AI驱动的技术债治理-2026深圳站_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 驱动的技术债治理

本专场聚焦AI 驱动的技术债治理核心主题，深度契合“提质增效” 的核心内核，探索人工智能时代软件研发质量与长期效能平衡的全新路径。
直面行业普遍痛点，破解传统技术债治理中识别不精准、量化无标准、修复成本高、管控难闭环的核心困局。
深度拆解大模型与生成式 AI 技术如何重构技术债全生命周期管理，实现从被动事后治理到主动事前防控的范式升级。
为研发负责人、架构师、质量效能专家、技术管理者提供从理念到落地的全链路解决方案，破解技术债治理的长期难题。
我们期待与行业同仁一同探索 AI 时代技术债治理的最优解，助力企业筑牢研发质量根基，实现业务高质量可持续发展。

专场出品人：张琦

华为研发大模型团队研发智能体技术专家

华为研发大模型团队研发智能体技术专家。主要负责AI研发助手CodeArts Snap的竞争力建设以及能力交付，端到端负责数据准备，模型训练，模型评测，服务交付。

张琦

华为研发大模型团队研发智能体技术专家

华为技术有限公司 PaaS技术创新Lab 大模型技术专家。主要负责AI研发助手CodeArts Snap的竞争力建设以及能力交付，端到端负责数据准备，模型训练，模型评测，服务交付。

待定

Vibe Coding 时代的技术债与 AI 解法

PART 01
1. 回顾 —— 传统技术债的前世今生
2. 什么是技术债?
3. 传统技术债的四大类型
4. 传统技术债产生的根本原因
5. 传统技术债的危害
6. 传统技术债的经典解决方案
7. 传统技术债治理的局限性
PART 02
1. 变革 ——Vibe Coding 时代的到来
2. 什么是 Vibe Coding？
3. Vibe Coding 带来的效率革命
4. 一个典型的 Vibe Coding 开发场景
PART 03
1. 危机 ——AI 引入的新型技术债
2. Vibe Coding 时代技术债的新形态
3. 理解债：最致命的隐形债务
4. 架构债：碎片化的系统设计
5. 质量债：指数级增长的缺陷
6. 安全债：看不见的定时炸弹
7. 维护债：后移的高昂成本
8. 团队协作债：每个人的 "vibe" 都不同
9. 技能债：正在消失的底层能力
PART 04
1. 对比 —— 新旧技术债的本质区别
2. 新旧技术债对比表
3. Vibe Coding 技术债的独特危险性
4. 一个真实的案例
PART 05
1. 破局 ——VibeOps：AI 原生的技术债治理体系
2. 为什么传统解决方案失效了？
3. VibeOps 治理体系的三大核心原则
4. VibeOps 四层架构整体流程图
5. 第一层：意图工程 —— 从源头预防技术债
6. 第二层：生成时治理 —— 同步生成治理资产
7. 第三层：代码理解基础设施 —— 破解黑盒问题
8. 第四层：AI 驱动的持续治理闭环
9. 人机协同的新分工模式
10. VibeOps 实施路线图
PART 06
1. 总结与展望

李阳杰

腾讯音乐高级测试开发工程师

本人长期从事研发效能体系建设与AI工程化落地工作，拥有11年以上业务线研效平台建设经验。现是TME/酷狗研效中心持续交付平台与AI效能专项主要负责人，主导了公司级持续交付平台及AICR代码审查平台从0到1的建设，并推动其在多条核心业务线落地。擅长将AI技术与研发流程深度融合，构建“发现-修复-验证-闭环”的质量内建体系，在保障代码质量的同时大幅提升研发效率。对AI Agent、大模型工程化、DevOps工具链有丰富的实战经验。

待定

AI代码审查：工具终将迭代，研效体系长青

议题背景：
AI Coding大幅提升了开发效率，但代码质量风险也随之增加。代码审查作为质量内建的关键环节，面临两大挑战：一是审查本身成本高，全量扫描耗时耗钱，难以覆盖每次提交；二是发现问题和修复问题脱节，开发者修复后可能引入新风险，而传统审查无法形成闭环。如何让AI不仅发现代码问题，还能辅助修复、追踪闭环，并在过程中防止“修旧引新”？这正是AICR（AI Code Review）在设计之初就要解决的命题。本次分享将围绕AICR从设计、落地到演进的完整过程，展示如何让AI在代码审查中“左右互搏”——既能审查提交的代码，又能快速生成修复方案，并自动验证修复效果，形成质量保障的完整闭环。

内容大纲：
1. 引言：AI Coding时代，代码审查的困境与机遇
1.1 效率提升带来的质量焦虑：AI生成代码的常见问题（软删除、空指针、并发等）
1.2 传统AICR的痛点：全量扫描成本高、修复与验证割裂、无法防止修旧引新
1.3 我们的目标：构建一个低成本、高反馈、能形成质量闭环的AI代码审查体系
2. AICR的设计哲学：轻量、精准、可闭环
2.1 轻量化评审策略：为什么不做全量扫描？——成本与效率的平衡
2.2 增量代码审查：仅分析Commit变更，小模型预筛选+大模型精准打击
2.3 从“发现问题”到“解决问题”：如何让AI生成修复建议（Prompt设计）
2.4 左右互搏的第一层：审查与修复协同，开发者可一键采纳AI生成的修复代码
3. 核心机制：双Agent并行，一次提交双重保障
3.1 架构全景：追踪Agent（负责问题闭环验证）+ 增量评审Agent（负责新问题发现）
3.2 增量评审Agent的工程化技巧
3.2.1 技巧1：小模型预筛选，降低70%大模型调用
3.2.2 技巧2：动态过滤合并提交，避免无效分析
3.2.3 技巧3：历史报告语义去重，减少噪音
3.3 追踪Agent的闭环能力
3.3.1 如何识别问题是否修复（基于Commit变更匹配）
3.3.2 自动标记问题状态（待修复→已修复→验证通过/未通过）
3.4 左右互搏的第二层：修复新问题后，增量Agent立即扫描是否引入新风险
4. 工程化落地：从“AI能力”到“研发流程”的融合
4.1 数据联动：如何与GitLab Webhook、CI/CD流水线打通，以Commit SHA为键关联上下文
4.2 用户体验设计：非阻塞提醒、一键忽略误报、自学习优化
4.3 成本控制实践：单次评审Token≤2000，异步后台执行，不拖慢流水线
4.4 效果数据（3个月真实运行）
4.4.1 增量评审触发990次，发现659个新问题，高风险修复283个
4.4.2 修复召回率从66.7%提升至72%，新问题发现率从0提升至33%
4.4.3 Token成本仅增加30%，但质量收益显著
5. 演进与展望：从“漏斗”到“质量背书”
5.1 AICR不是终点，是漏斗的一环
5.1.1 发现问题越多越快价值越大，但无可避免下游仍有Bug、缺陷、故障流出
5.2 价值追踪体系：反向驱动AICR持续改进
5.2.1 智能分析遗漏到后环节的缺陷，识别审查盲区，迭代规则与模型
5.3 与智能测试（智测）协同，补足运行时问题
5.3.1 AICR擅长静态缺陷，智测覆盖动态场景，二者互补形成完整质量网
5.4 最终目标：为AI Coding兜底，为业务产品背书
5.4.1 AI Coding可以快速生成海量代码，采纳率100%也不是终点
5.4.2 真正服务于业务、稳定运行的产品，才是价值的最终落脚点

听众收益：
1.掌握一套低成本、可落地的AI代码审查设计方法：了解如何通过“增量审查+多Agent协同”控制成本，使AI审查能够高频稳定运行而不压垮基础设施。
2.学习如何让AI不仅发现代码问题，还能生成可采纳的修复方案：获取Prompt工程经验和修复建议生成的实践技巧，提升开发者采纳率。
3.获得“发现即追踪、修复即验证”的闭环机制实现思路：理解如何将代码审查与问题追踪系统联动，自动验证问题修复状态，形成质量闭环。
4.了解如何防止“修旧引新”这一常见质量陷阱：通过双Agent并行机制，在一次提交中同时完成旧问题验证和新风险扫描，避免问题从修复分支流入主干。
5.借鉴AI工具与研发流程融合的经验：包括非阻塞设计、误报处理、数据反哺优化等，让你的AI工具真正被开发者接受，而非成为“电子警察”。

谭珊珊

北京兴云数科资深需求分析工程师

任职于北京兴云数科技术有限公司，软件开发10年以上，当前为公司需求领域AI提效核心成员，需求领域教练，PAAS平台资深需求分析工程师。

待定

AI时代遗留系统的维护与演进：

用数字化模型化繁为简，让复杂系统变更有据可依

议题背景：

本议题聚焦这类"有较大存量系统、业务仍在持续演进"的平台产品场景，结合实践给出用数字化模型解决这一困境的方案。

内容大纲:
1. 从"看代码猜意图"到"看模型知全貌"：遗留系统演进的困境与出路
1.1 某产品的真实困境
1.2 尝试 SDD（规格驱动开发）及其局限性
1.3 没有对系统全貌把控
2. 解决方案：用"SDD 章程 + 数字化模型"打通从规范到代码的完整链路
2.1 破局的金钥匙 - 数字化模型
2.2 数字化模型的三种类型
2.3 数字化模型与V模型结合
3. 四个落地实践："SDD 章程→模型→代码"的团队协作闭环
3.1 实践一：用 SDD 章程收紧模型范围，明确哪些约束必须在模型中有体现，评审时检查模型是否满足约束
3.2 实践二：需求、模型、测试三线对齐（模型作为唯一数据源，实现需求-设计-测试的自动追溯与一致性检查，避免文档分叉带来的交付风险。）
3.3 实践三：需求变更闭环（在存量系统中以最小代价实现能力增强，通过数字化模型精准定位影响范围，确保变更可控、可回溯、不破坏现有流程。）
4. 从试点到推广
4.1 核心价值总结
4.2 落地路径建议
4.3 未来展望