专场：质效领域Agent实践
随着人工智能技术的飞速发展，智能化的Agent系统逐渐在软件质量和效能领域发挥着不可忽视的作用。质效领域的Agent实践正成为软件开发与运维中的重要工具，尤其是在自动化测试、质量保证、性能优化和资源管理等方面。本次专场将聚焦于Agent在提升软件质量与效能方面的创新实践，邀请业内专家分享他们在智能化Agent应用、工具链集成、质量监控和持续优化等方面的最新成果。我们将深入探讨如何利用Agent技术实现高效的质量管理，如何通过智能化手段提升软件的可靠性、稳定性和用户体验，以及如何借助智能Agent推动数字化转型中的质效融合。本次专场期待与大家共同探讨质效领域Agent的前沿实践，推动行业技术的升级与进步。
专场出品人：刘名威
中山大学 软件工程学院 副教授
中山大学软件工程学院副教授，博士生导师，“逸仙学者计划”新锐学者。研究领域聚焦于软件工程（SE）与人工智能（AI）的交叉领域，尤其在AI4SE和SE4AI方面，包括基于大模型的智能化开发与维护、代码大模型、软件开发知识图谱等。软件工程领域的顶级国际期刊和会议上（如TSE、TOSEM、ICSE、FSE、ASE等）发表了20余篇论文，并荣获了多项奖项，包括IEEE TCSE杰出论文奖（ICSME 2018，CCF-B）和ACM SIGSOFT杰出论文奖（FSE 2023，CCF-A）。
王玉霞
中兴通讯 需求教练
技术质量团队的需求EPG和需求教练，目前主要负责需求领域的能力提升工作，近两年聚焦在AI提效，包括需求分析的优化、知识工程的建设、智能体的开发和应用等。自毕业以来，我一直在中兴通讯工作，曾参与终端产品的测试、需求分析和规划等多个方面的工作。
待定
待定
AI驱动的需求分析新范式：智能体与知识工程的协同创新
在传统软件工程中，需求从描述到实现的过程往往依赖于人工拆解和多角色之间的沟通，这导致了经验依赖、沟通效率低下、描述歧义以及协同困难等问题。本次分享将探讨如何通过AI智能体与知识工程的结合，重塑需求分析的新模式。利用AI智能体可以自动化地解读和拆解原始需求，显著减少因个人经验差异引发的理解偏差。同时，构建一个知识工程体系，将业务知识、产品特性和历史需求以向量库或知识图谱的形式存储，使得AI智能体在需求分析过程中能够迅速调用相关知识，为各环节提供准确的支持。最终实现需求从产生到实现的全过程高效、精准处理，为软件工程的需求分析带来创新解决方案，推动软件开发向智能化、高效化发展。
内容大纲
1. 传统需求工程的挑战与AI驱动的解决方案
1.1 需求传递中的信息衰减与领域鸿沟
1.2 从"人工翻译"到"知识增强型智能体协作"的范式转变
2. 知识工程的构建与智能体赋能
2.1 知识工程在需求工程中的应用实践
2.2 业务和产品知识库设计的关键要素与方法
3. 多智能体协作新范式
3.1 智能体的角色分配与协作机制
3.2 需求Agent的分层设计理念
4. 实战案例与新范式对未来组织形态的影响
4.1 需求工程提升的量化成果
4.2 新范式应用推广
4.3 新范式对组织结构与个人角色的重塑
听众收益
1. 看见AI研发范式的落地路径：掌握从知识工程到智能体协作的完整框架，超越“单一AI工具”的限制
2. 获取可迁移的方法论：学习需求知识构建和多智能体协作设计等关键技术，适应多种业务场景
3. 规避AI落地典型陷阱：通过真实案例深入理解知识演化和需求-架构一致性的实战经验
内容大纲
1. 传统需求工程的挑战与AI驱动的解决方案
1.1 需求传递中的信息衰减与领域鸿沟
1.2 从"人工翻译"到"知识增强型智能体协作"的范式转变
2. 知识工程的构建与智能体赋能
2.1 知识工程在需求工程中的应用实践
2.2 业务和产品知识库设计的关键要素与方法
3. 多智能体协作新范式
3.1 智能体的角色分配与协作机制
3.2 需求Agent的分层设计理念
4. 实战案例与新范式对未来组织形态的影响
4.1 需求工程提升的量化成果
4.2 新范式应用推广
4.3 新范式对组织结构与个人角色的重塑
听众收益
1. 看见AI研发范式的落地路径：掌握从知识工程到智能体协作的完整框架，超越“单一AI工具”的限制
2. 获取可迁移的方法论：学习需求知识构建和多智能体协作设计等关键技术，适应多种业务场景
3. 规避AI落地典型陷阱：通过真实案例深入理解知识演化和需求-架构一致性的实战经验
牛舒怡
支付宝 算法工程师
蚂蚁集团算法工程师，目前主要负责支付宝工程效能团队的智能问答项目的算法能力建设，建设支付宝的全栈式智能研发平台，通过深度整合代码资产、业务数据与文档知识，实现业务逻辑的智能理解与推理，降低跨团队沟通成本。
待定
待定
领域知识管理与智能问答Agent
在研发测试等垂直领域中，知识管理面临两大核心挑战：知识资产与用户问题的语义鸿沟以及跨文档推理能力缺失。传统RAG方案依赖文档片段检索，难以应对复杂场景（如多源知识关联、专业术语与用户口语的语义对齐、需要多步推理的综合性问题）。例如，蚂蚁内部知识库中，组件配置信息分散在不同文档，用户提问时难以精准定位；同时，一线答疑中60%以上的问题需结合多个文档甚至代码逻辑才能解决，但现有方案检索效率低、召回碎片化。
核心痛点在于：知识资产无组织、检索逻辑单一、缺乏对领域逻辑的深度理解。本议题聚焦通过知识体系化构建与智能检索增强，提出基于GraphRAG的LightRAG框架与DeepSearch技术，实现从“被动检索”到“主动推理”的升级，解决复杂领域问答场景中的语义对齐、跨文档关联与推理难题。
内容大纲
1. 领域知识管理的挑战与破局思路
1.1 痛点拆解：碎片化知识 vs 复杂用户需求
1.1.1 案例：组件配置问题因专业术语与用户描述差异导致检索失效
1.1.2 数据：传统RAG在跨文档场景下召回率不足40%
1.2 破局方向：知识体系化 + 检索智能化
1.2.1 亮剑：从“文档管理”到“知识图谱化”，从“单轮检索”到“推理式搜索”
2. 领域知识管理：基于图谱的知识体系化构建
2.1 业务知识图谱的增量式构建
2.1.1 动态实体抽取：融合领域术语库与LLM的混合实体识别技术
2.1.2 关系标签自动抽取：基于用户行为反馈的标签权重优化（支持增量更新，降低维护成本30%）
2.2 双层检索机制设计
2.2.1 Local检索：基于用户Query关键词的实体子图匹配（解决快速定位）
2.2.2 Global检索：关系标签驱动的语义扩展（解决跨文档关联问题，召回率提升至68%）
2.2.3 Hybrid模式：动态权重融合策略（线上问题解决率提升25%）
3. DeepSearch：推理型问题的智能解题引擎
3.1 检索Agent的迭代式搜索框架
3.1.1 多轮检索策略：基于知识图谱的路径推理（支持“组件A依赖组件B配置”类问题）
3.1.2 工具调用机制：代码知识库与文档实体的对齐（案例：通过API调用链反推配置项）
3.2 语义鸿沟跨越技术
3.2.1 Auto-Tagging：Query与知识标签的语义对齐（减少人工标注依赖）
3.2.2 上下文感知重写：基于用户画像的Query扩展（解决口语化问题与专业文档的匹配）
4. 落地实践与效能提升
4.1 蚂蚁内部场景验证
4.1.1 指标：复杂问题解决率及平均响应时间
4.1.2 案例：通过LightRAG+DeepSearch实现跨5个文档的配置推理问题自动解答
4.2 通用化能力输出
4.2.1 支持低代码配置的知识体系构建工具链
4.2.2 开源框架适配：与LangChain、LlamaIndex的集成方案
听众收益
1. 启发：垂直领域知识管理的体系化建设路径，避免“重模型轻知识”的陷阱
2. 技术借鉴：GraphRAG的轻量化落地方案（LightRAG）、DeepSearch的推理框架设计
3. 直接采用：双层检索机制、Auto-Tagging实现代码、增量式知识图谱构建工具
4. 少走弯路：踩坑经验分享（如实体对齐的冷启动问题、混合检索的权重调优策略）
核心痛点在于：知识资产无组织、检索逻辑单一、缺乏对领域逻辑的深度理解。本议题聚焦通过知识体系化构建与智能检索增强，提出基于GraphRAG的LightRAG框架与DeepSearch技术，实现从“被动检索”到“主动推理”的升级，解决复杂领域问答场景中的语义对齐、跨文档关联与推理难题。
内容大纲
1. 领域知识管理的挑战与破局思路
1.1 痛点拆解：碎片化知识 vs 复杂用户需求
1.1.1 案例：组件配置问题因专业术语与用户描述差异导致检索失效
1.1.2 数据：传统RAG在跨文档场景下召回率不足40%
1.2 破局方向：知识体系化 + 检索智能化
1.2.1 亮剑：从“文档管理”到“知识图谱化”，从“单轮检索”到“推理式搜索”
2. 领域知识管理：基于图谱的知识体系化构建
2.1 业务知识图谱的增量式构建
2.1.1 动态实体抽取：融合领域术语库与LLM的混合实体识别技术
2.1.2 关系标签自动抽取：基于用户行为反馈的标签权重优化（支持增量更新，降低维护成本30%）
2.2 双层检索机制设计
2.2.1 Local检索：基于用户Query关键词的实体子图匹配（解决快速定位）
2.2.2 Global检索：关系标签驱动的语义扩展（解决跨文档关联问题，召回率提升至68%）
2.2.3 Hybrid模式：动态权重融合策略（线上问题解决率提升25%）
3. DeepSearch：推理型问题的智能解题引擎
3.1 检索Agent的迭代式搜索框架
3.1.1 多轮检索策略：基于知识图谱的路径推理（支持“组件A依赖组件B配置”类问题）
3.1.2 工具调用机制：代码知识库与文档实体的对齐（案例：通过API调用链反推配置项）
3.2 语义鸿沟跨越技术
3.2.1 Auto-Tagging：Query与知识标签的语义对齐（减少人工标注依赖）
3.2.2 上下文感知重写：基于用户画像的Query扩展（解决口语化问题与专业文档的匹配）
4. 落地实践与效能提升
4.1 蚂蚁内部场景验证
4.1.1 指标：复杂问题解决率及平均响应时间
4.1.2 案例：通过LightRAG+DeepSearch实现跨5个文档的配置推理问题自动解答
4.2 通用化能力输出
4.2.1 支持低代码配置的知识体系构建工具链
4.2.2 开源框架适配：与LangChain、LlamaIndex的集成方案
听众收益
1. 启发：垂直领域知识管理的体系化建设路径，避免“重模型轻知识”的陷阱
2. 技术借鉴：GraphRAG的轻量化落地方案（LightRAG）、DeepSearch的推理框架设计
3. 直接采用：双层检索机制、Auto-Tagging实现代码、增量式知识图谱构建工具
4. 少走弯路：踩坑经验分享（如实体对齐的冷启动问题、混合检索的权重调优策略）
蒋文嘉
西湖大学 AGI实验室 研究助理
AppAgentX作者
西湖大学 AGI 实验室 Agent 方向研究员，师从张驰教授。长期专注于 LLM 以及Agent 领域的研究，致力于探索大模型在智能体方向的创新应用研究。作为 AppAgentX 的作者，深度参与 AppAgent 系列科研工作，在智能体环境交互、任务规划与执行等方面取得了重要进展。研究内容涵盖多模态智能体、自动化任务代理及大模型增强推理能力等前沿方向。积极推动 LLM Agent 在实际应用中的落地，推动智能体技术在科研与产业领域的发展。
待定
待定
驱动GUI智能体从智能化到高效化的实践探索
1. 现有GUI agent的不足与痛点
1.1 LLM（大语言模型）驱动的Agent在任务执行过程中仍然面临决策链过长、执行低效等问题。
1.2 GUI交互操作缺乏学习与记忆能力，每次操作都需要重新推理，导致响应速度较慢、计算资源消耗高。
2. 关键思考方向
2.1 如何让GUI智能体像人类用户一样，通过长期交互形成“肌肉记忆”，降低重复推理的成本？
2.2 如何通过自适应优化，让GUI智能体在不同应用环境中都能高效工作，而不受特定界面布局限制？
1.1 LLM（大语言模型）驱动的Agent在任务执行过程中仍然面临决策链过长、执行低效等问题。
1.2 GUI交互操作缺乏学习与记忆能力，每次操作都需要重新推理，导致响应速度较慢、计算资源消耗高。
2. 关键思考方向
2.1 如何让GUI智能体像人类用户一样，通过长期交互形成“肌肉记忆”，降低重复推理的成本？
2.2 如何通过自适应优化，让GUI智能体在不同应用环境中都能高效工作，而不受特定界面布局限制？
内容大纲
1. LLM 时代下 GUI Agent 的崛起
1.1 传统 GUI 自动化的局限
1.2 LLM 赋能 GUI 自动化的核心优势
2. GUI智能体任务执行低效问题分析
2.1 传统方法的局限
2.2 低效执行的具体表现
3. 从智能化到高效化——技术方案演进
3.1 记忆载体的选择
3.2 引入“进化机制”优化Agent决策
3.3 技术选型与架构设计
3.4 量化成果分析
4. 工程实践中的挑战与未来
4.1 Agent框架选择与取舍
4.2 智能与高效的平衡
4.3 仍然存在的挑战
听众收益
1. 学习如何通过进化型智能体提升软件质效
2. 借鉴GUI Agent在不同应用场景中的实践经验
3. 学习Agent应用在“稳定性 vs 智能化”之间的平衡策略
查斌（花名：良徽）
阿里巴巴淘天集团 高级测试开发工程师
阿里巴巴淘天集团高级测试开发工程师，4年阿里工作经验、负责交易场景质量保障和效能工具开发。
待定
待定
Agent驱动测试效能革命：全链路造数/排查智能化实践
在电商特别是交易营销的测试工作中，数据构造的复杂性、问题排查的耗时性以及测试场景的多变性一直是效率提升的核心瓶颈。为此我们，聚焦“数据构造”与“问题答疑”两大核心功能，通过AI为测试全流程注入智能化能力。并依托平台能力在智能、精准、闭环和场景泛化上取得实质性进展。
内容大纲
1. 项目背景
1.1 问题背景
1.2 问题分析
2. 大模型以及Agent调研
2.1 测试数据构造场景分析
2.2 大模型以及Agent可行性调研
2.3 大模型Agent可行性调研结论
3. 可行性方案设计
3.1 产品方案设计
3.2 技术方案设计
4. 项目挑战和策略
4.1 挑战1：解决策略
4.2 挑战2：解决策略
4.3 挑战3：解决策略
4.4 挑战4：解决策略
5. 项目结果和沉淀
5.1 核心突破点：沉淀一套测试领域通用Agent搭建平台，支持数据构造和问题排查Agent快速构建
6. 未来展望
6.1 持续丰富场景
6.2 降低使用门槛
6.3 提高召回能力
6.4 探索新的方向
1. 项目背景
1.1 问题背景
1.2 问题分析
2. 大模型以及Agent调研
2.1 测试数据构造场景分析
2.2 大模型以及Agent可行性调研
2.3 大模型Agent可行性调研结论
3. 可行性方案设计
3.1 产品方案设计
3.2 技术方案设计
4. 项目挑战和策略
4.1 挑战1：解决策略
4.2 挑战2：解决策略
4.3 挑战3：解决策略
4.4 挑战4：解决策略
5. 项目结果和沉淀
5.1 核心突破点：沉淀一套测试领域通用Agent搭建平台，支持数据构造和问题排查Agent快速构建
6. 未来展望
6.1 持续丰富场景
6.2 降低使用门槛
6.3 提高召回能力
6.4 探索新的方向
听众收益
通过分享，与会同学可以结合实际案例，获得AI提升研发效能实践的思考、落地、优化思路。对AI技术推动工程效能、测试开发效能带来新的启发。
揭光发
腾讯 专家工程师
腾讯云 架构师联盟社群管理主席
19年研发与团队管理经验，前腾讯云TVP，现腾讯全栈技术专家，公司级低代项目负责人，是IEEE低代码标准及大湾区企业低代码标准的主撰写人，大模型应用早期实践者与布道师，在低代码与LLM结合场景有深度的实践。在团队中深度践行LLM对研发提效，个人代码中AI含量达90+%。珠三角技术沙龙前任主席，国内顶级行业及技术峰会担任大模型相关话題讲师或出品人10+次。
待定
待定
Agent工具管理与MCP实践
随着AI Agent技术的快速发展，智能体与数字世界的交互需求呈指数级增长，但工具集成碎片化、接口标准不统一等问题严重制约了生态发展。开发者需为每个外部系统（如数据库、API、脚本）单独编写适配代码，效率低下。
为此，我们通过抽象统一的工具标准与可视化的管理界面，为Agent开发者提供了一套工具接入平台：
1. 异构工具统一治理：通过标准化接口封装数据库、API等异构工具，提供统一的权限管理、调用监控和故障隔离机制
2. 动态扩展架构：支持开发者快速接入新工具并支持版本管理
3. Agent无感调用：AI Agent通过平台抽象层使用工具，无需感知工具部署位置（本地/云端）或通信协议差异
为此，我们通过抽象统一的工具标准与可视化的管理界面，为Agent开发者提供了一套工具接入平台：
1. 异构工具统一治理：通过标准化接口封装数据库、API等异构工具，提供统一的权限管理、调用监控和故障隔离机制
2. 动态扩展架构：支持开发者快速接入新工具并支持版本管理
3. Agent无感调用：AI Agent通过平台抽象层使用工具，无需感知工具部署位置（本地/云端）或通信协议差异
MCP协议发布后，我们快速拥抱MCP，并实现了Agent工具平台与MCP的双向兼容升级
4. 平台新增MCP转换层，既可将现有工具一键发布为MCP Server，又能将远程MCP工具映射为平台原生工具
4. 平台新增MCP转换层，既可将现有工具一键发布为MCP Server，又能将远程MCP工具映射为平台原生工具
内容大纲
1. Agent工具管理的挑战
2. Agent工具管理平台的核心设计
2.1 异构工具统一治理
2.2 动态扩展架构
2.3 Agent无感调用
3. MCP协议与Agent工具平台的融合实践
3.1 MCP协议的是与非
3.2 平台与MCP的双向兼容升级
听众收益
1. 了解企业级Agent工具平台的设计思路
2. MCP在企业Agent应用中的不足与优化手段
关注QECon公众号
关注QECon视频号
议题投稿
lijie@qecon.net
票务联系
159-0126-5561 小娟
媒体合作
135-1619-6409 皮皮
商务合作
151-2264-3988 木子
购票咨询
15901265561 小娟
