专场：AI+平台工程新实践
......
专场出品人：沈浪
快手 研发效能负责人
曾在阿里巴巴、百度、美团等互联网公司任职，深耕技术研发与研发效能领域十余年，长期专注于工程效率体系建设与研发组织能力提升。加入快手后，持续推动研发平台、工程方法论与数据体系的系统化建设，并积极探索 AI 技术在研发场景中的深度应用，致力于打造面向 AI 时代的新一代研发效能体系，推动大规模研发组织实现效率与创新能力的持续跃升。
查斌
淘天集团 高级测试开发工程师
淘天集团营销交易技术质量保障团队高级测试开发工程师，MobiusAI平台负责人。长期深耕AI驱动的质量工程领域，主导设计并落地了MobiusAI平台的核心技术体系，包括Skills模块化能力封装、Workflow可视化流程编排、知识图谱结构化增强及Agentic智能执行引擎，推动平台沉淀4K+工具、1.1K+智能体、1.3K+工作流。平台在交易域测新、线上排查、舆情归类、回归测试等核心场景实现规模化应用。聚焦于将大模型能力与质量保障实践深度融合，在Agent架构设计、上下文工程、提示词工程等方向积累了丰富的工程实战与踩坑经验。曾多次受邀在行业技术大会上进行专题分享，在智能化测试与Agent平台工程领域具有较深积累。
待定
待定
当 AI 接管测试全链路 —— 执行沉淀与自进化的平台工程实践
议题背景：
测试 AI 的难点，不是回答一个问题，而是能不能稳定走完整个流程。
从需求理解、代码分析、用例设计、数据构造，到自动化执行、结果验证和风险总结，一个真实提测任务天然跨系统、跨工具、跨上下文。
本次分享将围绕 MobiusAI 到 SuperAgent 的平台演进，拆解我们如何把测试中的工具、知识、流程、状态和经验沉淀成 Agent 可调用的工程资产，并通过架构演进、文件状态、沙箱执行、子任务隔离、长期记忆和上下文压缩，让 AI 从“单点辅助”走向“流程级执行伙伴”。
从需求理解、代码分析、用例设计、数据构造，到自动化执行、结果验证和风险总结，一个真实提测任务天然跨系统、跨工具、跨上下文。
本次分享将围绕 MobiusAI 到 SuperAgent 的平台演进，拆解我们如何把测试中的工具、知识、流程、状态和经验沉淀成 Agent 可调用的工程资产，并通过架构演进、文件状态、沙箱执行、子任务隔离、长期记忆和上下文压缩，让 AI 从“单点辅助”走向“流程级执行伙伴”。
内容大纲：
1. 真实测试工作，为什么不是一个单点 AI 问题
1.1 从一个提测任务开始：Agent 为什么会在长流程中“失忆”
1.2 测试工作天然跨系统：需求、代码、日志、数据、自动化与缺陷平台
1.3 单点问答的边界：AI 做完一步，下一步仍要人重新喂上下文
1.4 流程级 AI 的核心问题：如何持续推进、传递状态、验证结果
2. MobiusAI：把测试能力沉淀成 Agent 可调用资产
2.1 从能力平台化到流程工程化：有工具还不够，关键是能被组织起来
2.2 Agent、Workflow、Skills 三层拆分：智能决策、确定执行、能力复用
2.3 Skill 能力包：把专家经验、工具、流程、文档和示例封装起来
2.4 Workflow 的价值：把确定性步骤交给确定性系统，而不是让模型即兴发挥
2.5 知识结构化：让 Agent 从“生成文字”走向“输出可审核测试方案”
3. 从 Manus 到 SuperAgent：复杂任务架构如何演进
3.1 Manus 的价值：让复杂测试任务第一次可以被拆解、协作和端到端执行
3.2 固定图结构的天花板：能跑通，不代表能低成本扩展
3.3 SuperAgent 的转变：Lead Agent 保持主线，Skills 按需调度
3.4 Multi-Agent 的新位置：从固定组织架构，变成可调用的专家能力池
3.5 架构调整的收益：扩展更轻、上下文更干净、能力复用更自然
4. 长流程 Agent 怎么跑稳：真正的工程难点在这里
4.1 沙箱工作台：让 Agent 不只停留在对话框，而是能读写文件、运行脚本、操作环境
4.2 文件驱动状态管理：不只相信对话历史，而是用文件固化目标、进度和交付物
4.3 子任务隔离：复杂分析交给 SubTask，主 Agent 只接收结果和文件路径
4.4 长期记忆：把业务规则、团队偏好和排查经验沉淀为可复用资产
4.5 三层上下文压缩：在长流程中控制注意力、降低成本，并支持压缩后恢复
5. 业务落地与飞轮验证：平台为什么会越用越强
5.1 AIO 回归场景：AI 开始接住端到端执行任务
5.2 从提测到方案包：测试人员拿到的是可审核、可修改、可复用的交付物
5.3 规模化验证：使用规模、能力沉淀、业务收益和组织复用如何形成闭环
5.4 工程判断沉淀：Agent 与 Workflow 分层、能力模块化、状态外化、上下文工程
5.5 飞轮闭环：每一次执行都沉淀资产，让下一次任务的起点更高
听众收益：
1. 一套从单点 AI 能力走向流程级 Agent 的工程化路径；
2. 一组可复用的复杂 Agent 设计判断；
3. 以及 MobiusAgent 在真实测试场景中，从执行、沉淀到持续进化的落地经验。
1. 一套从单点 AI 能力走向流程级 Agent 的工程化路径；
2. 一组可复用的复杂 Agent 设计判断；
3. 以及 MobiusAgent 在真实测试场景中，从执行、沉淀到持续进化的落地经验。
全力
腾讯音乐 前端技术专家
腾讯音乐（TME）前端技术专家。目前聚焦并深耕 D2C领域，致力于结合LLM，MCP，Skills等相关技术，持续为大前端研发效能赋能。
待定
待定
基于 MCP 与人机协同的 D2C 演进与工程化落地
议题背景：
过去数年，D2C（Design to Code）技术始终难以在复杂企业级场景中实现规模化落地。早期的纯算法解析方案由于缺乏业务语义，生成的代码完全剥离了工程上下文，导致重构成本极高；而近年来直接依托大模型（LLM）的端到端生成方案，在面对真实的复杂业务线时，暴露出长上下文受限、组件复用率低、输出不稳定（幻觉）以及无法应对设计稿高频局部迭代等严峻问题。传统的“黑盒式”单向生成路线已触及工程天花板。
内容大纲：
一、核心架构：基于 MCP 的人机协同与分片转码
和市面上的 D2C MCP有什么不同？
1. 基于 MCP 协议的拦截与干预机制：
1.1 痛点突破
1.2 流式拦截
1.3 意图注入
1.4 恢复采样
2. 组件智能识别与映射
3. 构建三层提示词控制体系
4. 存量组件的跨页面识别与复选
5. 突破大上下文瓶颈的分片转码架构：
5.1 占位与切分
5.2 分片转码
5.3 聚合写入
6. 本地化闭环与版本追溯（ ./sloth 机制）：
6.1 本地及项目级插件
6.2 零服务依赖，新旧设计稿 Diff
二、数据底座：保障 MCP 稳定推理的算法预处理
为什么不直接使用 Figma 稿子提供的数据？
1. 降 Token 处理：节点清洗与图层合并
1.1 清洗
1.2 合并
2. 稳推理处理：父子计算与空间粗分
2.1 层级重构
2.2 空间聚类
3. 上下文质量保障体系
3.1 专项处理复杂样式（混合字体、渐变、阴影等）。
3.2 50+ 核心用例质量门禁。
三、背景回顾与总结：D2C 范式的演进逻辑
我们解决了什么问题？
1. 传统纯算法解析的困境： 缺乏节点语义与项目上下文，结构乱、合理度低，重构成本高于重写。
2. 当前直接使用 LLM 转码的痛点：复杂场景易“幻觉”；缺乏工程语境导致重复生成；难以应对设计稿动态迭代。
3. 总结：全新的全链路双向协同范式：
3.1 基建组成： Figma Plugin（提取）+ 本地 CLI 工具（调度）+ Rest API。
3.2 核心解法： 工具提供精准物料，通过 “算法保确定性 + MCP 引入人工干预 + AI 负责规范输出”，彻底解决 D2C
过去数年，D2C（Design to Code）技术始终难以在复杂企业级场景中实现规模化落地。早期的纯算法解析方案由于缺乏业务语义，生成的代码完全剥离了工程上下文，导致重构成本极高；而近年来直接依托大模型（LLM）的端到端生成方案，在面对真实的复杂业务线时，暴露出长上下文受限、组件复用率低、输出不稳定（幻觉）以及无法应对设计稿高频局部迭代等严峻问题。传统的“黑盒式”单向生成路线已触及工程天花板。
内容大纲：
一、核心架构：基于 MCP 的人机协同与分片转码
和市面上的 D2C MCP有什么不同？
1. 基于 MCP 协议的拦截与干预机制：
1.1 痛点突破
1.2 流式拦截
1.3 意图注入
1.4 恢复采样
2. 组件智能识别与映射
3. 构建三层提示词控制体系
4. 存量组件的跨页面识别与复选
5. 突破大上下文瓶颈的分片转码架构：
5.1 占位与切分
5.2 分片转码
5.3 聚合写入
6. 本地化闭环与版本追溯（ ./sloth 机制）：
6.1 本地及项目级插件
6.2 零服务依赖，新旧设计稿 Diff
二、数据底座：保障 MCP 稳定推理的算法预处理
为什么不直接使用 Figma 稿子提供的数据？
1. 降 Token 处理：节点清洗与图层合并
1.1 清洗
1.2 合并
2. 稳推理处理：父子计算与空间粗分
2.1 层级重构
2.2 空间聚类
3. 上下文质量保障体系
3.1 专项处理复杂样式（混合字体、渐变、阴影等）。
3.2 50+ 核心用例质量门禁。
三、背景回顾与总结：D2C 范式的演进逻辑
我们解决了什么问题？
1. 传统纯算法解析的困境： 缺乏节点语义与项目上下文，结构乱、合理度低，重构成本高于重写。
2. 当前直接使用 LLM 转码的痛点：复杂场景易“幻觉”；缺乏工程语境导致重复生成；难以应对设计稿动态迭代。
3. 总结：全新的全链路双向协同范式：
3.1 基建组成： Figma Plugin（提取）+ 本地 CLI 工具（调度）+ Rest API。
3.2 核心解法： 工具提供精准物料，通过 “算法保确定性 + MCP 引入人工干预 + AI 负责规范输出”，彻底解决 D2C
落地难题。
听众收益：
1. 全新人机协同架构： 掌握基于 MCP 协议的 LLM 流式拦截与双向纠偏机制。
2. 突破长上下文瓶颈： 获取针对超大页面的“分片转码与全局聚合” Agent 调度策略。
3. 大模型数据预处理： 学习运用空间算法进行精准降 Token 与去噪，保障推理稳定性。
4. 企业级工程化闭环： 构建零服务依赖、高组件复用率的本地化 D2C 落地标准。
听众收益：
1. 全新人机协同架构： 掌握基于 MCP 协议的 LLM 流式拦截与双向纠偏机制。
2. 突破长上下文瓶颈： 获取针对超大页面的“分片转码与全局聚合” Agent 调度策略。
3. 大模型数据预处理： 学习运用空间算法进行精准降 Token 与去噪，保障推理稳定性。
4. 企业级工程化闭环： 构建零服务依赖、高组件复用率的本地化 D2C 落地标准。
陈涛
阿里云 产品专家 阿里云 EventBridge
及云原生 DataAI 领域产品负责人
阿里云智能集团产品专家，深耕于消息中间件、事件驱动、Serverless，Agent 上下文生态集成领域。目前，致力于赋能 Agent 开发者，让 AI 深入各行各业，真正实现 AI 普惠和平权。
待定
待定
生产级 Agentic RAG 落地实践：构建统一的多源实时上下文
议题背景：
“简单”和“可靠” 是AI普惠的关键。然而，企业数据碎片化、Schema 多变、Context-Rot、语义冲突等难题，正成为 Agent 迈向生产级的“深水区”。本次分享从环境工程出发，“简化”多源实时上下文：打破传统知识库不断“辛勤”打补丁的方式，通过内置的一键集成、状态机、闭环反馈，将原本散乱在各处的数据，“快速”变成真正有效的知识，提升 Agent 的感知能力。以统一的、一键集成的、Serverless 的上下文服务, 助力开发者轻松搭建生产级的 Agent。
“简单”和“可靠” 是AI普惠的关键。然而，企业数据碎片化、Schema 多变、Context-Rot、语义冲突等难题，正成为 Agent 迈向生产级的“深水区”。本次分享从环境工程出发，“简化”多源实时上下文：打破传统知识库不断“辛勤”打补丁的方式，通过内置的一键集成、状态机、闭环反馈，将原本散乱在各处的数据，“快速”变成真正有效的知识，提升 Agent 的感知能力。以统一的、一键集成的、Serverless 的上下文服务, 助力开发者轻松搭建生产级的 Agent。
内容大纲：
1. 破局：AI 普惠的理想与“数据墙”的现实
1.1 核心矛盾： 只有“简单”和“可靠”，AI 才能真正普惠；但当前企业 Agent 研发正陷入“复杂”与“不可靠”的深水区。
1.2 四大拦路虎（数据桥接的难点）：
1.2 四大拦路虎（数据桥接的难点）：
1.2.1 数据碎片化（Data Silos）： 信息散落在文档、DB、API、日志中，缺乏统一入口。
1.2.2 Schema 易变性（Schema Volatility）： 接口协议不统一，上游数据结构随时变动，导致 Agent 频繁“失明”。
1.2.3 上下文熵增（Context Rot）： 陈旧或无关信息堆积，干扰模型判断，导致“幻觉”频发。
1.2.4 语义冲突（Semantic Conflict）： 多源数据对同一事实描述不一致，Agent 陷入逻辑死循环。
1.2.2 Schema 易变性（Schema Volatility）： 接口协议不统一，上游数据结构随时变动，导致 Agent 频繁“失明”。
1.2.3 上下文熵增（Context Rot）： 陈旧或无关信息堆积，干扰模型判断，导致“幻觉”频发。
1.2.4 语义冲突（Semantic Conflict）： 多源数据对同一事实描述不一致，Agent 陷入逻辑死循环。
2. 演进：从“提示词”到“环境工程”的范式跃迁
2.1 研发范式四部曲： 提示词工程 →→ 上下文工程 →→ 环境工程（核心突破点） →→ 自主进化。
2.2 核心洞察： 解决数据桥接问题，不能只靠 Prompt，必须引入“环境工程”，为 Agent 构建一个可感知、可交互的实时数据环境。
2.2 核心洞察： 解决数据桥接问题，不能只靠 Prompt，必须引入“环境工程”，为 Agent 构建一个可感知、可交互的实时数据环境。
3. 方案：构建“统一的多源实时上下文”桥接引擎
3.1 异构数据“一键桥接”： 以“事件（Event）”为标准协议，打破数据孤岛，实现文档、API、数据库的实时统一接入。
3.2 Schema 自适应演进： 引入 AI 语义化分析，自动探测上游数据变化，动态调整 Schema，解决“接口一变，Agent 就挂”的痛点。
3.3 Serverless 化统一存储与检索： 摒弃传统的 MCP 补丁模式，面向结构化/非结构化数据，提供“算存一体”的 Serverless 检索服务。
3.4 闭环反馈与自我净化： 引入 Human/Model-in-the-loop 机制，利用状态机管理 Agent 思考路径，自动识别并纠正语义冲突，持续清洗上下文质量。
3.5 生产级 CICD 保障： 提供可观测、可告警、可自定义 Benchmark 的一站式发布流程，确保每一次数据桥接变更都符合生产标准。
3.2 Schema 自适应演进： 引入 AI 语义化分析，自动探测上游数据变化，动态调整 Schema，解决“接口一变，Agent 就挂”的痛点。
3.3 Serverless 化统一存储与检索： 摒弃传统的 MCP 补丁模式，面向结构化/非结构化数据，提供“算存一体”的 Serverless 检索服务。
3.4 闭环反馈与自我净化： 引入 Human/Model-in-the-loop 机制，利用状态机管理 Agent 思考路径，自动识别并纠正语义冲突，持续清洗上下文质量。
3.5 生产级 CICD 保障： 提供可观测、可告警、可自定义 Benchmark 的一站式发布流程，确保每一次数据桥接变更都符合生产标准。
4. 总结与展望：迈向自主进化的 Agent 数据生态
听众收益：
1.洞察行业痛点与趋势： 清晰识别当前 Agent 落地中“数据桥接”的核心阻碍，掌握从 Prompt 到环境工程的研发范式演进方向，提前布局下一代 Agent 架构。
2.掌握核心解决方案： 深入理解多源实时上下文构建的原理，学习如何处理 Schema 演进、语义冲突等具体技术挑战，获得一套可落地的企业数据桥接方法论。
3.获取落地工具箱： 通过类似产品/架构的解析，帮助企业在内部快速搭建一套“低代码接入、高可靠运行”的生产级 Agent 上下文服务，大幅降低 AI 落地门槛。
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
