专场：生产级 AI Coding 实战：效率与质量的平衡术
AI 正在深度改写代码生产全流程，AI Coding 大幅压缩编码工时，快速带来开发效率跃升，但也随之引出诸多现实生产难题：AI 生成代码如何落地到真实业务系统？怎样平衡编码提速与代码质量风险？如何解决 AI 输出 “假通过”、缺陷遗留等线上隐患？生产环境下 AI Agent 该如何调优迭代？从代码生成走向可靠可信交付，流程、基建、协同又该补齐哪些能力？带着这些现实痛点，本专场汇聚一线实战专家，分享生产环境下 AI Coding 与代码智能体的真实落地案例，探讨效率与质量之间的权衡实践，拆解从 0 到 1 搭建修缺陷 AI Agent、Agent 调优、风险识别防控、基建补齐等一手实操经验，共同探索 AI Coding 在业务生产中可行的落地路径。
专场出品人：石恩升
华为AI算法专家
2024年通过“天才少年计划”加入华为，现担任鸿蒙&昇腾代码大模型与智能体构建与优化负责人。他主导推动鸿蒙代码大模型多项性能达到业界领先水平，并成功将技术落地于码道CodeArts, 鸿蒙CodeMate、CodeGenie、Code Arkify及AI辅助鸿蒙开发等产品，广泛应用于华为内部及鸿蒙生态，成果显著，深受生态伙伴欢迎。在昇腾技术体系方向，他主导昇腾代码大模型的研发与迭代攻坚，面向CANN算子开发场景，大幅提升算子自动生成的正确率与开发效率，支撑昇腾生态下算子工程化、自动化开发能力建设，产出多项关键技术成果，有力赋能昇腾基础软件生态发展。获得华为授予员工个人最高荣誉-金牌个人奖，并与华为创始人任正非先生单独合影留念。他积极推动高校合作，负责多项胡杨林基金项目及高校技术合作项目，致力于产学研深度融合。近年来，他在人工智能与软件工程领域的顶级会议和期刊（如ICSE、FSE、ISSTA、ACL、EMNLP等）发表论文20余篇，荣获ISSTA 2024杰出论文奖。此前，他作为微软亚洲研究院与西安交通大学联合培养的博士生，受张冬梅、韩石、张洪宇、王焱林和孙宏滨联合指导，聚焦智能化软件工程，论文获得CCF 2025软件工程博士学位论文激励计划提名，也荣获西安交通大学授予的博士学位最高荣誉。
朱圣城
蚂蚁集团 测试开发专家
芝麻信用质量专家及稳定性负责人，先后供职于百度和蚂蚁集团。长期从事开放业务场景下的软件质量保障与业务稳定性保障及工程实践，曾主导设计并建设蚂蚁开放平台"阿拉丁"质量平台。当前，他专注于 AI Coding 背景下的质量体系建设，重点关注智能体深度参与软件研发后，全链路特别是编码、测试环节的质量风险与治理机制，并探索落地端到端智能测试方法。
待定
待定
用 AI 监督 AI：芝麻信用 Agentic Coding 从需求到准出的
可信交付质量体系实践
议题背景：
AI Agent 开始参与需求理解、系统设计和测试验证；人的角色，也从逐行写代码的执行者，变成交付过程的监督者。我们在芝麻信用资金级业务的研发中发现，AI Coding 带来的主要挑战不只是代码幻觉，而是错误会跨阶段传播：需求里缺失的业务约束，设计阶段出现方案漏洞，到代码和测试阶段才表现为缺陷——越晚发现，代价越高。而需求评审、系分评审、CR 虽然覆盖每个节点，却靠人工发起和专家经验，跟不上 Agent 的产出速度。行业的集体困境，已经从"要不要用 AI"变成"铺开之后怎么管得住"；我们的判断是：AI 时代的质量保障，对象不再只是最终的代码，而是 Agent 每一步的产出，检查必须自动化、跟着研发过程一起跑。
为此，依托蚂蚁集团成熟的软件工程规范，我们落地了 ACS（Agentic Coding Supervisor）。它不是另一个生码助手，而是与生码 Agent 隔离运行的质量监督者：在需求、设计、编码、测试、准出五个节点自动触发检查；确定性问题由静态规则判断，业务语义由大模型结合业务知识判断；问题返回 Agent 修复后必须用同一条规则复检，全程留痕、可审计。本次分享重点拆解四个工程问题：
1. 卡口如何集成于现有流程，并随 AI 参与度持续演进？
2. 企业经验如何变成可执行的规则？
3. 规则技能如何进化又不失控？
4. 验证证据如何自主产出并被有效消费？
分享将用两个来自真实生产的案例展开：一个高风险业务约束在编码前被完整拦截；一个问题跨需求、设计、代码阶段被连续闭环。我们也将公布系统在 [X 个月、X 个项目、X 次交付] 的运行数据——[风险前移比例、误报率与人工推翻率、修复闭环率、评审耗时变化、线上逃逸缺陷]，用一组指标互证"系统更准了，而不是更少发现"——人工介入率持续下降的曲线，就是知识在体系中沉淀的曲线。
往业界方向看，我们相信：当 AI 从工具变成"专业员工"，质量体系将从检测工具演进为 AI 研发的治理控制面——就像 CI/CD 之于 DevOps。听众将带走一套规模化阶段的落地经验：AI 工具已经铺开、质量问题规模化出现时，质量防线从哪切入、怎么持续有效，以及人机交互边界上的关键取舍。
内容大纲：
1. 传统质量保障跟不上 Agent 交付的时代命题
AI Agent 开始参与需求理解、系统设计和测试验证；人的角色，也从逐行写代码的执行者，变成交付过程的监督者。我们在芝麻信用资金级业务的研发中发现，AI Coding 带来的主要挑战不只是代码幻觉，而是错误会跨阶段传播：需求里缺失的业务约束，设计阶段出现方案漏洞，到代码和测试阶段才表现为缺陷——越晚发现，代价越高。而需求评审、系分评审、CR 虽然覆盖每个节点，却靠人工发起和专家经验，跟不上 Agent 的产出速度。行业的集体困境，已经从"要不要用 AI"变成"铺开之后怎么管得住"；我们的判断是：AI 时代的质量保障，对象不再只是最终的代码，而是 Agent 每一步的产出，检查必须自动化、跟着研发过程一起跑。
为此，依托蚂蚁集团成熟的软件工程规范，我们落地了 ACS（Agentic Coding Supervisor）。它不是另一个生码助手，而是与生码 Agent 隔离运行的质量监督者：在需求、设计、编码、测试、准出五个节点自动触发检查；确定性问题由静态规则判断，业务语义由大模型结合业务知识判断；问题返回 Agent 修复后必须用同一条规则复检，全程留痕、可审计。本次分享重点拆解四个工程问题：
1. 卡口如何集成于现有流程，并随 AI 参与度持续演进？
2. 企业经验如何变成可执行的规则？
3. 规则技能如何进化又不失控？
4. 验证证据如何自主产出并被有效消费？
分享将用两个来自真实生产的案例展开：一个高风险业务约束在编码前被完整拦截；一个问题跨需求、设计、代码阶段被连续闭环。我们也将公布系统在 [X 个月、X 个项目、X 次交付] 的运行数据——[风险前移比例、误报率与人工推翻率、修复闭环率、评审耗时变化、线上逃逸缺陷]，用一组指标互证"系统更准了，而不是更少发现"——人工介入率持续下降的曲线，就是知识在体系中沉淀的曲线。
往业界方向看，我们相信：当 AI 从工具变成"专业员工"，质量体系将从检测工具演进为 AI 研发的治理控制面——就像 CI/CD 之于 DevOps。听众将带走一套规模化阶段的落地经验：AI 工具已经铺开、质量问题规模化出现时，质量防线从哪切入、怎么持续有效，以及人机交互边界上的关键取舍。
内容大纲：
1. 传统质量保障跟不上 Agent 交付的时代命题
1.1 Agent 不只写代码，还参与需求理解、设计和测试验证——人从执行者变成监督者
1.2 错误跨阶段传播：需求缺约束 → 设计变漏洞 → 代码变缺陷
1.3 人工评审覆盖每个节点，但跟不上机器的产出速度
1.4 行业困境前移：工具已铺开，规模化之后质量怎么管得住
我们要解决的不是"再加一个检查工具"，而是让质量保障跟着交付过程一起运行。
1.2 错误跨阶段传播：需求缺约束 → 设计变漏洞 → 代码变缺陷
1.3 人工评审覆盖每个节点，但跟不上机器的产出速度
1.4 行业困境前移：工具已铺开，规模化之后质量怎么管得住
我们要解决的不是"再加一个检查工具"，而是让质量保障跟着交付过程一起运行。
2. ACS 的独立监督架构
2.1 监督 Agent 与生码 Agent 隔离运行——裁判员和运动员不能是同一个人
2.2 五道质量卡口：需求、设计、编码、测试、准出——"证据齐备才放行"代替"人评审完点通过"
2.3 上下文、证据与放行状态如何流转
2.4 按风险分级：放行、降级、阻断
2.5 卡口不是补丁：流程形态随 AI 参与度持续演进
2.2 五道质量卡口：需求、设计、编码、测试、准出——"证据齐备才放行"代替"人评审完点通过"
2.3 上下文、证据与放行状态如何流转
2.4 按风险分级：放行、降级、阻断
2.5 卡口不是补丁：流程形态随 AI 参与度持续演进
3. 质量评审规则设计：静态规则与开放规则的分工
3.1 静态规则：鉴权、路由、安全红线、编码规范等确定性边界
3.2 大模型：业务闭环、数据合规、灰度、幂等与文档实现一致性
3.3 规则来源：企业标准、专家经验、历史故障、单次需求 Spec
3.4 发现-修复-同规则复检闭环：避免"提示过了，但没真正解决"
3.2 大模型：业务闭环、数据合规、灰度、幂等与文档实现一致性
3.3 规则来源：企业标准、专家经验、历史故障、单次需求 Spec
3.4 发现-修复-同规则复检闭环：避免"提示过了，但没真正解决"
4. 真实案例深度还原（本场核心）
选取真实交付中的完整案例，现场还原"从需求进入到准出放行"的全过程。每个案例按四步呈现：案例全貌 → 拦截现场 → 闭环过程 → 度量变化。以下案例为内容示例，届时会替换为更合适的真实案例。
* 案例一·数据合规：PRD 三处缺失在编码前被拦截
* 案例二·幂等跨阶段：同一缺口在需求、设计、代码三阶段呈现不同形态——缺决策、缺方案、缺实现——被连续拦截
* 案例三·验证智能化：从测试分析、造数到 E2E 的证据自动产出
* 案例一·数据合规：PRD 三处缺失在编码前被拦截
* 案例二·幂等跨阶段：同一缺口在需求、设计、代码三阶段呈现不同形态——缺决策、缺方案、缺实现——被连续拦截
* 案例三·验证智能化：从测试分析、造数到 E2E 的证据自动产出
5. 验证环节的智能化：从人工测试到证据自动产出
5.1 测试分析：回答"测什么"
5.2 场景化造数：回答"用什么测"
5.3 E2E 多端执行：模拟器、云真机、浏览器，截图断言留痕
5.4 知识库双向流动：消费获得业务理解，新发现沉淀回库
5.2 场景化造数：回答"用什么测"
5.3 E2E 多端执行：模拟器、云真机、浏览器，截图断言留痕
5.4 知识库双向流动：消费获得业务理解，新发现沉淀回库
6. 从质量工具到质量基础设施：进化、度量与人机边界
6.1 规则进化：人工裁决回流、效果验证回退、阈值自动调节
6.2 安全红线：严重等级变更永远走人工评审
6.3 踩过的坑：误报绕过门禁、规则保鲜、同源模型共性盲区
6.4 指标互证：风险前移率、误报/推翻率、闭环率、线上逃逸缺陷；人工介入率作运营指标——其下降曲线就是知识沉淀的曲线
6.5 人机边界：确定性红线自动阻断，高风险决策留给人
6.6 规模化路径：从最痛节点切入，连点成线，治理能力与生码规模同步增长
6.2 安全红线：严重等级变更永远走人工评审
6.3 踩过的坑：误报绕过门禁、规则保鲜、同源模型共性盲区
6.4 指标互证：风险前移率、误报/推翻率、闭环率、线上逃逸缺陷；人工介入率作运营指标——其下降曲线就是知识沉淀的曲线
6.5 人机边界：确定性红线自动阻断，高风险决策留给人
6.6 规模化路径：从最痛节点切入，连点成线，治理能力与生码规模同步增长
听众收益：
1. 一套独立监督 Agent 的参考架构：规则、上下文、证据、复检与放行状态如何组成闭环。
2. 一套把企业规范和历史故障转化为阶段化质量门禁的方法，以及验证智能化（测试分析、场景化造数、E2E）如何接入同一闭环。
3. 误报治理、规则保鲜、共性盲区与人工兜底的真实失败经验。
4. 一套规模化阶段的落地经验：AI 工具已经铺开、质量问题开始规模化出现时，质量防线从哪个节点切入、怎么连点成线、怎么持续有效。
1. 一套独立监督 Agent 的参考架构：规则、上下文、证据、复检与放行状态如何组成闭环。
2. 一套把企业规范和历史故障转化为阶段化质量门禁的方法，以及验证智能化（测试分析、场景化造数、E2E）如何接入同一闭环。
3. 误报治理、规则保鲜、共性盲区与人工兜底的真实失败经验。
4. 一套规模化阶段的落地经验：AI 工具已经铺开、质量问题开始规模化出现时，质量防线从哪个节点切入、怎么连点成线、怎么持续有效。
黄文昊
戴佳怡
OPPO
高级软件测试工程师
OPPO
软件测试工程师
黄文昊：
现任 OPPO 快应用测试负责人，拥有十余年互联网与金融科技领域质量保障经验，从业期间先后任职于招银、腾讯、Shopee等企业，历经金融、社交、跨境电商等多元业务场景的测试体系建设，积累了丰富的大规模系统交付与质量管控实战经验。长期专注于精准测试、精准监控及 DevOps 工程效能体系的落地，致力于推动测试从"被动把关"转向"主动赋能研发"。近年深度探索 AI 测试工程化应用，持续以技术创新驱动测试效能跃升。
戴佳怡：
毕业于北京理工大学
24年校招加入OPPO互联网服务系统
全程参与AI生成用例能力从0到1的建设，参与技术擂台赛获得银奖，获得系统2025年度AI探索奖
24年校招加入OPPO互联网服务系统
全程参与AI生成用例能力从0到1的建设，参与技术擂台赛获得银奖，获得系统2025年度AI探索奖
待定
待定
AI 用例生成与智能 CR 的三代进化实录
议题背景：
在软件质量保障中，测试效能决定了团队能否跟上交付节奏。业务复杂度上升后，手工编写用例和人工代码审查逐渐触及瓶颈：用例产出慢、评审偏重实现逻辑、功能缺陷发现偏后。
本次分享围绕六个问题展开：
质量工作如何从人工处理走向自动协同？
部门如何打通 AI 用例生成，并把用例采纳率做到 67% 以上？
如何靠数据持续优化，使公司内多部门采纳率达到约六至八成？
如何用测试视角开展智能代码审查（CR），提前发现功能缺陷？
如何由多 Agent 跑通需求到发布，并在关键处人工把关？
这些能力如何继续演进为日常可用的智能测试助手？
分享基于部门自研的 Cursor 插件，覆盖用例生成、智能 CR 与需求到发布的质量链路，并已在公司内推广使用。
内容大纲：
1. 缘起：质量工作从人工处理走向自动协同
在软件质量保障中，测试效能决定了团队能否跟上交付节奏。业务复杂度上升后，手工编写用例和人工代码审查逐渐触及瓶颈：用例产出慢、评审偏重实现逻辑、功能缺陷发现偏后。
本次分享围绕六个问题展开：
质量工作如何从人工处理走向自动协同？
部门如何打通 AI 用例生成，并把用例采纳率做到 67% 以上？
如何靠数据持续优化，使公司内多部门采纳率达到约六至八成？
如何用测试视角开展智能代码审查（CR），提前发现功能缺陷？
如何由多 Agent 跑通需求到发布，并在关键处人工把关？
这些能力如何继续演进为日常可用的智能测试助手？
分享基于部门自研的 Cursor 插件，覆盖用例生成、智能 CR 与需求到发布的质量链路，并已在公司内推广使用。
内容大纲：
1. 缘起：质量工作从人工处理走向自动协同
手工用例和人工审查跟不上需求吞吐。用例标准不统一，历史逻辑依赖重，代码审查缺少测试预期，基础工作占用大量人力。
2. 起步：部门打通用例生成，采纳率超过 67%
载体： 对比自研平台与 IDE 原生集成，能力落地为 Cursor 插件，便于接入日常研发流程，生成过程也可人工干预。
选型与合规： 内网场景对比 MCP 与 API。MCP 失败率约 4%、单次耗时数分钟；API 失败率约 0.5%、单次耗时 15 秒内。接入单点登录（SSO），按角色做权限分级，只获取使用者本人有权访问的文档与代码。
约束与知识： 从提示词、规则演进到 Skill，用例采纳率约从 15%、36% 提升至 54%。通用知识库与业务知识库分层建设，检索采用过滤、混合召回和重排序，冷启动阶段先搭结构、再按反馈补充。
阶段结果：插件异常率低于 0.5%，用例采纳率超过 67%。
选型与合规： 内网场景对比 MCP 与 API。MCP 失败率约 4%、单次耗时数分钟；API 失败率约 0.5%、单次耗时 15 秒内。接入单点登录（SSO），按角色做权限分级，只获取使用者本人有权访问的文档与代码。
约束与知识： 从提示词、规则演进到 Skill，用例采纳率约从 15%、36% 提升至 54%。通用知识库与业务知识库分层建设，检索采用过滤、混合召回和重排序，冷启动阶段先搭结构、再按反馈补充。
阶段结果：插件异常率低于 0.5%，用例采纳率超过 67%。
3. 提效：靠数据持续优化，公司内多部门采纳约六至八成
评估： 统一埋点，从使用、质量、生成和项目维度追踪采纳率，定位低采纳原因，包括底层改动难以从文档推导、模板噪音、缺少代码变更、需求关键信息缺失。
优化： 补充代码变更分析，扩展表格、思维导图和嵌套文档的读取，支持业务按低采纳用例补充知识，形成「生成、校验、沉淀、再召回」的闭环。
推广： 先评估再推广。部门自研能力进入公司内多部门使用，用例采纳率提升至约六至八成。
优化： 补充代码变更分析，扩展表格、思维导图和嵌套文档的读取，支持业务按低采纳用例补充知识，形成「生成、校验、沉淀、再召回」的闭环。
推广： 先评估再推广。部门自研能力进入公司内多部门使用，用例采纳率提升至约六至八成。
4. 外延：用测试视角开展智能 CR，提前发现功能缺陷
以用例中的测试场景与预期结果核查代码实现，结合代码变更和调用链走查，在测试执行前发现功能缺陷。
5. 串联：多 Agent 跑通需求到发布，关键处人工把关
按角色编排 Agent，覆盖需求到发布的关键质量活动。关键节点保留人工审核，避免质量判断完全自动放行。
6. 展望：继续演进为日常可用的智能测试助手
复盘关键决策：合规先行，稳定性优先，先评估再推广，以 Skill 化支持后续复用。后续把用例生成与智能 CR 收成统一能力，嵌入日常研发流程。
听众收益：
缘起判断： 看清手工用例与人工审查的瓶颈，明确自动协同要先补上的质量缺口。
落地路径： 获得 Cursor 插件、API 选型、SSO 权限分级、Skill 约束和知识库分层的建设方法。
提效方法： 学会用采纳率定位低质量成因，并用数据把能力推广到公司内多部门。
智能 CR： 了解如何用测试场景与预期结果核查代码，提前发现功能缺陷。
流程串联： 了解多 Agent 如何覆盖需求到发布，以及关键节点如何保留人工把关。
后续演进： 看到部门能力进入日常使用后，如何继续沉淀为智能测试助手。
缘起判断： 看清手工用例与人工审查的瓶颈，明确自动协同要先补上的质量缺口。
落地路径： 获得 Cursor 插件、API 选型、SSO 权限分级、Skill 约束和知识库分层的建设方法。
提效方法： 学会用采纳率定位低质量成因，并用数据把能力推广到公司内多部门。
智能 CR： 了解如何用测试场景与预期结果核查代码，提前发现功能缺陷。
流程串联： 了解多 Agent 如何覆盖需求到发布，以及关键节点如何保留人工把关。
后续演进： 看到部门能力进入日常使用后，如何继续沉淀为智能测试助手。
刘悦
北京兴云数科 软件工程专家
兴云数科 软件工程专家 负责公司Skill研发模式的制定，Skill研发端到端Harness工程的设计、搭建和推广 公司DevOps专家，公司DevOps支撑平台“轻流平台”的设计者和负责人 公司一人团队的探索者
待定
待定
Harness工程的优雅落地：打造企业级Skill研发的智能流水线
议题背景：
企业级Skill质量要求高、研发周期长、研发环节多，环节衔接处存在大量低效与等待，Agent的超强能力不能得到充分利用，严重制约了AI时代Skill快速、高质量的交付。
内容大纲：
1. 困局：AI 很强，但是整个Skill研发周期提效不明显
企业级Skill质量要求高、研发周期长、研发环节多，环节衔接处存在大量低效与等待，Agent的超强能力不能得到充分利用，严重制约了AI时代Skill快速、高质量的交付。
内容大纲：
1. 困局：AI 很强，但是整个Skill研发周期提效不明显
1.1 单点强、整体弱：让大模型分析需求、写代码等单点作业明显提速，但靠人串起来的Skill研发流程并不能同步提速。
1.2 串行低效：需求、开发、测试、发布一环等一环，衔接处大量等待与反复，成为提效天花板。
1.3 Agent 不完全可靠：企业级Skill研发的超长程任务中 Agent 经常遇到三大典型问题——总想一步到位、过早标记完成、环境冷启动困难，不符合企业级Skill的研发要求。
1.2 串行低效：需求、开发、测试、发布一环等一环，衔接处大量等待与反复，成为提效天花板。
1.3 Agent 不完全可靠：企业级Skill研发的超长程任务中 Agent 经常遇到三大典型问题——总想一步到位、过早标记完成、环境冷启动困难，不符合企业级Skill的研发要求。
2. 破局：把Skill研发流程工程化，用确定性驾驭不确定性
2.1 核心思路：应用Harness Engineering思想，把「Skill研发流程」本身工程化，以 14 阶段标准化流水线约束 Agent，使Agent沿着设计的流程执行而不偏离
2.2 主要手段：作业环节标准化、过程状态持久化、准入准出强校验、作业流程有引导、不同领域分角色、循环修复设上限
2.2 主要手段：作业环节标准化、过程状态持久化、准入准出强校验、作业流程有引导、不同领域分角色、循环修复设上限
3. 落地：企业级Skill研发流水线实践
3.1 业务流程图：需求分析—>代码开发—>测试验证—>安全扫描—>LLM深度检查—>Skill功能测试—>代码评审—>环境检测—>代码提交—>代码检查—>代码合入—>安全扫描—>LLM深度检查—>版本发布—>市场上架
3.2 工程框架图：<分层设计的工程框架>
3.3 踩坑优化经验：解决传统自动化流程断点失效、变量丢失、重复执行、状态混乱四大问题
3.4 收益：搭建一条企业级Skill研发的自动化、智能化流水线，使Skill研发周期从周级缩短到小时级
3.2 工程框架图：<分层设计的工程框架>
3.3 踩坑优化经验：解决传统自动化流程断点失效、变量丢失、重复执行、状态混乱四大问题
3.4 收益：搭建一条企业级Skill研发的自动化、智能化流水线，使Skill研发周期从周级缩短到小时级
4. 亮点：驱动流水线稳健运行的关键设计
4.1 分层架构设计：入口、编排、调度控制、阶段技能、配置数据、交付物六层职责单一、向下依赖，使「引导 Agent 的主会话」与「执行具体作业的子技能」解耦，调整流程只需改配置与脚本、不侵入各阶段技能本身。
4.2 脚本驱动执行：调度核心（`next-step.sh`）与状态机（`workflow-state.sh`）以确定性脚本固化「前进 / 回退 / 终止」控制流，让 Agent 只负责单点作业、把流程走向交给代码裁决，从根本上抑制发散。
4.3 修复循环灵活编排：安全扫描、LLM 检查、测试、评审、CI 验证任一环节失败，自动回退至统一修复点，修复后从起始环节重跑，并以回退上限兜底，让长程任务的失败自动收敛、不无限震荡。
4.4 变量双写机制：业务变量集中存于 `project_vars.json`，同步双写 `CS_*` 环境变量，下游脚本既能统一读源、又能就地取值，规避传统自动化中变量丢失与上下文串扰。
4.2 脚本驱动执行：调度核心（`next-step.sh`）与状态机（`workflow-state.sh`）以确定性脚本固化「前进 / 回退 / 终止」控制流，让 Agent 只负责单点作业、把流程走向交给代码裁决，从根本上抑制发散。
4.3 修复循环灵活编排：安全扫描、LLM 检查、测试、评审、CI 验证任一环节失败，自动回退至统一修复点，修复后从起始环节重跑，并以回退上限兜底，让长程任务的失败自动收敛、不无限震荡。
4.4 变量双写机制：业务变量集中存于 `project_vars.json`，同步双写 `CS_*` 环境变量，下游脚本既能统一读源、又能就地取值，规避传统自动化中变量丢失与上下文串扰。
听众收益：
1. 看清方向、带走范式：理解「单点提效」与「组织提效」的本质差距，认识 Prompt → Context → Harness 的范式跃迁；带走一套「以确定性约束不确定性」的工程方法论，可裁剪迁移到本团队的任意多阶段研发场景。
掌握可落地的细节：14 阶段流水线、分层架构、脚本驱动、做评分离、三交互点纪律、断点续跑，拿到可照搬的实现路径与可复用脚本。
2. 升级认知：从「会用 AI 提效」升级为「能设计量产 Skill 的工程系统」，为承担 AI 工程化治理做好准备。
1. 看清方向、带走范式：理解「单点提效」与「组织提效」的本质差距，认识 Prompt → Context → Harness 的范式跃迁；带走一套「以确定性约束不确定性」的工程方法论，可裁剪迁移到本团队的任意多阶段研发场景。
掌握可落地的细节：14 阶段流水线、分层架构、脚本驱动、做评分离、三交互点纪律、断点续跑，拿到可照搬的实现路径与可复用脚本。
2. 升级认知：从「会用 AI 提效」升级为「能设计量产 Skill 的工程系统」，为承担 AI 工程化治理做好准备。
关注QECon公众号
关注QECon视频号
商务合作
151-2264-3988 木子
票务联系
159-0126-5561 小娟
媒体合作
135-1619-6409 皮皮
购票咨询
小娟 15901265561
