路径，帮助在场听众快速掌握AI驱动下需求工程的实用方法，真正将技术优势转化为实实在在的工作效能。
内容大纲：
1. AI时代需求工程的演进:从现状破局到未来可期
1.1 锚定终极:探索“需求即应用”“想法即产品”的极致场景，释放A驱动需求工程的核心潜能
1.2 破局之路:从传统研发模式迈向极致场景的核心阻力与关键助力
2. 三位一体范式的底层逻辑:需求Agent+SDD+Skill
2.1 协同机制:需求Agent+SDD+Skill的联动机制，形成闭环范式的技术底座
2.2 构建路径:三位一体闭环范式的构建路径和从0到1的落地步骤
3. 企业落地实战与避坑
3.1 实战案例:企业典型场景落地成果与实施步骤
3.2 避坑指南:落地关键痛点与可复制的规避方案
4. 展望:AI需求工程的未来方向
4.1 短期趋势:自治式需求落地路径与能力演进图谱
4.2 长期倡议:共建开源生态与行业标准化体系
听众收益
1. 破局:精准掌握AI时代需求工程的极致场景、演进逻辑，清晰认知演进路上的阻力与助力，打通认知壁垒。
2. 复用:带走“三位一体”范式的可落地框架与实施步骤，有效降低学习成本，实现快速复用。
3. 进阶:具备AI驱动需求工程的架构设计能力，适配研发效能升级，实现研发效率提升。
3. 进阶:具备AI驱动需求工程的架构设计能力，适配研发效能升级，实现研发效率提升。
杨爱文
北京兴云数科
产品架构规划师兼AI技术教练
北京兴云数科产品架构规划师兼AI技术教练，负责企业级AI研发工具的开发和创新，推动AI技术在企业内部的工程化落地。具有深厚的实战经验，成功实现AI技术在多项目中的高效应用与规模化推广。
待定
待定
基于企业 CoClaw+Skill：实现从想法到产品的快速落地
议题背景：
AI 时代，企业不缺 AI 工具，缺的是"从一个模糊想法到可验证产品"的全链路落地能力。本议题以精益创业+设计思维的核心方法论为指导，分享如何通过 CoClaw（ZTE的OpenClaw企业级演进版）+ Skill，将 MVP 方法论与 Build-Measure-Learn 循环转化为可执行的 AI Agent 能力，构建AI时代的"假设建模→假设校验→构建MVP(最小可行产品)→反馈验证"的精益闭环，帮助企业用最低成本、最短周期完成从想法到产品的快速验证。
内容大纲：
1. AI 时代产品创新的困境
1.1 时代背景：AI 加速迭代，市场窗口收窄，企业产品面临"不动则慢、盲动则废"的两难
1.2 典型痛点：产品验证周期长、试错成本高、全链路落地断层
1.3 根因剖析：方法论与工具链脱节——有工具缺方法、有能力缺闭环
2. 基于 CoClaw + Skill 的精益创业落地方案
2.1 方法论基础：
AI 时代，企业不缺 AI 工具，缺的是"从一个模糊想法到可验证产品"的全链路落地能力。本议题以精益创业+设计思维的核心方法论为指导，分享如何通过 CoClaw（ZTE的OpenClaw企业级演进版）+ Skill，将 MVP 方法论与 Build-Measure-Learn 循环转化为可执行的 AI Agent 能力，构建AI时代的"假设建模→假设校验→构建MVP(最小可行产品)→反馈验证"的精益闭环，帮助企业用最低成本、最短周期完成从想法到产品的快速验证。
内容大纲：
1. AI 时代产品创新的困境
1.1 时代背景：AI 加速迭代，市场窗口收窄，企业产品面临"不动则慢、盲动则废"的两难
1.2 典型痛点：产品验证周期长、试错成本高、全链路落地断层
1.3 根因剖析：方法论与工具链脱节——有工具缺方法、有能力缺闭环
2. 基于 CoClaw + Skill 的精益创业落地方案
2.1 方法论基础：
精益创业结合设计思维的核心要义（BML 循环、经证实的认知、以用户体验为核心的MVP）及其在企业创新场景中的适配价值
2.2 精益验证四步闭环：
用户场景场景 → 需求洞察 Skill（假设建模）→ 用户模型 Skill（假设预校验）→ MVP Skill（构建最小可行产品）→ 迭代验证 Skill（反馈度量与认知迭代）
2.3 基于Coclaw的Skill协作机制：
四个 Skill 在 CoClaw 上协同运作，每轮迭代验证的结果输出自动回流，驱动下一轮假设修正与产品演进，形成 BML 持续演进闭环
3. 企业实践案例
3.1 全流程实操：从"一句话想法"到"可验证 MVP"的四步闭环演示
3.2 关键成效：产品构建从月级压缩至分钟级，验证从主观判断转为数据驱动
3.1 全流程实操：从"一句话想法"到"可验证 MVP"的四步闭环演示
3.2 关键成效：产品构建从月级压缩至分钟级，验证从主观判断转为数据驱动
听众收益：
方法：掌握精益创业+设计思维与 MVP 在 AI 时代的落地新范式——不是"怎么做得快"，而是"怎么学得快、验得准"，避免将 AI 生成能力等同于产品成功。
工具：了解 CoClaw + Skill 如何作为企业级 AI 能力底座，系统性降低从想法到产品的验证成本，带走可落地的方法论与工具结合路径。
认知：洞察 AI 如何承载和复用企业成熟方法论，将个人经验转化为组织能力，放大团队研发效能。
方法：掌握精益创业+设计思维与 MVP 在 AI 时代的落地新范式——不是"怎么做得快"，而是"怎么学得快、验得准"，避免将 AI 生成能力等同于产品成功。
工具：了解 CoClaw + Skill 如何作为企业级 AI 能力底座，系统性降低从想法到产品的验证成本，带走可落地的方法论与工具结合路径。
认知：洞察 AI 如何承载和复用企业成熟方法论，将个人经验转化为组织能力，放大团队研发效能。
万方鹏
快手 商业化测试开发工程师
快手商业化测试开发工程师，目前负责快手服务号、快小游业务质量保障；及AI 需求风险评估、用户反馈智能分析等项目的架构设计与规模化落地。毕业后曾就职于百度，在舆情风控、AI 风险评估、端上质量保障、搜索架构稳定性等领域拥有丰富经验。
待定
待定
大模型驱动的需求风险智能评估体系建设与实践
议题背景：
基于快手商业化需求风险评估的大规模实战经验，拆解如何用大模型构建「需求解析 - 风险识别 - 智能分级 - 线上追踪 - 迭代优化」的全链路智能风险评估体系搭建方案，解决传统人工评估强经验依赖、评审效率低、覆盖范围不足、风险难追踪等问题。从底层逻辑、技术实现、落地路径、踩坑指南、数据验证五个维度，详解AI如何将质量管控从“事后救火”到“事前防控”，为质量团队提供一套可复制、可落地、可规模化的质效提升解决方案。
内容大纲：
1. 需求风险控制的挑战
1.1 行业数据洞察：80%线上故障的根因，源于需求阶段的质量缺口
1.2 传统模式的三大痛点：强经验依赖、测试效率瓶颈、风险与执行闭环断裂
1.3 质效深水区：为什么必须把质量管控左移到需求起点
2. 大模型在需求风险评估领域的应用场景
2.1 前置解析场景：PRD、UI稿、技术方案、代码变更等多模态需求输入理解
2.2 核心识别场景：代码 / 大前端 / 资金 / 安全等风险的全维度自动挖掘与根因定位
2.3 决策分级场景：四大核心因子驱动的需求风险量化智能分级模型
2.4 风险追踪场景：与AI用例生成、自动化执行、线上反馈分析等能力打通
3. 智能风险评估体系的技术实现方案
3.1 核心架构重构：从“人工经验判断”到“数据 + 模型自动决策”的底层逻辑升级
3.2 业务适配核心：基于垂直业务知识库的 RAG 检索增强方案，解决模型幻觉问题
3.3 自动化实现：多 Agent 协同架构，实现需求解析 - 风险识别 - 分级决策的自动化执行
3.4 个性化适配：Prompt注入机制+知识图谱建设，适配不同业务域的差异化评估需求
4. 业务标杆案例与实践成果
4.1 核心量化成果：需求风险识别准确率、线上遗漏率、测试效率等指标
4.2 标杆场景案例：核心交易、线索业务、C端高频迭代三大场景的落地效果
4.3 规模化推广：从试点验证到全业务线覆盖的落地路径与运营体系建设
5. 落地过程避坑指南
5.1 模型幻觉导致的风险误判问题，对应的落地解决方案
5.2 不同业务线的适配性难题，规模化推广的破局方法
5.3 一线团队接受度低，从「被动用」到「主动用」的运营技巧
5.4 业务数据安全与合规性的平衡方案
6. 行业趋势和新的挑战
6.1 行业趋势：从单点AI提效工具，到全流程智能测试体系
6.2 待突破的新挑战：复杂业务逻辑深度推理、跨域风险联动预判、全链路自迭代闭环构建
听众收益：
1. 了解快手商业化在大模型驱动的需求风险智能评估体系建设上的实战经验
2. 了解如何从「人工经验判断」升级为「数据 + 模型自动决策」的底层逻辑与技术方案
3. 了解大模型在需求解析、风险识别、智能分级、风险追踪等全链路的应用场景
4. 了解智能风险评估体系从试点验证到全业务线规模化推广的落地路径
5. 了解模型幻觉治理、业务适配、团队接受度提升等落地过程中的避坑指南
6. 了解AI赋能质效提升的量化成果与行业趋势前瞻
内容大纲：
1. 需求风险控制的挑战
1.1 行业数据洞察：80%线上故障的根因，源于需求阶段的质量缺口
1.2 传统模式的三大痛点：强经验依赖、测试效率瓶颈、风险与执行闭环断裂
1.3 质效深水区：为什么必须把质量管控左移到需求起点
2. 大模型在需求风险评估领域的应用场景
2.1 前置解析场景：PRD、UI稿、技术方案、代码变更等多模态需求输入理解
2.2 核心识别场景：代码 / 大前端 / 资金 / 安全等风险的全维度自动挖掘与根因定位
2.3 决策分级场景：四大核心因子驱动的需求风险量化智能分级模型
2.4 风险追踪场景：与AI用例生成、自动化执行、线上反馈分析等能力打通
3. 智能风险评估体系的技术实现方案
3.1 核心架构重构：从“人工经验判断”到“数据 + 模型自动决策”的底层逻辑升级
3.2 业务适配核心：基于垂直业务知识库的 RAG 检索增强方案，解决模型幻觉问题
3.3 自动化实现：多 Agent 协同架构，实现需求解析 - 风险识别 - 分级决策的自动化执行
3.4 个性化适配：Prompt注入机制+知识图谱建设，适配不同业务域的差异化评估需求
4. 业务标杆案例与实践成果
4.1 核心量化成果：需求风险识别准确率、线上遗漏率、测试效率等指标
4.2 标杆场景案例：核心交易、线索业务、C端高频迭代三大场景的落地效果
4.3 规模化推广：从试点验证到全业务线覆盖的落地路径与运营体系建设
5. 落地过程避坑指南
5.1 模型幻觉导致的风险误判问题，对应的落地解决方案
5.2 不同业务线的适配性难题，规模化推广的破局方法
5.3 一线团队接受度低，从「被动用」到「主动用」的运营技巧
5.4 业务数据安全与合规性的平衡方案
6. 行业趋势和新的挑战
6.1 行业趋势：从单点AI提效工具，到全流程智能测试体系
6.2 待突破的新挑战：复杂业务逻辑深度推理、跨域风险联动预判、全链路自迭代闭环构建
听众收益：
1. 了解快手商业化在大模型驱动的需求风险智能评估体系建设上的实战经验
2. 了解如何从「人工经验判断」升级为「数据 + 模型自动决策」的底层逻辑与技术方案
3. 了解大模型在需求解析、风险识别、智能分级、风险追踪等全链路的应用场景
4. 了解智能风险评估体系从试点验证到全业务线规模化推广的落地路径
5. 了解模型幻觉治理、业务适配、团队接受度提升等落地过程中的避坑指南
6. 了解AI赋能质效提升的量化成果与行业趋势前瞻
敬请期待
......
.....
待定
待定
敬请期待
....
关注QECon公众号
关注QECon视频号
议题投稿
lijie@qecon.net
票务联系
18649077637 Lily
媒体合作
135-1619-6409 皮皮
商务合作
151-2264-3988 木子
购票咨询
18649077637 Lily
