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
LLM 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
2. AI时代质效度量体系
2.1大模型时代的质效度量体系图
3. 实践与成效
3.1 实践一：AI代码质量分析
3.1.1 AI代码质量分析思路图（团队、技术栈、系统、个人等维度）
3.1.2 AI代码质量分析核心结论（AI代码入库率、AI代码量、测试缺陷故事比等维度）
3.1.3 AI代码质量分析实践成效（含量化数据）
3.2 实践二：RQI投产模型
3.2.1 RQI投产模型介绍&升级思路图（产能、开测比等因子）
3.2.2 RQI模型应用成效（含量化数据）
3.3 实践三：度量LLM自分析
3.3.1度量LLM自分析引擎架构图
3.3.2 度量LLM自分析引擎架构-标签系统
3.3.3 度量LLM自分析引擎架构图-自分析智能体
3.3.4 度量LLM自分析提效效果（含量化数据）
4. 未来展望（AI代码质量分析智能体、质慧bot、洞察工作台等）
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
2. AI时代质效度量体系
2.1大模型时代的质效度量体系图
3. 实践与成效
3.1 实践一：AI代码质量分析
3.1.1 AI代码质量分析思路图（团队、技术栈、系统、个人等维度）
3.1.2 AI代码质量分析核心结论（AI代码入库率、AI代码量、测试缺陷故事比等维度）
3.1.3 AI代码质量分析实践成效（含量化数据）
3.2 实践二：RQI投产模型
3.2.1 RQI投产模型介绍&升级思路图（产能、开测比等因子）
3.2.2 RQI模型应用成效（含量化数据）
3.3 实践三：度量LLM自分析
3.3.1度量LLM自分析引擎架构图
3.3.2 度量LLM自分析引擎架构-标签系统
3.3.3 度量LLM自分析引擎架构图-自分析智能体
3.3.4 度量LLM自分析提效效果（含量化数据）
4. 未来展望（AI代码质量分析智能体、质慧bot、洞察工作台等）
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
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
