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
干掉 CR 瓶颈：大规模 AI 代码审查工程化实践
议题背景：
AI 编码工具已全面普及，97% 开发者使用、35% 代码由 AI 生成，虽提升 35% 个人生产力，但带来严重质量隐患：59% 认为 AI 代码看似正确实则不可靠，40% 审查 AI 代码更耗时，传统人工 Code Review 成本上升、质量不稳、成为研发瓶颈。为此我们打造 AI-CR 自动化评审系统，通过 CR 技能提取、Agent 评测、质量门禁等模块实现分钟级评审，可识别潜在 Bug、边界问题、规范违规等。系统落地后采纳率达 26%（业界先进水平），CR 耗时缩短 30% 以上，有效弥合 AI 代码信任鸿沟，已在公司技术中心全 BU 规模化落地。
AI 编码工具已全面普及，97% 开发者使用、35% 代码由 AI 生成，虽提升 35% 个人生产力，但带来严重质量隐患：59% 认为 AI 代码看似正确实则不可靠，40% 审查 AI 代码更耗时，传统人工 Code Review 成本上升、质量不稳、成为研发瓶颈。为此我们打造 AI-CR 自动化评审系统，通过 CR 技能提取、Agent 评测、质量门禁等模块实现分钟级评审，可识别潜在 Bug、边界问题、规范违规等。系统落地后采纳率达 26%（业界先进水平），CR 耗时缩短 30% 以上，有效弥合 AI 代码信任鸿沟，已在公司技术中心全 BU 规模化落地。
内容大纲：
1. AI 编码时代的 CR 危机与挑战
1.1 AI 编码普及带来的质量与效率矛盾
1.2 传统 Code Review 的三大瓶颈
2. AI‑CR 系统设计与核心能力
2.1 系统架构与核心模块
2.2 智能评审关键技术能力
3. 落地运营与迭代优化
3.1 指标定义与 BU 数据看板建设
3.2 用户反馈闭环与流程持续优化
4. 落地效果与业务案例
4.1 量化成果与效能提升
4.2 多语言真实业务实践案例
5. 总结与规划
5.1 可复制落地经验
5.2 未来演进方向
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
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
托管式编程下的AI自动化测试
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往往脱离了真实的运行环境，生成的代码，会留下诸如运行时报错、交互逻辑不满足、等隐性债务，人工debug成本高。AI仅限于生成而无法闭环测试工作。
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——它能自己运行代码、观察界面差异、捕捉控制台报错并实时自愈，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AI从需求到长任务执行、测试、发布的全链路闭环。
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往往脱离了真实的运行环境，生成的代码，会留下诸如运行时报错、交互逻辑不满足、等隐性债务，人工debug成本高。AI仅限于生成而无法闭环测试工作。
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——它能自己运行代码、观察界面差异、捕捉控制台报错并实时自愈，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AI从需求到长任务执行、测试、发布的全链路闭环。
内容大纲：
1. AI Coding 带给我们的挑战
2. WUJI AI Coding Agent 的自主debug解决方案
2.1 原生沙箱浏览器测试：捕获错误、交互仿真测试、录屏
2.2 实时观测链路：异常信号捕捉
2.3 故障自愈：错误追溯关联和自动修复
2.4 复杂任务编排：长任务的稳定性保障
3. 全栈能力的平台化支撑
3.1 后端服务的开箱即用
3.2 持续集成和部署
4. 真实业务案例：启发与思考
4.1营销活动页面：快速迭代与发布
4.2管理后台系统：复杂交互与数据处理
4.3 AI应用开发：对话机器人与智能助手
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。
4. 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，掌握如何如何将 AI 生产力无缝对接到企业现有的研发流程中。
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
