专场：AI Coding编码效率与质量提升
软件开发正经历从“局部效率工具”向全自主自然语言编程的范式重构。当前，代码生成的边界已演进至多智能体协同（Multi-Agent Orchestration）驱动的深度工程实践：通过模型上下文协议（MCP）、 Skills 扩展实现跨工具能力的无缝集成，结合代码知识图谱与长期记忆（Long-term Memory）机制，AI 正在构建对超大规模工程的全局认知与上下文对齐能力。
这一演进正重新定义开发者的效能边界，助力个体进化为掌控全局的 10x 乃至 100x 工程师。本专场将聚焦如何驱动 Coding Agent 实现从需求意图到交付产物的全链路闭环，深入探讨在 Long-horizon任务中，如何解决目标偏移（Goal Drift）、保障任务完成度与高质量交付。
这一演进正重新定义开发者的效能边界，助力个体进化为掌控全局的 10x 乃至 100x 工程师。本专场将聚焦如何驱动 Coding Agent 实现从需求意图到交付产物的全链路闭环，深入探讨在 Long-horizon任务中，如何解决目标偏移（Goal Drift）、保障任务完成度与高质量交付。
专场出品人：夏振华
阿里云 Qoder 高级技术专家
阿里云高级技术专家，Qoder 团队 Coding Agent框架与工具负责人。主导通义灵码、Qoder IDE 内 Agentic Coding 产品能力的架构设计与研发落地。曾在蚂蚁金服、阿里云从事十多年软件研发工具链的架构设计与工程落地，长期关注 AI Agent 在软件开发领域的创新应用，聚焦 Context Engineering、Multi-Agent 系统与 Agentic RAG 等方向，致力于提升 Coding Agent 在开发者日常编程与长程复杂任务中的体验与效果。
刘洋
去哪儿旅行 基础平台团队高级研发工程师
去哪儿旅行基础平台团队高级研发工程师，专注于研发效能与工程质量体系建设，负责智能体平台、可观测平台及 AICR（AI Code Review）系统等核心基础设施研发。推动 AI 能力在研发流程中的深度融合，探索大模型在代码评审、研发质量治理等场景的落地实践。主导建设的智能体平台已在公司产研体系规模化应用，覆盖多个业务场景，累计实现万级 PD 的研发效率提升，在 AI + 研发效能领域积累了丰富的实践经验。
待定
待定
AI-CR：构筑 AI Coding 时代的质量基石
议题背景：
当下 AI 编码工具全面普及，97% 开发者已使用 AI 辅助编码，AI 生成代码占比快速提升，显著提速研发流程。但 AI 代码普遍存在隐藏 Bug、边界缺失、异常不足、规范不符等问题，带来严重的质量与信任危机；同时传统人工代码审查（CR）效率低、覆盖不全、标准不一、成本高企，与 AI 高速生成能力严重错配，成为研发链路核心瓶颈。为解决 AI 编码时代的质量管控难题，打造AI-CR 智能代码审查系统，以 AI 重构审查体系，筑牢 AI Coding 时代的质量防线。
当下 AI 编码工具全面普及，97% 开发者已使用 AI 辅助编码，AI 生成代码占比快速提升，显著提速研发流程。但 AI 代码普遍存在隐藏 Bug、边界缺失、异常不足、规范不符等问题，带来严重的质量与信任危机；同时传统人工代码审查（CR）效率低、覆盖不全、标准不一、成本高企，与 AI 高速生成能力严重错配，成为研发链路核心瓶颈。为解决 AI 编码时代的质量管控难题，打造AI-CR 智能代码审查系统，以 AI 重构审查体系，筑牢 AI Coding 时代的质量防线。
内容大纲：
1. 时代背景：AI 编码浪潮下的机遇与挑战
1.1 调研洞察：AI 编码已成开发者日常标配
1.2 AI 代码的 “信任鸿沟”
1.3 传统 CR 模式无法支撑 AI 时代
1.4 AI-CR 应运而生
2. 平台建设：打造智能化代码审查体系
2.1 平台整体架构设计
2.2 度量体系：数据驱动的运营闭环
2.3 CR Agent 构建：设计、核心输入与审查规则
2.4 BU 自定义规则配置
2.5 自动化评测体系
2.6 一键修复功能
3. 落地与实践：典型业务场景应用
4. 价值与演进：量化收益与未来规划
听众收益：
1. 掌握AI 编码时代代码评审瓶颈的量化诊断与治理思路，可直接复用指标体系与运营方法
2. 获得AI-CR 从 0 到规模化落地的实战经验，包括数据看板、反馈闭环、流程优化等可落地做法
3. 了解企业级AI 代码质量治理的最佳实践，帮助团队提升代码质量、降低 CR 成本
王之旭
支付宝 数字就业与民生质量负责人
2015年西安电子科技大学毕业加入支付宝，10年+支付宝质量经验。目前担任支付宝 数字就业与民生质量负责人，专注于政务民生、就业与职业教育的 技术风险保障 和 AI助手评测体系的创新攻坚，致力于AI时代下的技术稳定性与算法效果提升。
待定
待定
60万行巨石应用AI重构的质量保障实践
议题背景：
支付宝生活缴费作为服务数亿用户的国民级应用，承载着60万行核心代码，名副其实的巨石应用架构。团队启动了AI驱动的跨语言重构，这一"史诗级技术债治理"带来了前所未有的质量挑战：跨语言AST不兼容导致传统代码级比对失效，600+接口乘以8000+机构的场景组合爆炸，AI生成代码的可信度需逐一验证。我们需要构建一套全新的质量保障体系，确保重构前后在数百万业务场景下行为严格一致，守住国民级应用的质量底线。
支付宝生活缴费作为服务数亿用户的国民级应用，承载着60万行核心代码，名副其实的巨石应用架构。团队启动了AI驱动的跨语言重构，这一"史诗级技术债治理"带来了前所未有的质量挑战：跨语言AST不兼容导致传统代码级比对失效，600+接口乘以8000+机构的场景组合爆炸，AI生成代码的可信度需逐一验证。我们需要构建一套全新的质量保障体系，确保重构前后在数百万业务场景下行为严格一致，守住国民级应用的质量底线。
内容大纲：
1. 背景与挑战
1.1 支付宝生活缴费
1.2 AI驱动架构方案
1.3 风险与挑战
2. 质量保障策略
2.1 问题定义
2.2 契约体系设计
2.3 质量防线设计
3. AI驱动的测试工程
3.1 场景空间建模与收敛策略
3.2 测试用例的自动化生成
3.3 测试环境的智能构造
3.4 ...
4. 总结与展望
4.1 总结与收益
4.2 未来规划
听众收益：
1. 可复用的跨语言重构质量方法论：契约定义→场景构造→行为验证，可迁移到任何大规模负债系统改造
2. AI驱动测试工程的落地思路：用AI完成场景建模、用例生成与环境构造，突破人工测试的规模瓶颈
3. 国民级应用的质量底线思维：数亿用户场景下如何定义质量红线，平衡重构速度与质量安全
陈少滨
阿里云 Qoder 技术专家
阿里云 Qoder 团队 AI Agents 技术专家，专注 AI 工程化与研发效能提升。目前负责 Qoder的文件编辑工具、扩展性架构（Skill / SubAgent / MCP / Hook）、AI-Native提效的核心建设。此前历经 AI 程序员、通义灵码等项目，积累了从 Copilot 到 Coding Agent 再到自主 Agent 的完整技术演进经验。
待定
待定
AI驱动的缺陷全自动修复：从触发到关闭的端到端实践
议题背景：
在 AI Coding 快速发展的当下，AI 已能辅助生成代码，但「代码写完之后」的质量保障环节仍高度依赖人工——缺陷定位耗时、修复方案重复、验证流程碎片化。尤其在大型项目中，一个 Issue 从发现到关闭可能耗费数小时甚至数天。我们实践了一套 AI 驱动的缺陷全自动修复体系：让 Agent 自主完成从 Issue 触发、根因定位、代码修复到验证发布的全链路。核心挑战在于：如何让 AI 在有限上下文窗口内获取足够信息做出正确决策？如何保障自动修复的质量不引入新问题？如何让这套体系可扩展到不同业务形态？
内容大纲：
1. 为什么需要缺陷全自动修复
1.1 当前 AI Coding 的质量保障瓶颈：代码生成 vs 缺陷修复的效率差距
1.2 传统缺陷修复流程中的人力瓶颈与重复模式
1.3 从 Copilot → Coding Agent → 自主修复 Agent 的演进路径
2. 端到端自动修复架构设计
2.1 全链路概览：触发→缺陷分类→上下文加载→分析→修复→验证→归档
2.2 Agent 角色划分与协作机制（Multi-Agent Orchestration）
2.3 与现有 CI/CD 和工程体系的集成策略
3. 分层上下文加载策略
3.1 四层上下文模型：L1 Bug Knowledge / L2 Repository / L3 Project / L4 Dynamic
3.2 分层裁剪策略：60%简单仅L1、25%中等L1+L2、10%复杂L1-L3、5%全层+L4
3.3 如何在有限 Token 窗口内最大化有效信息密度
4. 质量保障体系建设
4.1 自动修复验收标准定义（功能回归、性能不退化、无副作用）
4.2 AI 产出的自动化验证能力（单测/集成测试/线上验证）
4.3 人工抽检与反馈闭环机制
4.4 回归率监控与修复引入新问题的防控
5. 工程实践中的坑与经验
5.1 Agent判断边界：NEVER/ASK/ALWAYS框架
5.2 缺陷模式库的积累与复用
5.3 从单一项目到多业务形态的泛化挑战
听众收益：
1. 获得一套可落地的 AI 缺陷自动修复架构：包含完整的端到端链路设计和技术选型思路
2. 掌握分层上下文加载策略：解决 AI 在大型项目中“信息不足导致修错”的核心难题
3. 了解自动修复质量保障的工程方法：验收标准、自动验证、人机协作闭环设计
4. 借鉴 Agent 行为边界管理经验：NEVER/ASK/ALWAYS 框架解决“AI该不该做”的决策困境
内容大纲：
1. 为什么需要缺陷全自动修复
1.1 当前 AI Coding 的质量保障瓶颈：代码生成 vs 缺陷修复的效率差距
1.2 传统缺陷修复流程中的人力瓶颈与重复模式
1.3 从 Copilot → Coding Agent → 自主修复 Agent 的演进路径
2. 端到端自动修复架构设计
2.1 全链路概览：触发→缺陷分类→上下文加载→分析→修复→验证→归档
2.2 Agent 角色划分与协作机制（Multi-Agent Orchestration）
2.3 与现有 CI/CD 和工程体系的集成策略
3. 分层上下文加载策略
3.1 四层上下文模型：L1 Bug Knowledge / L2 Repository / L3 Project / L4 Dynamic
3.2 分层裁剪策略：60%简单仅L1、25%中等L1+L2、10%复杂L1-L3、5%全层+L4
3.3 如何在有限 Token 窗口内最大化有效信息密度
4. 质量保障体系建设
4.1 自动修复验收标准定义（功能回归、性能不退化、无副作用）
4.2 AI 产出的自动化验证能力（单测/集成测试/线上验证）
4.3 人工抽检与反馈闭环机制
4.4 回归率监控与修复引入新问题的防控
5. 工程实践中的坑与经验
5.1 Agent判断边界：NEVER/ASK/ALWAYS框架
5.2 缺陷模式库的积累与复用
5.3 从单一项目到多业务形态的泛化挑战
听众收益：
1. 获得一套可落地的 AI 缺陷自动修复架构：包含完整的端到端链路设计和技术选型思路
2. 掌握分层上下文加载策略：解决 AI 在大型项目中“信息不足导致修错”的核心难题
3. 了解自动修复质量保障的工程方法：验收标准、自动验证、人机协作闭环设计
4. 借鉴 Agent 行为边界管理经验：NEVER/ASK/ALWAYS 框架解决“AI该不该做”的决策困境
易心宇
阿里云 云效产品技术专家
阿里云技术专家，云效（Alibaba Cloud DevOps）智能研发负责人。
目前专注于 AI 在软件工程领域的落地应用，负责云效智能代码评审的底层架构设计与核心算法研发。致力于通过 LLM、Agent 技术与传统静态分析手段的深度融合，构建下一代智能化质量保障体系。
目前专注于 AI 在软件工程领域的落地应用，负责云效智能代码评审的底层架构设计与核心算法研发。致力于通过 LLM、Agent 技术与传统静态分析手段的深度融合，构建下一代智能化质量保障体系。
待定
待定
AI赋能的质量与效率平衡：智能代码评审的工程实践
议题背景：
传统质量保障面临质量与效率的两难困境：人工评审依赖个体经验，问题发现率有限且响应缓慢，严重影响交付速度；而SonarQube等静态分析工具虽快但误报率高企，缺乏语义理解能力，只能发现问题却无法提供修复方案，导致技术债务累积。更严峻的是，代码评审需要的上下文往往超出diff范围，跨文件影响、API破坏性变更等深层次质量问题难以在提交阶段被识别。
传统质量门禁陷入被动局面：误报过多导致开发者信任缺失，规则配置复杂难以落地，跨文件缺陷检测能力不足。我们思考：能否利用AI的语义理解能力，在代码提交阶段就实现高质量的门禁拦截？能否平衡误报率与召回率，让质量门禁真正被开发者采纳？能否将缺陷检测升级为缺陷预防，从源头提升代码质量？本次分享将展示AI驱动的智能代码评审如何突破传统工具的局限，实现质量与效率的双赢。
内容大纲：
1. 背景：质量与效率的双重挑战
1.1 传统代码评审的困境：
人工评审响应慢且发现率有限，静态分析工具误报率高且缺乏语义理解，上下文视野狭窄导致跨文件问题难识别。
1.2 引入AI的核心考虑：
1.2 引入AI的核心考虑：
语义理解能力是突破关键，需平衡准确率、召回率与响应速度，工程化挑战包括上下文限制、AI幻觉与生产稳定性。
2. 技术创新点：四大核心机制
2.1 语义化分组：突破上下文限制
2.2 四层反思机制：解决AI幻觉
2.3 AI+Linter双引擎融合
2.4 安全沙箱：扩展质量边界
3. 工程实践：从原型到生产
3.1 性能优化：并发处理、模型选择、缓存机制、增量评审，评审时间从30分钟优化至10分钟内。
3.2 可观测性与稳定性：全链路追踪、质量监控、异常告警，限流熔断、异步处理、降级策略保障生产稳定。
3.3 渐进式落地：从仅展示建议到完整质量门禁，逐步建立开发者信任，建立反馈闭环持续优化。
4. 效能收益
4.1 质量提升：跨文件问题识别能力显著提升，代码规范达标率提高，Bug密度降低，技术债务减少。
4.2 效能提升：评审时间大幅缩短，MR合并速度加快，一键修复减少手动工作，开发者满意度提升。
4.3 工程能力沉淀：可复用的质量基础设施，可量化的质量度量体系，渐进式落地方法论。
5. 未来展望
5.1 智能体自主决策：分析代码变更特征，动态决策评审重点，自主选择工具组合与分析深度。
5.2 多智能体协作评审：架构、安全、性能、测试等专业智能体分工协作，主评审智能体统筹协调。
5.3 评审与编码Agent协作：评审Agent与编码Agent形成闭环，实现"编码-评审-修复-验证"自动化流程。实时协作、
2. 技术创新点：四大核心机制
2.1 语义化分组：突破上下文限制
2.2 四层反思机制：解决AI幻觉
2.3 AI+Linter双引擎融合
2.4 安全沙箱：扩展质量边界
3. 工程实践：从原型到生产
3.1 性能优化：并发处理、模型选择、缓存机制、增量评审，评审时间从30分钟优化至10分钟内。
3.2 可观测性与稳定性：全链路追踪、质量监控、异常告警，限流熔断、异步处理、降级策略保障生产稳定。
3.3 渐进式落地：从仅展示建议到完整质量门禁，逐步建立开发者信任，建立反馈闭环持续优化。
4. 效能收益
4.1 质量提升：跨文件问题识别能力显著提升，代码规范达标率提高，Bug密度降低，技术债务减少。
4.2 效能提升：评审时间大幅缩短，MR合并速度加快，一键修复减少手动工作，开发者满意度提升。
4.3 工程能力沉淀：可复用的质量基础设施，可量化的质量度量体系，渐进式落地方法论。
5. 未来展望
5.1 智能体自主决策：分析代码变更特征，动态决策评审重点，自主选择工具组合与分析深度。
5.2 多智能体协作评审：架构、安全、性能、测试等专业智能体分工协作，主评审智能体统筹协调。
5.3 评审与编码Agent协作：评审Agent与编码Agent形成闭环，实现"编码-评审-修复-验证"自动化流程。实时协作、
批量修复、预防式协作三种模式，大幅缩短交付周期。
5.4 评审知识沉淀与传承：质量知识库沉淀团队经验，智能问答系统关联团队规范，新人培训自动化。
听众收益：
1. AI工具工程化落地的完整实践路径
并发处理、多模型协同、缓存机制、增量评审等优化手段，评审时间从30分钟→10分钟的生产经验。
2. 质量与效能双赢的实现路径
语义理解、智能修复、跨文件分析等技术创新，实现评审时间缩短、Bug密度降低、开发者满意度提升。
3. 智能体协作的前沿探索
评审与编码Agent协作模式，"编码-评审-修复-验证"自动化闭环，加速项目交付的技术思路。
5.4 评审知识沉淀与传承：质量知识库沉淀团队经验，智能问答系统关联团队规范，新人培训自动化。
听众收益：
1. AI工具工程化落地的完整实践路径
并发处理、多模型协同、缓存机制、增量评审等优化手段，评审时间从30分钟→10分钟的生产经验。
2. 质量与效能双赢的实现路径
语义理解、智能修复、跨文件分析等技术创新，实现评审时间缩短、Bug密度降低、开发者满意度提升。
3. 智能体协作的前沿探索
评审与编码Agent协作模式，"编码-评审-修复-验证"自动化闭环，加速项目交付的技术思路。
郑楚君
腾讯 全栈开发专家
负责腾讯无极智能开发平台从0到1的落地，现作为无极AI Coding Agent产品负责人，主导整个平台的规划、研发与运营。
深耕软件开发10+年，专注于探索高效的应用开发方式，践行以数据驱动为核心的自动化开发理念；近几年持续探索AI能力的边界及其多样化的产品实现形态，深度参与了多项具有前瞻性的创新项目，包括主导设计“多Agent智能开发”系统，旨在打通需求到产品的端到端自动化链路；主导构建“Coding Agent自主测试”通用方案，实现AI生成和AI自测试的链路闭环，为 AI+ 应用提供又一个智能基建。
深耕软件开发10+年，专注于探索高效的应用开发方式，践行以数据驱动为核心的自动化开发理念；近几年持续探索AI能力的边界及其多样化的产品实现形态，深度参与了多项具有前瞻性的创新项目，包括主导设计“多Agent智能开发”系统，旨在打通需求到产品的端到端自动化链路；主导构建“Coding Agent自主测试”通用方案，实现AI生成和AI自测试的链路闭环，为 AI+ 应用提供又一个智能基建。
待定
待定
托管式 AI 开发平台的思考与实践
议题背景：
随着AI编程工具的快速发展，AI生成代码的速度和质量都有很出众的提升。然而，开发者经常会在大型复杂项目和AI的实战中被几大难题困扰：
1、由于AI往往缺乏业务背景理解，生成的代码，会导致交互逻辑不满足等隐性债务，人工debug成本高，无法保证真实用于业务环境。
2、复杂的业务企业级基座（鉴权、审计、部署），业务研发流程的打通复杂，AI仅限于代码生成，无法打通全发布流程。
本次分享聚焦于介绍 如何让Coding Agent 拥有了真实的手和眼睛——它能自己理解业务背景，也能基于平台自有基座能力，无缝对接企业现有研发流程，完全从需求到长任务执行、测试、发布的全链路闭环，同时能接入OpenClaw或者Hermes Agent进行开发。
随着AI编程工具的快速发展，AI生成代码的速度和质量都有很出众的提升。然而，开发者经常会在大型复杂项目和AI的实战中被几大难题困扰：
1、由于AI往往缺乏业务背景理解，生成的代码，会导致交互逻辑不满足等隐性债务，人工debug成本高，无法保证真实用于业务环境。
2、复杂的业务企业级基座（鉴权、审计、部署），业务研发流程的打通复杂，AI仅限于代码生成，无法打通全发布流程。
本次分享聚焦于介绍 如何让Coding Agent 拥有了真实的手和眼睛——它能自己理解业务背景，也能基于平台自有基座能力，无缝对接企业现有研发流程，完全从需求到长任务执行、测试、发布的全链路闭环，同时能接入OpenClaw或者Hermes Agent进行开发。
内容大纲：
1. 托管式 AI 开发平台的核心价值
1.1 什么是托管式 AI 开发平台
1.2 能搭 VS 能用：当前 AI 生成运营系统的痛点
1.3 价值回归：不仅搭得快，更要让系统真实可用
2. 质量攻坚：提升 AI 生成代码的工程可用性
2.1 让AI理解你的业务：三层记忆法，从短期记忆到长期记忆（MCP/SKILL加载机制剖析）
2.2 AI编程效果度量：平台如何保证迭代质量
2.3 平台监控：反哺平台优化Code Agent
3. 范式重塑：托管模式下研发链路的工程化落地
3.1 端到端研发链路的设计原理
3.2 多端协同和状态保持的实现思路
4. 价值转化：将应用数据资产转化为可消费的 Agent 插件
4.1 数据资产的AI化思路
4.2 标准化转化链路的落地实践
听众收益：
1. 学习一种AI自主debug的思路：通过为 AI Coding Agent 提供手和眼睛，解决 AI 脱离真实运行环境导致的幻觉与逻辑偏差难题，实现从单纯生成到确定性交付的跨越。
2. 获取 AI 原生基座的平台化设计思路： 借鉴无极平台抽象数据库、云函数及 API 网关等开箱即用的后端能力，屏蔽复杂基建，让 AI 也能实现全链路的快速迭代。
3. 长任务与复杂业务的工程实战经验： 参考营销活动、管理后台等真实业务场景下的 AI Coding经验，掌握如何将 AI 生产力无缝对接到企业现有的研发流程中。
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
