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 PaaS技术创新Lab 大模型技术专家

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。

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