专场：AI + 平台工程：研发基础设施的智能化演进
......
专场出品人：
......
......
杨立凯
AviaGames 质量架构师
现就职于AviaGames 质量与效能团队，担任质量架构师，目前负责智能化质量保障体系建设，主导智能API测试平台、智能游戏测试平台等的设计和开发工作。曾就职于集度汽车、小米、华为、诺基亚等公司，有15年的测试&质量方向从业经验。
待定
待定
重构质量体系：从AI辅助到AI自主的渐进式实践
议题背景：
传统质量保障体系已成为研发效能的瓶颈。其固有的“工具孤岛”、“无资产沉淀”、“规则静态固化”和“能力上限锁死”四大硬伤，使得AI技术的应用局限于“辅助”角色，无法实现质的突破。
本次分享将介绍一种全新的质量体系重构方案。该方案通过轻量级的Adapter模式连接现有工具，构建“生态化”的连接。核心在于沉淀跨领域、标准化的质量资产，并以此为基础，构建从AI辅助提效（L1）、人机协同决策（L2）到高度自动化闭环（L3）的渐进式演进路径。实践证明，该方案已在代码审查、接口测试等领域实现AI辅助耗时减少60%、真实Bug检出率提升30%的显著成效。
内容大纲：
1. 为什么必须重构？—— 传统体系的四大核心硬伤
1.1 三大痛点凸显紧迫性：测试跟不上开发节奏、看不见的风险最致命、旧地图找不到新大陆。
1.2 四大核心硬伤剖析：
1.2.1 基础能力缺失：工具孤岛（数据隔绝）、无资产沉淀（经验流失）。
1.2.2 体系架构陈旧：规则静态固化（无法适应变化）、能力上限锁死（AI仅为辅助）。
2. 方案概览与核心优势
2.1 一句话方案：分层深耕，汇通融合。
2.2 核心思想：拒绝“大平台”，构建“生态化”连接。
2.3 核心优势对比：本方案 vs. 传统做法（在建设顺序、工具关系、数据打通、AI放权、迁移风险、演进节奏等7个维度
传统质量保障体系已成为研发效能的瓶颈。其固有的“工具孤岛”、“无资产沉淀”、“规则静态固化”和“能力上限锁死”四大硬伤，使得AI技术的应用局限于“辅助”角色，无法实现质的突破。
本次分享将介绍一种全新的质量体系重构方案。该方案通过轻量级的Adapter模式连接现有工具，构建“生态化”的连接。核心在于沉淀跨领域、标准化的质量资产，并以此为基础，构建从AI辅助提效（L1）、人机协同决策（L2）到高度自动化闭环（L3）的渐进式演进路径。实践证明，该方案已在代码审查、接口测试等领域实现AI辅助耗时减少60%、真实Bug检出率提升30%的显著成效。
内容大纲：
1. 为什么必须重构？—— 传统体系的四大核心硬伤
1.1 三大痛点凸显紧迫性：测试跟不上开发节奏、看不见的风险最致命、旧地图找不到新大陆。
1.2 四大核心硬伤剖析：
1.2.1 基础能力缺失：工具孤岛（数据隔绝）、无资产沉淀（经验流失）。
1.2.2 体系架构陈旧：规则静态固化（无法适应变化）、能力上限锁死（AI仅为辅助）。
2. 方案概览与核心优势
2.1 一句话方案：分层深耕，汇通融合。
2.2 核心思想：拒绝“大平台”，构建“生态化”连接。
2.3 核心优势对比：本方案 vs. 传统做法（在建设顺序、工具关系、数据打通、AI放权、迁移风险、演进节奏等7个维度
进行对比）。
2.4 四大设计原则：资产先行、原生互通、分域灰度、工程与运营并重。
3. 建设方法 —— 公共数据资产渐进构建
3.1 公共层的核心定义：连接与赋能，而非统一。
3.2 六大统一契约：QualityProjection, QualityRun, QualityFinding, QualityAsset, QualityTrace, QualityMaturity。
3.3 Adapter最佳实践：薄出口，厚域内（纯粹的数据接口、摘要存储、严控资产质量）。
3.4 四步渐进建设路径：Step 1 埋点L1 -> Step 2 公共层L1 -> Step 3 共识层L2 -> Step 4 决策层L2->L3。
4. 实践验证 —— 三单点工具 + 贯通故事
4.1 贯通故事：MR端到端闭环，全流程自动化协同验证。
4.2 工具实践案例：
4.2.1 BugClaw (AI代码审查)：置信度分级实现人机协同，SafetyGuard保障安全性。量化数据：15+真实Bug发现，
2.4 四大设计原则：资产先行、原生互通、分域灰度、工程与运营并重。
3. 建设方法 —— 公共数据资产渐进构建
3.1 公共层的核心定义：连接与赋能，而非统一。
3.2 六大统一契约：QualityProjection, QualityRun, QualityFinding, QualityAsset, QualityTrace, QualityMaturity。
3.3 Adapter最佳实践：薄出口，厚域内（纯粹的数据接口、摘要存储、严控资产质量）。
3.4 四步渐进建设路径：Step 1 埋点L1 -> Step 2 公共层L1 -> Step 3 共识层L2 -> Step 4 决策层L2->L3。
4. 实践验证 —— 三单点工具 + 贯通故事
4.1 贯通故事：MR端到端闭环，全流程自动化协同验证。
4.2 工具实践案例：
4.2.1 BugClaw (AI代码审查)：置信度分级实现人机协同，SafetyGuard保障安全性。量化数据：15+真实Bug发现，
60%重复问题覆盖率。
4.2.2 IntelliAPI (接口测试域)：AI辅助，人工决策，实现敏捷验证。量化数据：AI成功场景占比56.79%，人机协同解决
4.2.2 IntelliAPI (接口测试域)：AI辅助，人工决策，实现敏捷验证。量化数据：AI成功场景占比56.79%，人机协同解决
率87.2%。
4.2.3 Smart UI Auto (UI/移动自动化域)：探索资产优先，AI按需兜底。
5. 演进路径与资产运营
5.1 L2能力已规模化落地：准入门槛与量化指标（BugClaw误报率<5%，AI确认率>50%）。
5.2 L3高度自动化闭环（远期规划）：强大的决策引擎、完备的Golden评测集、快速回退机制。
5.3 质量资产工业化运营：Prompt工业化、Skill资产化、业务知识持续迭代、Golden集治理。
6. 落地价值与收益
6.1 短期业务价值：效率飞速提升、缺陷有效左移、收益量化估。
6.2 长期体系价值：打造工具/vendor、质量范式升级、动态演进平衡。
6.3 核心KPI一览：
6.3.1 效率提升：AI辅助耗时减少60%，API Claw自动化任务执行耗时-15min。
6.3.2 质量保障：真实Bug检出率提升30%。
6.3.3 质量控制：原始设错率下降。
6.3.4 体系演进：L1中后期 -> L2早期。
7. 总结与展望
7.1 核心总结：核心方法论验证、完备的工具矩阵、真实业务闭环验证、清晰的分域演进阶段。
7.2 三句话总结：方案可行、路径可证、未来可演进。
听众收益：
1. 获得一套可落地的AI质量体系重构方法论：学习如何避开“大平台”陷阱，通过“生态化连接”和“资产沉淀”的思路，在现有系统基础上平滑演进，实现从AI辅助到AI自主的跨越。
2. 掌握关键技术与实践避坑指南：深入了解Adapter模式、统一数据契约、质量资产运营等核心技术的实现细节，并从AI幻觉、资产放大效应等失败模式中汲取经验，避免重复踩坑。
3. 借鉴可量化的成功实践与数据：参考BugClaw、IntelliAPI等工具的真实落地案例和量化KPI（如效率提升60%，Bug检出率提升30%），为自身团队的质量改进和AI技术应用提供具体、可行的参考路径和预期目标。
4.2.3 Smart UI Auto (UI/移动自动化域)：探索资产优先，AI按需兜底。
5. 演进路径与资产运营
5.1 L2能力已规模化落地：准入门槛与量化指标（BugClaw误报率<5%，AI确认率>50%）。
5.2 L3高度自动化闭环（远期规划）：强大的决策引擎、完备的Golden评测集、快速回退机制。
5.3 质量资产工业化运营：Prompt工业化、Skill资产化、业务知识持续迭代、Golden集治理。
6. 落地价值与收益
6.1 短期业务价值：效率飞速提升、缺陷有效左移、收益量化估。
6.2 长期体系价值：打造工具/vendor、质量范式升级、动态演进平衡。
6.3 核心KPI一览：
6.3.1 效率提升：AI辅助耗时减少60%，API Claw自动化任务执行耗时-15min。
6.3.2 质量保障：真实Bug检出率提升30%。
6.3.3 质量控制：原始设错率下降。
6.3.4 体系演进：L1中后期 -> L2早期。
7. 总结与展望
7.1 核心总结：核心方法论验证、完备的工具矩阵、真实业务闭环验证、清晰的分域演进阶段。
7.2 三句话总结：方案可行、路径可证、未来可演进。
听众收益：
1. 获得一套可落地的AI质量体系重构方法论：学习如何避开“大平台”陷阱，通过“生态化连接”和“资产沉淀”的思路，在现有系统基础上平滑演进，实现从AI辅助到AI自主的跨越。
2. 掌握关键技术与实践避坑指南：深入了解Adapter模式、统一数据契约、质量资产运营等核心技术的实现细节，并从AI幻觉、资产放大效应等失败模式中汲取经验，避免重复踩坑。
3. 借鉴可量化的成功实践与数据：参考BugClaw、IntelliAPI等工具的真实落地案例和量化KPI（如效率提升60%，Bug检出率提升30%），为自身团队的质量改进和AI技术应用提供具体、可行的参考路径和预期目标。
郭晨曦
中兴通讯 ICF 中心 AI 技术教练
中兴通讯 ICF 中心 AI 技术教练，研究方向聚焦大模型研发提效与 AI 研发新范式（规范驱动开发
DSDD 与 Harness 工程）—围绕这一方向，主导研发数字分身工作台、AI Agent 工作流编排等多项提效平台与端到端方案的设计落地，并作为
ICF DSDD 落地的核心策划人，组织开发域Harness 工程落地，持续培育研发团队 AI工程能力、推动AI研发范式在多产品线演进，相关工作多次获公司级AI创新奖励；与此同时，承担云原生智算平台研发工作。
DSDD 与 Harness 工程）—围绕这一方向，主导研发数字分身工作台、AI Agent 工作流编排等多项提效平台与端到端方案的设计落地，并作为
ICF DSDD 落地的核心策划人，组织开发域Harness 工程落地，持续培育研发团队 AI工程能力、推动AI研发范式在多产品线演进，相关工作多次获公司级AI创新奖励；与此同时，承担云原生智算平台研发工作。
待定
待定
从待办到交付：
研发数字分身工作台 AFS 的工作流编排与 Agent 承接实践
议题背景：
AI 编码 Agent（Claude Code、Codex、Cursor 等）能力日趋成熟，但研发人员的真实痛点并非"AI 不够聪明"，而是 "人找任务、人组织上下文、人切换工具" ——待办散落在公司任务分派系统、邮件中，上下文需手工拼装，Agent 会话与研发主流程彼此割裂，难以追踪回溯。
AFS（AI-FLOW-STUDIO）研发数字分身工作台 面向研发人员 80% 的日常场景，通过 AFS Local 桥接本地编码 Agent，把研发人员的待办任务自动同步到工作台；系统按任务类型/类别自动匹配 workflow、工作区与参数，生成带上下文的执行任务交由 Agent 承接，形成可追踪、可回溯、可人工确认的处理闭环；同时支持手机/PC/本地前端多端 session 可视化管理，并集成 Skillhub，实现技能包对编码 Agent 的实时装载。
落地至今： 300+活跃用户、300+ 次工作流、累计 1600+ 小时使用时长，覆盖方案设计到编码交付的完整研发链路，被 研发中心定位为研发人员的"数字分身工作台"。
内容大纲：
1. 问题定位：为什么不是"更好的聊天工具"
1.1 AI Agent 落地研发的"最后一公里"：能力在场，流程缺位
1.2 范式判断：从"人驱动 AI"到"待办驱动 Agent"
2. 整体架构与关键技术
2.1 AFS Local 桥接层：本地编码 Agent（Claude Code/Codex/Cursor/OpenCode）的统一接入与会话生命周期管理
2.2 工作流编排引擎：待办 → workflow → 工作区 → 参数 → 带上下文任务的自动匹配与装配
2.3 多端 session 可视化：手机端研发数字分身 / PC 端研发数字分身 / 本地前端的统一会话治理
2.4 Skillhub 实时装载：编码 Agent 的按需技能注入与版本管理
3. 工程实践与踩坑经验
3.1 上下文装配避坑：什么会让 Agent 失忆与跑偏，用工程约束兜底（任务切片、上下文窗口管理、回滚点设计）
3.2 多工作区并行治理：会话隔离、状态可追溯、跨工作区切换的状态一致性
3.3 人机协同闭环：可中断、可回溯、可人工确认——把"审批信号"做成机器可读
3.4 与 Harness 工程的协同：从工具到范式的衔接点
4. 落地效果与演进
4.1 真实使用画像：300+用户 / 1600+小时 / 300+工作流的分布与回归
4.2 推广方法论：从试点到 ICF 全员日常使用的路径设计
4.3 下一步演进：技能市场、跨团队复用、与 DSDD 3→N 的深度耦合
AI 编码 Agent（Claude Code、Codex、Cursor 等）能力日趋成熟，但研发人员的真实痛点并非"AI 不够聪明"，而是 "人找任务、人组织上下文、人切换工具" ——待办散落在公司任务分派系统、邮件中，上下文需手工拼装，Agent 会话与研发主流程彼此割裂，难以追踪回溯。
AFS（AI-FLOW-STUDIO）研发数字分身工作台 面向研发人员 80% 的日常场景，通过 AFS Local 桥接本地编码 Agent，把研发人员的待办任务自动同步到工作台；系统按任务类型/类别自动匹配 workflow、工作区与参数，生成带上下文的执行任务交由 Agent 承接，形成可追踪、可回溯、可人工确认的处理闭环；同时支持手机/PC/本地前端多端 session 可视化管理，并集成 Skillhub，实现技能包对编码 Agent 的实时装载。
落地至今： 300+活跃用户、300+ 次工作流、累计 1600+ 小时使用时长，覆盖方案设计到编码交付的完整研发链路，被 研发中心定位为研发人员的"数字分身工作台"。
内容大纲：
1. 问题定位：为什么不是"更好的聊天工具"
1.1 AI Agent 落地研发的"最后一公里"：能力在场，流程缺位
1.2 范式判断：从"人驱动 AI"到"待办驱动 Agent"
2. 整体架构与关键技术
2.1 AFS Local 桥接层：本地编码 Agent（Claude Code/Codex/Cursor/OpenCode）的统一接入与会话生命周期管理
2.2 工作流编排引擎：待办 → workflow → 工作区 → 参数 → 带上下文任务的自动匹配与装配
2.3 多端 session 可视化：手机端研发数字分身 / PC 端研发数字分身 / 本地前端的统一会话治理
2.4 Skillhub 实时装载：编码 Agent 的按需技能注入与版本管理
3. 工程实践与踩坑经验
3.1 上下文装配避坑：什么会让 Agent 失忆与跑偏，用工程约束兜底（任务切片、上下文窗口管理、回滚点设计）
3.2 多工作区并行治理：会话隔离、状态可追溯、跨工作区切换的状态一致性
3.3 人机协同闭环：可中断、可回溯、可人工确认——把"审批信号"做成机器可读
3.4 与 Harness 工程的协同：从工具到范式的衔接点
4. 落地效果与演进
4.1 真实使用画像：300+用户 / 1600+小时 / 300+工作流的分布与回归
4.2 推广方法论：从试点到 ICF 全员日常使用的路径设计
4.3 下一步演进：技能市场、跨团队复用、与 DSDD 3→N 的深度耦合
听众收益：
1. 一套可复用的工程化架构参考："待办驱动 × 工作流编排 × Agent 承接 × session 治理"四层解耦的设计思路，可直接迁移到本团队研发体系，避免从零摸索。
2. 多端 session 管理与上下文装配的实战踩坑经验：什么导致 Agent 失忆/跑偏、如何用任务切片与工程约束兜底、如何做会话隔离与状态可追溯——这些是 PPT 上看不到、只有落地过才知道的细节。
3. AI 提效工具从"试点"到"规模化日常使用"的推广方法论：包括可量化指标设计（活跃度、工作流时长、覆盖场景）、与现有研发流程的咬合方式、以及如何借助 Skillhub 形成可持续的技能生态。
2. 多端 session 管理与上下文装配的实战踩坑经验：什么导致 Agent 失忆/跑偏、如何用任务切片与工程约束兜底、如何做会话隔离与状态可追溯——这些是 PPT 上看不到、只有落地过才知道的细节。
3. AI 提效工具从"试点"到"规模化日常使用"的推广方法论：包括可量化指标设计（活跃度、工作流时长、覆盖场景）、与现有研发流程的咬合方式、以及如何借助 Skillhub 形成可持续的技能生态。
敬请期待
......
.....
待定
待定
敬请期待
....
关注QECon公众号
议题投稿
speaker@qecon.com.cn
商务合作
151-2264-3988 木子
票务联系
135-2067-8913 媛媛
媒体合作
135-1619-6409 皮皮
添加QECon小助手，获取
会议最新资讯
购票咨询
13520678913 媛媛
