AI Native 研发与质量保障-2026-上海站_QECon全球软件质量效能大会-橙柚科技

优惠倒计时

8折票抢购中

团购享更多优惠

北京站 · 10月16-17日

上海站 · 9月4-5日

深圳站 · 5月22-23日

专场：AI Native 研发与质量保障

当AI从研发流程的 "辅助工具" 逐步跃迁为 "核心队友"，软件研发范式正在被悄然重写，代码由大模型生成，用例由智能体编织，缺陷由算法提前预警，效率的边界被一次次刷新，但一个更重要的问题也随之浮现：当研发的每一个环节都有AI 深度参与，质量保障如何贯穿全流程稳定运行，本专场聚焦 AI Native 时代的全流程质量保障体系：从需求阶段的风险前置识别，到编码环节的 AI 代码评审与安全扫描；从测试阶段的智能用例生成、精准缺陷定位，到发布环节的自动化准入与线上运行的异常监测和智能告警。从工具实践到体系化方法，深入探讨在 AI 研发新范式下如何构建覆盖 "需求—开发—测试—发布—运行" 的端到端质量闭环，让质量保障在 AI Native 时代真正实现全流程稳定运行。

专场出品人：李焕雄

腾讯音乐研发效能中心总监

腾讯音乐研发效能中心总监、T12资深测试开发专家，集团质量通道会长，集团质量与效能负责人。中大MBA，具备PMP/ACP/NPDP全套项目产品管理认证，拥有10余项技术发明专利。统筹管理项目管理、测试、效能、运管技术等多支核心技术团队，专注全域质量保障、测试开发、研发效能治理、规模化项目管理领域多年，具备行业领先的质效平台落地、体系搭建与技术团队管理实战经验。

杨立凯

AviaGames 测试技术专家

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

重构质量体系：从 AI 辅助到 AI 自主的渐进式实践

议题背景：
传统质量体系的 "工具孤岛、无资产沉淀、规则固化、能力锁死" 四大硬伤，使 AI 始终停留在辅助角色 —— 能批量生成用例，却无法保证生成质量。
本次分享介绍一套质量体系重构方案：通过轻量级 Adapter 模式生态化连接现有工具，以标准化质量资产为核心，构建从AI 辅助提效（L1）、自动化 + AI 优先（L2）到AI 自主决策（L3）的渐进式演进路径。
实践成效：质控工时下降 50%+、核心资产 100% 入库、5 + 类工具 MCP 接入，双漏斗度量体系稳定运行。

内容大纲：
1. 为什么要重构？——AI 时代的质量困境

研发因 AI 提速，但质量保障还在用老办法，形成 "研发快、验证慢" 的剪刀差。传统体系存在四大硬伤：工具孤岛、链路断裂、标准缺失、反馈缺失。解法不是再加工具，而是建一个统一的资产层，把所有工具产出标准化、可治理。

2. 思路转变 —— 从 "流程驱动" 到 "资产驱动"

旧范式把测试工具当辅助手段，追求单点效率；新范式把测试用例、计划、知识、反馈都视为可治理的资产，AI 工具只是执行载体，标准化资产才是 AI 自主质控的燃料。核心是从 "事后被动管控" 转向 "事前主动治理"。

3. 平台怎么搭？—— 五层架构

自下而上五层协同，两条数据流贯穿：
* 资产底座：四类核心资产（用例 / 计划 / 知识 / 反馈）+ 统一治理能力
* Adapter 接入层：把外部工具差异转成标准对象，平台管标准、下游管实现
* 治理平台：八大服务按生命周期四阶段分组（准入→版本→执行→反馈），形成治理飞轮
* 工具生态：连接而非替代，每个工具明确 "怎么接入、回传什么"
* 度量决策层：双漏斗度量分离分母，接入漏斗看量、质量漏斗看质
两条数据流：资产供给流自下而上（异构数据→标准化→入库→消费→度量），反馈回流流自上而下（决策→调整→优化→回写→沉淀知识）。

4. 治理靠什么？—— 四大原则

* 管理与实现分治：平台定标准，下游做实现，边界冲突用 Proposal 机制解决，杜绝静默改写
* 按来源分流准入：AI 生成强制评审、人工创建预检入库、存量迁移豁免筛选，不搞一刀切
* 版本与全链路溯源：执行锚定版本 ID，线上问题可秒级定位，审计有据可依
* 度量与反馈闭环：打破 "唯数量论"，用双漏斗 + 反馈回流驱动持续进化

5. 怎么落地？—— 三阶段渐进演进

遵循 "先治理、再沉淀、后智能"：
* L1 标准化 + AI 辅助：统一接入标准、资产治理落地、双漏斗度量上线；实证数据：质控工时下降 50%+、核心资产 100% 入库、5 + 类工具 MCP 接入
* L2 自动化 + AI 优先：AI 成为资产生力军，人工转向高风险决策；四大能力（AI 生成 / 动态门禁 / 智能选集 / 反馈进化）驱动三大转变
* L3 AI 自主决策：AI 统一理解风险、组织资产、编排验证、优化策略，人工只做兜底

6. 最终价值
体系化资产让测试产物变成企业级可复用库；可治理运营让每类资产有明确指标；可度量价值让投入产出可追踪；反馈飞轮让资产越用越值钱，每转一圈质量和能力同步提升。

三个核心结论
1. 将 AI 生成结果转化为可信测试资产—— 统一治理规格、计划、知识和反馈，准入评审加版本管理保证可信度
2. 打通全链路，边界清晰—— 不存脚本、不允许静默改写、执行通过不等于质量有效
3. 渐进式演进——L1 标准化打底→L2 AI 优先提效→L3 自主决策，以资产治理为基础、执行反馈为闭环

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 "大平台全包" 陷阱，通过 "连接而非替代" 的生态化思路和 "资产先行、能力后置" 的沉淀策略，在现有工具基础上平滑演进。掌握五层架构（资产底座→Adapter→治理平台→工具生态→度量决策）的设计逻辑，以及 "先治理、再沉淀、后智能" 的 L1→L2→L3 三阶段演进节奏，实现从 AI 辅助到 AI 自主的有序跨越。
2. 掌握关键治理机制与实践避坑指南：深入了解 Adapter 标准化接入、统一数据契约、管理与实现分治（Proposal 机制杜绝静默改写）、按来源分流准入（AI 强制评审 / 人工预检入库 / 存量豁免筛选）、versionId+bindingId 全链路溯源、双漏斗度量（量质分离）等核心机制的实现细节，从 AI 幻觉拦截、垃圾数据泛滥等失败模式中汲取经验，避免重复踩坑。
3. 借鉴已验证的落地实践与量化数据：50%+ 重复质控工时下降、100% 核心资产结构化入库、5 + 类工具 MCP 接入、双漏斗度量体系稳定运行。结合 AI 生成用例全链路治理、版本静默变更根治两个典型场景，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与预期目标。

向天宇

蚂蚁集团测试开发专家

支付宝-用户技术部测试开发专家，负责推荐评测体系建设，AI智能测试体系建设。多年AI质量技术、研发效能研究和项目经验，主导智能测试、算法评测、质量大模型、知识图谱、多模态等多项质量技术建设和落地。通过AI评测助力算法优化迭代、AI技术创新助力业务效果迭代提升。
擅长领域：智能化测试、AI评测、大数据、搜推、大模型

待定

AI 时代质量新范式 — IQH 全链路智能质量防御体系

议题背景：
AI时代，AICoding占比越来越高，AI 产出的代码越多，人工验收的负担越重，传统质量保障成为瓶颈，我们在支付宝用户域打造了AI智能测试中枢，建设了数字专家团队，通过AI Delivery Loop重塑了AI质量研发范式，体系成熟度从L1 AI辅助升级到L3 AI专家协同

内容大纲：
1. 体系成熟度的阶段分析—我们走到了哪里？

1.1 AI 质量保障的成熟度模型（五阶段）
1.2 各阶段特征与痛点
1.3 行业现状定位

2. 困局—AI 写了 90% 的代码，谁来保障 100% 的质量？

2.1 AI Coding 浪潮下的质量断层
2.2 传统质量体系的失灵信号
2.3 核心矛盾

3. AI Delivery 下的质量 LOOP—流程嵌入的质量自进化体系

3.1 核心理念：质量不是阶段，是 LOOP
3.2 AI Delivery 全流程中的质量嵌入点
3.3 自进化机制

4. 整体方案介绍—从"被动验收"到"全链路智能防御"

4.1 设计哲学
4.2 整体架构分层

5. 方案核心能力介绍

5.1 AI 数字专家团队—让专家经验成为"可复制的资产"
5.2 可持续进化的 AI 框架

5.2.1 知识工程—从"文档堆砌"到"可推理的知识资产"
5.2.2 LOOP 集成与实践

5.3 AI 资产管理—质量能力的"App Store"

6. AI 智能测试能力介绍

6.1 AI 测试能力全景图
6.2 SPEC 风险检测—质量风险的"前哨哨兵"
6.3 智能测试设计—测试策略的"AI 规划师"
6.4 智能接口测试—接口质量的"自动化流水线"
6.5 智能端到端测试—用户体验质量的"守护者"
6.6 智能回归测试—版本质量的"安全网"

7. 业务实践效果
8. 总结和展望

8.1 总结
8.2 未来展望

听众收益：
1. 一套可落地的 AI 质量成熟度演进路线图：听众可以拿到从 L1（工具辅助）到 L5（自进化生态）的五阶段成熟度模型，用于评估自身团队当前位置、识别瓶颈、规划下一步路径——不再是"AI写了代码但质量跟不上"的模糊焦虑，而是有框架可对齐、有标杆可参照。
2. 数字专家 + 知识自进化的可复制方案：听众可以理解如何将个人专家经验转化为可复制、可进化、可团队共享的数字专家资产，以及知识沉淀闭环机制——解决"AI能力单次消耗无法累积"的核心痛点，让质量能力越用越强而非每次从零开始。
3. 质量 LOOP 的流程嵌入范式：听众可以学到如何将质量从"交付末端的闸门"重构为"嵌入 AI Delivery 全流程的持续闭环"（感知→分析→执行→验证→沉淀→进化），并通过看到不同场景下的具体实践效果

郭晨曦

中兴通讯无线院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。

待定

让 AI Agent 真正接手研发任务从待办编排到可验证的一站式交付

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. ADE 概念

1.1 ADE 是什么：面向 AI Agent 的研发执行环境（IDE/AI IDE/ADE 对比）
1.2 四个工作面共享一个运行时（IDE / Terminal / Agent Runtime / AFS）
1.3 数字分身：Identity / State / Policy / Evidence / Action
1.4 四个基础不变量：可定位、可复现、可中断、可证明
1.5 现场 Demo：一个待办如何变成可验证交付

2. ADE 内核：架构与 Agent Runtime

2.1 三平面架构：控制面 / 执行面 / 证据面

2.2 五要素解耦：WHO / HOW / WHAT / WHERE / PROOF
2.3 编排即可验证的编译：输入 → 编译器 → 快照制品
2.4 Workflow 作为 IR 与执行契约（L1~L4 分层）
2.5 确定性包络：约束随机性的边界
2.6 映射规则与多 Agent 能力矩阵
2.7 Skillhub：能力发现、部署与版本装载

3. 可靠性工程

3.1 上下文管理：可预算的工作集
3.2 多工作区隔离：五类状态不串线
3.3 审批协议化：REQUEST → PENDING → OUTCOME → RESUME
3.4 故障恢复与局部性：Stage 边界限制重放深度
3.5 证据闭环与可观测性
3.6 评估四维度：完成质量 / 证据质量 / 人工介入 / 恢复成本
3.7 AFS 雏形：Orchestration / Runtime / Governance

4. 落地与演进

4.1 效果数据：进入日常 + 交付改善
4.2 自治阶梯：L0 建议 → L4 有界自治
4.3 组织级 ADE：运行时协议 / 技能市场 / 评估驱动治理
4.4 带走五句话

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。