专场：AIGC时代质效度量新实践
AI 正在重塑软件研发的每一个环节，过去我们常常使用需求吞吐量、需求交付周期、缺陷逃逸率等结果指标以及一系列的研发活动过程指标来度量团队的研发效能，而随着行业的剧变，现在哪些指标已经过时？哪些指标还可以继续沿用？
当 AI 可以更轻松的输出大量代码，将人工编码时间进行极致压缩，我们应该如何衡量生产力的变化？当AI生成的代码大量涌入，如何评估产出的代码与软件质量？当人机交互方式不断演进，如何评估人与 Agent的协同的效率，进而指引范式的迭代升级？
带着这些疑问，本专场将汇集众多一线实践者的最新探索，聊聊 AIGC 时代度量体系到底该怎么进化。
当 AI 可以更轻松的输出大量代码，将人工编码时间进行极致压缩，我们应该如何衡量生产力的变化？当AI生成的代码大量涌入，如何评估产出的代码与软件质量？当人机交互方式不断演进，如何评估人与 Agent的协同的效率，进而指引范式的迭代升级？
带着这些疑问，本专场将汇集众多一线实践者的最新探索，聊聊 AIGC 时代度量体系到底该怎么进化。
专场出品人：张乐
腾讯研发效能及 Al Coding 资深技术专家
目前负责服务数万人的智能化软件工程相关工具平台的设计与研发。前百度工程效率专家、前京东工程效率总监与首席架构师。长期在拥有数万人研发规模的一线互联网公司，负责研发效能提升、研发效能度量体系建设、敏捷与DevOps实践落地及工具平台研发工作。DevOps运动国内早期布道者与推动者。《研发效能宣言》发起人及主要内容起草者。著作：《软件研发效能提升实践》、《软件研发效能权威指南》；译著：《独角兽项目：数字化转型时代的开发传奇》、《价值流动：数字化场景下软件研发效能与业务敏捷的关键》。知识星球“研发效能”主理人。
黄家朗
平安人寿保险 测试专家
平安人寿质量管理团队测试专家，深耕测试领域13年+，负责寿险C端业务线的前后端质量保障工作，同时兼顾团队的自动化建设、研效度量体系的搭建及运营工作，含AI代码质量、测试质效、研发质效等分析与改进，保障端到端交付质量。毕业后曾就职于宝能零售和创业公司，擅长自动化测试、性能测试、测试管理、质效度量等。
待定
待定
AI 时代的质效度量新实践
议题背景：
1. 研发通过AI编码“提效”，AI代码入库率提升到28.90%。如何洞察AI代码的质量趋势，驱动开发提升AI编码的能力，对于整个研发质量提升有重大意义。
2. 降本增效的背景下，开测比越发悬殊。如何科学调度测试资源，成为管理者必须思考问题。
3. LLM时代下面对海量度量数据，有必要构建AI驱动的平台自分析能力，降低人工投入成本。
平安人寿质量管理团队通过创新体系实现突破：
✅ 智能度量平台：集成IDE插件、SCC代码扫描、自研质慧平台，围绕AI代码质量与应用数据，以团队、技术栈、系统、个人等维度下钻分析，在生产质量稳定的情况下，助力AI代码入库率维持到28.90%
✅ 资源调度模型：RQI人力投产模型引入产能、开测比等因子，应对开测比激增50%的测试资源挑战
✅ LLM自分析引擎：基于标签系统、自分析智能体等，构建LLM自分析引擎，分析效率提升50%+
内容大纲：
1. 现状与痛点（开发AI提效、测试人力减少，线上质量风险，引出质效度量新方向）
2. 实践与成效
2.1 实践一：AI代码质量分析
2.1.1 AI代码质量分析思路、全景图（团队、技术栈、系统、个人等维度）
2.1.2 AI代码质量分析核心结论1（代码量、AI入库率的结论）
2.1.3 AI代码质量分析核心结论2（前端技术栈，AI代码表现更优秀）
2.1.4 AI代码质量分析核心结论3（团队维度的四象限图应用，找风险）
2.1.5 优秀案例-AI赋能单测提效（含实现逻辑、效果、未来方向）
2.1.6 AI代码质量分析实践成效（含量化数据）
2.2 实践二：AI度量自分析引擎
2.2.1 度量分析手段的演变（纯手工->半自动->全自动）
2.2.2 AI度量自分析引擎的思路来源（World-Monitor）
2.2.3 AI度量自分析引擎流程图
2.2.4 AI度量自分析引擎-质慧平台实现逻辑
2.2.5 AI度量自分析引擎-关键事件实现逻辑
2.2.6 AI度量自分析引擎小范围试点效果
2.3 实践三：质量投产模型
2.3.1 RQI投产模型简要介绍
2.3.2 RQI模型应用效果-测试侧
2.3.3 RQI模型应用效果-研发侧
3. 未来展望-AI时代的质效度量体系全景图（引出并介绍质量分级、开发自测评价、AI缺陷预测等）
听众收益：
1. 掌握大模型时代AI代码质量分析思路
2. 获取LLM赋能度量自分析的设计方法
3. 学习测试资源动态调度的模型思路
1. 研发通过AI编码“提效”，AI代码入库率提升到28.90%。如何洞察AI代码的质量趋势，驱动开发提升AI编码的能力，对于整个研发质量提升有重大意义。
2. 降本增效的背景下，开测比越发悬殊。如何科学调度测试资源，成为管理者必须思考问题。
3. LLM时代下面对海量度量数据，有必要构建AI驱动的平台自分析能力，降低人工投入成本。
平安人寿质量管理团队通过创新体系实现突破：
✅ 智能度量平台：集成IDE插件、SCC代码扫描、自研质慧平台，围绕AI代码质量与应用数据，以团队、技术栈、系统、个人等维度下钻分析，在生产质量稳定的情况下，助力AI代码入库率维持到28.90%
✅ 资源调度模型：RQI人力投产模型引入产能、开测比等因子，应对开测比激增50%的测试资源挑战
✅ LLM自分析引擎：基于标签系统、自分析智能体等，构建LLM自分析引擎，分析效率提升50%+
内容大纲：
1. 现状与痛点（开发AI提效、测试人力减少，线上质量风险，引出质效度量新方向）
2. 实践与成效
2.1 实践一：AI代码质量分析
2.1.1 AI代码质量分析思路、全景图（团队、技术栈、系统、个人等维度）
2.1.2 AI代码质量分析核心结论1（代码量、AI入库率的结论）
2.1.3 AI代码质量分析核心结论2（前端技术栈，AI代码表现更优秀）
2.1.4 AI代码质量分析核心结论3（团队维度的四象限图应用，找风险）
2.1.5 优秀案例-AI赋能单测提效（含实现逻辑、效果、未来方向）
2.1.6 AI代码质量分析实践成效（含量化数据）
2.2 实践二：AI度量自分析引擎
2.2.1 度量分析手段的演变（纯手工->半自动->全自动）
2.2.2 AI度量自分析引擎的思路来源（World-Monitor）
2.2.3 AI度量自分析引擎流程图
2.2.4 AI度量自分析引擎-质慧平台实现逻辑
2.2.5 AI度量自分析引擎-关键事件实现逻辑
2.2.6 AI度量自分析引擎小范围试点效果
2.3 实践三：质量投产模型
2.3.1 RQI投产模型简要介绍
2.3.2 RQI模型应用效果-测试侧
2.3.3 RQI模型应用效果-研发侧
3. 未来展望-AI时代的质效度量体系全景图（引出并介绍质量分级、开发自测评价、AI缺陷预测等）
听众收益：
1. 掌握大模型时代AI代码质量分析思路
2. 获取LLM赋能度量自分析的设计方法
3. 学习测试资源动态调度的模型思路
任晶磊
思码逸 CEO
清华大学计算机系博士，前微软亚洲研究院研究员，斯坦福大学、卡内基梅隆大学访问学者；多篇论文发表在 FSE、OSDI 等顶尖国际学术会议上。曾参与微软下一代服务器系统架构设计，获 4 项美国发明专利；《软件研发效能度量规范》标准核心起草专家，参编《软件研发效能权威指南》《软件研发效能提升实践》；研发大数据平台 Apache DevLake 等开源项目发起人。创办思码逸并担任 CEO，致力于为企业提供专业的研发数智化、AI 原生软件开发解决方案。
待定
待定
编程智能体的可观测性与 AI 原生转型
议题背景：
随着人类退出编程环节乃至大部分 SDLC，研发过程变成“AI 黑盒”，导致协作过程不好管、提效成果说不清、AI 原生转型走不快，管理和衡量研发效能的老办法需要升级。我们提出将可观测性（observability）与可控制性（controllability）应用于人-智协作复杂系统，设立新的 AI 研发管理框架，包括智能体数据收集能力、指标体系和以可靠性和鲁棒性为目标的控制机制——本演讲将涵盖实现 agent 小时级长任务的实例，介绍我们基于规约（spec）和状态机 SOP 的实践，同时概览 2026 年第三版软件研发效能基准数据调研的结果与核心洞察。
内容大纲：
1. AI 原生软件工程的目标与挑战
1.1 正确的目标
内容大纲：
1. AI 原生软件工程的目标与挑战
1.1 正确的目标
1.2 AI 黑盒挑战
2. Harness 核心：可靠性设计
2.1 多基础模型智能体博弈
2.2 依据与推理
2.3 状态机 SOP
3. Agent 无人干预小时级长任务实例
3.1 新项目实现迭代
3.2 旧项目提取文档
4. Spec 的组织与表达
4.1 DIG in SDD
2. Harness 核心：可靠性设计
2.1 多基础模型智能体博弈
2.2 依据与推理
2.3 状态机 SOP
3. Agent 无人干预小时级长任务实例
3.1 新项目实现迭代
3.2 旧项目提取文档
4. Spec 的组织与表达
4.1 DIG in SDD
4.2 GEARS 语法
4.3 Spec 的复用与组合
5. 指标体系与数据收集
5.1 AI 原生指标
5.2 人-智交互指标
5.3 传统结果指标
5.4 工具链
听众收益：
1. 为技术管理者准备的新议程、新框架，摆脱琐碎冗杂的信息和管理动作
2. 耳听为虚、眼见为实，了解 agent 无人干预工作几小时的实例
3. 为软件工程师转型 AI 原生提供路线图，学习实用的 spec 方法
4. 解决 skill 遵从等问题，实现 10x 效能的 agentic 工作流程
5. 面向 AI 研发管理的新指标体系
4.3 Spec 的复用与组合
5. 指标体系与数据收集
5.1 AI 原生指标
5.2 人-智交互指标
5.3 传统结果指标
5.4 工具链
听众收益：
1. 为技术管理者准备的新议程、新框架，摆脱琐碎冗杂的信息和管理动作
2. 耳听为虚、眼见为实，了解 agent 无人干预工作几小时的实例
3. 为软件工程师转型 AI 原生提供路线图，学习实用的 spec 方法
4. 解决 skill 遵从等问题，实现 10x 效能的 agentic 工作流程
5. 面向 AI 研发管理的新指标体系
李娟
腾讯音乐 资深专家
现任腾讯音乐效能平台开发组资深专家。2016年硕士毕业于华南理工大学软件工程专业，此后近五年供职于百度，负责商业数据流系统的质量保障工作，在大数据质量保障与实时分析领域积累了深厚经验。2021年入职腾讯音乐，长期从事效能平台研发；自2024年起聚焦AIGC方向，作为核心成员投入AIGCoding领域，负责内部AICoding工具链建设、AI辅助开发协作范式探索，以及面向AI时代的质效度量体系设计与落地，致力于以数据驱动研发效能的范式迭代与升级。
待定
待定
TME AICoding研发提效实践之路
议题背景：
AIGC时代软件研发向智能化跃迁，但企业落地仍面临私域知识壁垒、工具链路割裂及效能难以量化等痛点。本分享结合腾讯音乐(TME)的深度实践，系统分享企业级 AICoding 研发基建与落地经验。我们将重点解析TME如何构建融合私域知识的 AI Coding 助手与 Agent 统一管理中枢；AI 在核心研发链路的实战落地；并首度揭秘 TME 破解“提效黑盒”的 AI 效能度量体系。
AIGC时代软件研发向智能化跃迁，但企业落地仍面临私域知识壁垒、工具链路割裂及效能难以量化等痛点。本分享结合腾讯音乐(TME)的深度实践，系统分享企业级 AICoding 研发基建与落地经验。我们将重点解析TME如何构建融合私域知识的 AI Coding 助手与 Agent 统一管理中枢；AI 在核心研发链路的实战落地；并首度揭秘 TME 破解“提效黑盒”的 AI 效能度量体系。
内容大纲：
1. AI时代的研效新挑战
2. 腾讯音乐 AICoding 新基建
2.1 打造内部 AI Coding 助手
2.2 Agent 统一配置与分发平台
2.3 打通企业私域知识的实践
3. AI时代研发链路变革
3.1 AI 驱动的测试左移实践落地
3.2 智能测试用例生成
3.3 TME 一站式智能研发平台
4. AICoding 提效度量体系建设
5. 人机协同研发范式的展望
听众收益：
1. 打破传统度量盲区，重塑AIGC时代的效能观
2. 获取一套企业级可复用的效能看板的落地蓝图
3. 精准评估AI工具ROI，优化人机协同体验
关注QECon公众号
关注QECon视频号
议题投稿
speaker@qecon.com.cn
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
