专场：AIGC时代的代码质量 
专场聚焦于探讨：在AIGC时代，由于大量代码生成，如何保证代码质量的问题。本专场将涵盖 “代码大模型评估、自动生成代码、LLM辅助评审、代码自动修复” 等相关话题，并关注大模型或其他人工智能技术如何助力代码评审、提高代码质量。参与者将了解业界这方面的一些优秀实践，从而应用在工作中，以确保产出高质量、安全可靠的代码，以适应AIGC时代带来的挑战。
专场出品人：马宇驰
华为 AI算法科学家、华为云DevAI Lab 负责人
华为AI算法科学家、华为云DevAI Lab 负责人。2017年加盟华为，历任智能化测试技术专家、研发智能博士军团Lead等岗位，带领团队先后围绕智能化测试、智能化运维、智能路由与调度、智能化代码生成等方向成功孵化多项智能研发服务，完成规模化落地并外溢。
亢江妹
Thoughtworks AI创新服务 总监咨询顾问
Thoughtworks 数字化运营与转型事业部AI创新服务负责人，15年以上跨行业的大型企业产品管理经验，当前专注于AI与BizDevOps、AI辅助产品探索与设计、AI辅助需求分析与领域建模、AI业务场景探索与规划、AI开放能力平台设计规划、提示工程和AI产品管理赋能培训、企业AI文化打造、企业AI战略设计等咨询工作。
待定
待定
AI辅助需求的是与非
在组织中实施AI辅助需求管理时，存在对大模型应用的误解和过度简化，这可能导致效率低下和资源浪费。本演讲旨在揭示这些误区，分析大模型的技术边界，并探讨如何通过人机协同创新性地解决需求实践难题。
误区揭示：识别并解释在需求实践中引入大模型的三个常见误区，包括对AI能力的过度估计、数据依赖问题以及忽视人的因素。
技术边界剖析：结合实际案例，深入探讨大模型在当前技术发展中的局限性，以及将AI辅助需求工具实现到生产级别的工程复杂性。
人机协同思维：提出一种新的视角，强调人机协同在AI辅助需求管理中的重要性，以及如何利用这种思维模式创新性地解决组织面临的挑战。
创新方向与建议：针对大型科技组织，提出三个将大模型应用于需求管理的创新方向，并给出具体的落地建议，帮助听众理解如何有效地整合AI技术以推动组织需求的发展。
认识误区：帮助听众识别并避免在AI辅助需求实践中的常见陷阱。
技术理解：提升听众对大模型技术能力和工程实施难度的认识。
创新思维：启发听众思考如何通过人机协同的方式，创造性地解决需求管理问题。
实践指导：提供具体的创新方向和落地建议，助力听众在实际工作中有效应用AI技术。
内容大纲
听众收益
陈秋远
腾讯 Code平台中心 高级研究员
腾讯公司 Code平台中心 高级研究员，目前主要负责腾讯工蜂代码智能化方向的工作：研制高质量代码数据，对代码大模型进行调优，及支撑模型到产品的落地，并保障可用性。在浙江大学取得博士学位，研究方向为智能化软件工程，在软件工程领域发表顶级期刊、会议在内的学术论文共计十余篇，具有丰富的前沿工作落地实践经验。
待定
待定
面向AI编程：代码大模型的SFT实践
智能化产品离不开大模型的支撑，而落地具体业务往往需要进一步的模型调优。代码大模型调优的落地，离不开高质量代码数据、训练调优策略和可靠的交付流程。本次分享围绕这三个方面进行。
1. 高质量数据对于代码大模型的重要性
2. 什么是高质量的代码数据
3. 如何对代码大模型进行调优
4. 如何保证工程中模型调优的可靠交付
1. 了解代码大模型相关实现技术
2. 了解智能化产品相关落地细节
3. 了解代码智能化对普通开发者的影响
内容大纲
听众收益
揭光发
腾讯 智能创作与内容平台部技术专家
19年研发与团队管理经验，前腾讯云TVP，现腾讯全栈技术专家，公司级低代项目负责人，是IEEE低代码标准及大湾区企业低代码标准的主撰写人，大模型应用早期实践者与布道师，在低代码与LLM结合场景有深度的实践。在团队中深度践行LLM对研发提效，个人代码中AI含量达90+%。珠三角技术沙龙前任主席，国内顶级行业及技术峰会担任大模型相关话題讲师或出品人10+次。
待定
待定
携AI Agent打造极致低代码
低代码是各大厂商研发效能的常见工具，大模型横空出世，其代码生产能力一度让人直呼“低代码不存在了，开发不存在了！”。尽管在通用代码生成的领域，各路神仙正争奇斗艳（尤其是多Agent的方案），但讲到生产落地，现阶段更经济与有效的形态仍属低代码平台 + 大模型。低代码+大模型将从交互方式上颠覆低代码原来流行的可视化拖拉拽的生产形态，进而返朴归真，回到口述需求，瞬间交付的极简状态。本主題将介绍一种通用的低代码平台加大模型的方法：一个套Prompt生产任意配置文件、全栈自然语言驱动生产与测试的实现方式。
1. 大模型与低代码，亦敌亦友
    1.1 中短期相互加成
    1.2 长期各领风骚 / OR 低代码不复存在？
2. 一招让大模型生成任意json配置文件
3. 全栈自然语言驱动生产
    3.1 领域模型设计
    3.2 用户界面设计
    3.3 个性化接口编排
4. 大模型测试低代码产物
    4.1 无单测，如何保障质量？
    4.2 AI的产物，AI验证
5. 低代码+大模型的适应性
    5.1 适用场景
    5.2 潜在的问題及解法
内容大纲
QETalk：短期高估，长期低估：LLM代码生成的是是非非
嘉宾：马宇驰、揭光发、陈秋远、亢江妹
关注QECon公众号
关注QECon视频号
议题投稿 
lijie@qecon.net  
票务联系 
15901265561  小娟
 
媒体合作
13516196409  皮皮
商务合作
15122643988  木子
购票咨询
15901265561  小娟