专场：生产级 AI Coding 实战：效率与质量的平衡术
.....
专场出品人：
......
......
邹浔
蚂蚁集团 高级测试开发专家
蚂蚁集团高级测试开发专家、芝麻信用质量与评测负责人，先后供职于华为、百度和蚂蚁集团。长期从事复杂业务场景下的软件质量保障与工程实践，并持续推动用户增长、搜索推荐、信用风控等领域的模型算法评测体系演进。他关注行业质量技术的前沿发展，具有校企合作科研项目管理经验，曾主导支付宝“黑鸟”平台建设，推动核心算法服务与内容风控巡检能力在蚂蚁集团内部广泛应用。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，需求、设计、编码、测试与交付各阶段的质量风险与治理机制。
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。
敬请期待
......
.....
待定
待定
敬请期待
....
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
