专场：质效领域Agent实践
聚焦AI Agent在质量保障与效能提升中的创新应用。我们将深入探讨Agent在自动化测试、缺陷识别、代码审查、知识问答、流程协同等质量场景的实战案例，以及在开发、测试交付等效能场景中的落地实践。通过真实业务应用分享，展示智能Agent如何驱动质效双提升，助力企业实现研发智能化转型。
专场出品人：王鹏
前蚂蚁集团 支付宝 质量总监
先后就职于腾讯、蚂蚁集团,历任担任数字金融线智能风险与工程团队负责人、蚂蚁保质量与风险总监、支付宝商开质量总监等岗位，资深测试开发专家，擅长DevOps体系建设、智能化风险保障和互联网业务质量保障。
宋鑫
去哪儿网 高级java开发工程师
在基础架构下基础平台团队担任高级java开发工程师，主要参与负责测试环境管理，全链路压测平台。对AI Agent有深入了解，2025年开始探索AI Agent在企业中的应用与实践。
待定
待定
SQL Agent在去哪网的落地实践
在旅游行业，海量数据与复杂业务逻辑带来了表结构复杂、表信息冗余、多表关联及动态条件嵌套等挑战，导致产运研同学难以快速获取所需信息，需求因此堆积，业务迭代速度受阻。为解决这一痛点，去哪儿网结合自身业务场景，基于当下流行的 Agent 技术，落地了一套 SQL Agent，实现从自然语言到精准 SQL 的自动转化。
本议题将深入解析该系统的核心技术，分享 SQL Agent 从 0 到 1、再到 100 的完整迭代历程。内容涵盖领域术语增强、歧义分析与问题拆解、Agent方案以及知识库方案设计，以及如何突破语义理解和复杂查询的SQL生成难题；同时揭秘多表关联优化、查询纠错等工程实践方案。项目上线后，显著提升了产品力和用户体验，SQL Agent查询准确率达到 90% 以上。
通过真实案例与数据，本议题将展示 AI Agent 如何降低数据使用门槛，大幅提高产运取数效率，并为其他企业落地 SQL Agent 提供可复用的方法论参考。
本议题将深入解析该系统的核心技术，分享 SQL Agent 从 0 到 1、再到 100 的完整迭代历程。内容涵盖领域术语增强、歧义分析与问题拆解、Agent方案以及知识库方案设计，以及如何突破语义理解和复杂查询的SQL生成难题；同时揭秘多表关联优化、查询纠错等工程实践方案。项目上线后，显著提升了产品力和用户体验，SQL Agent查询准确率达到 90% 以上。
通过真实案例与数据，本议题将展示 AI Agent 如何降低数据使用门槛，大幅提高产运取数效率，并为其他企业落地 SQL Agent 提供可复用的方法论参考。
内容大纲
1. 项目背景
1.1 当前去数效率低问题分析
1.2 问题拆解
1.3 解决方案
1.4 数据治理方式概述
2. SQL Agent方案演进与设计
2.1 初步探索
2.2 规则扩充：让Agent更完善
2.3 首次拆分，让Agent“负担减轻”
2.4 React机制，让Agent 思考后再行动
2.5 从模糊到具体，让 Agent 理解的更加透彻
2.6 用户参与，让用户进行微调
2.7 从歧义到明确，修正用户表述
2.8 Agent大脑的替换
2.9 自迭代-如何让Agent 越来越“聪明”
2.10 知识库的迭代流程
2.11 用户视角的“SQL Agent”
2.12 “SQL Agent”流程全景图
3. 落地效果与经验总结
3.1 落地效果展示
3.2 经验总结
4. 未来展望
听众收益
1. 了解复杂场景下Agent的最佳实践。
2. 了解企业实践中Agent调优技巧。
3. 获取企业级SQL Agent的完整落地路径，涵盖需求分析、模型选型、效果评估到持续迭代的全流程。
4. 深入解析垂直领域NLP2SQL核心技术架构，揭秘旅游行业复杂查询语句的语义理解难题突破点。
陈佳
腾讯 tds-Rightly应用合规负责人
腾讯 TDS 团队客户端开发专家，现全面负责 tds-Rightly 应用合规平台的规划、研发与运营。从 2022 年起，与团队共同完成合规检测与监控体系的「从 0 到 1」建设，打造覆盖代码、灰度到线上全链路的高质量检测、监控与防劣化机制，为 QQ、腾讯视频、腾讯新闻、QQ浏览器等数几十款千万级别用户产品持续输出稳定、高效的合规能力。在业务实践中，率先将生成式 AI 模型引入合规流程，深度融合「AI+自动化+云真机」技术栈，在权限合规、信息收集、系统能力调用等关键场景实现分钟级级回归与风险预警。此前，曾负责 QQ 启动性能、稳定性优化与模块化重构等核心基础架构工作，拥有多年客户端开发与测试经验，擅长以自动化与数据化手段解决业务基建和质量防劣化难题。
待定
待定
GUI Agent 驱动的全端 App 合规判定全流程
传统自动化测试往往围绕单一 App 以脚本维护用例，既难以支撑上百款应用的合规回归，也无法跨越原生、Flutter、WebView 乃至游戏等多形态 UI 差异；市面上新兴的 AI+测试工具同样停留在“如何更快生成本 App 用例”的局部最优，无法满足法规驱动、规则刚性的批量检测需求。为解决“固定规则、海量 App、异构界面、短时完成”的多重矛盾，我们自 2023 年起持续推进合规检测 AI 化——以大语言模型理解页面语义与法规条款，结合统一 GUI Agent 抽象不同渲染框架的元素树，再通过云真机弹性调度执行操作。2024 年重构后的 GUI Agent 已将视觉-语义识别、规则引擎和执行闭环打通，使全量合规用例迁移率快速提升、平均检测耗时大幅缩短，节约大量的人工审核人力。
内容大纲
1. 背景介绍：合规检测自动化框架和传统单一App的区别，为什么要建设通用型自动化测试框架
2. GUI Agent的架构介绍
3. 如何让AI理解不同的App
4.【找到主界面】- 规则与AI并存
5.【找寻登录页】- 让AI和人一样使用App
6.【看看合规了么】- 如何让AI理解设计语言
7.【变身成为法务】AI的文本+图片识别方案
8.【让AI玩游戏】下一代纯视觉通用方案
9. GUI Agent效果演示
听众收益
1. 透视合规难点与风险：系统梳理常见隐私、弹窗、未成年人保护等法规要求如何映射到具体 UI 元素，帮助研发 / 测试人员准确识别高风险页面与组件。
2. 学到 GUI Agent 核心实现：拆解“法律条款 DSL → LLM/RAG 语义解析 → Vision-UI 匹配 → 动作规划 → 合规判定”全链路，实现法规到像素级定位与自动审查。
3. 掌握跨端自动化方法：深入解析 Android、iOS、鸿蒙以及小程序在可访问性树、布局层级、控件语义上的差异与共性，学会构建“一套 Agent、多端适配”的技术框架。
内容大纲
1. 背景介绍：合规检测自动化框架和传统单一App的区别，为什么要建设通用型自动化测试框架
2. GUI Agent的架构介绍
3. 如何让AI理解不同的App
4.【找到主界面】- 规则与AI并存
5.【找寻登录页】- 让AI和人一样使用App
6.【看看合规了么】- 如何让AI理解设计语言
7.【变身成为法务】AI的文本+图片识别方案
8.【让AI玩游戏】下一代纯视觉通用方案
9. GUI Agent效果演示
听众收益
1. 透视合规难点与风险：系统梳理常见隐私、弹窗、未成年人保护等法规要求如何映射到具体 UI 元素，帮助研发 / 测试人员准确识别高风险页面与组件。
2. 学到 GUI Agent 核心实现：拆解“法律条款 DSL → LLM/RAG 语义解析 → Vision-UI 匹配 → 动作规划 → 合规判定”全链路，实现法规到像素级定位与自动审查。
3. 掌握跨端自动化方法：深入解析 Android、iOS、鸿蒙以及小程序在可访问性树、布局层级、控件语义上的差异与共性，学会构建“一套 Agent、多端适配”的技术框架。
刘劲松
字节跳动 资深测试开发工程师
字节跳动中台业务架构团队质量负责人，主要负责多个公司级架构产品的质量工程及稳定性工程建设，保障抖音、头条、电商、生活服务等核心业务在架构产品层面的高可用。MTSC年度优秀开源项目Conan负责人；曾多次受邀在行业技术大会做质量工程，质效体系建设相关分享。
待定
待定
AI Agent新引擎-千万流量下架构团队稳定性工程智能化探索
用户规模增长见顶、流量红利消退的存量时代，行业发展正从粗放扩张加速转向以产品体验、技术沉淀、用户价值深耕为核心的精细化升级阶段。值得关注的是，这一过程中头部大厂重大事故仍频发，根源在于「成本效率与稳定性平衡」的核心矛盾。随着 AI 技术向 AI Agent 阶段演进，具备环境感知、任务规划与执行能力的 Agent为稳定性工程的演进提供更多可能 ，作为字节的平台型架构团队如何借助AI能力，通过与稳定性工程的深度融合，在技术风险扫描、风险感知、变更风险管控、容量劣化、容灾合理性等事项提供智能化洞察与治理能力。
内容大纲
1. 团队简介趋势分析
1.1 业务&质效工程简介
字节API层网关+基础业务服务+单元化多租户架构解决方案+多类型服务研发平台在业务应用场景与特点，面临的挑战，存在哪些痛点问题（洞察分析，开发成本，人力投入等）
2. 多Agent开发与原有工程的融合
2.1 已有稳定性工程的建设
架构稳定性工程的建设，具备哪些能力，解决的问题是什么，解决的程度如何
2.2 与理想态的差距如何消弥
结合AI技术演进趋势（预测式-生成式-AI Agent），到现阶段Agent爆发来看，带来了哪些机会，如何结合业务诉求找到破局点。Agent在稳定性工程中的角色与融合方式（Embedding｜Copilot｜Agent）
3. 核心突破——变更场景Agent值守的技术实现
3.1 痛点导向设计：解决变更信息可读性、变更影响范围评估、基于影响范围的精准检测、变更异常的处理 、变更总结 关键技术实现：
- Agent应用框架选型（langchain｜langGraph｜eino）+ 架构选型（ReAct架构）
- Context Engineering：Prompt Template + RAG + 结构化输出约束，如何保证变更摘要准确性
- Function Calling（自定义tools）+ MCP，获取关键信息具备执行能力
- Agent的可观测能力+链路分析
- 数据飞轮：数据集->评测集->微调训练集
- 数据回流+微调过程，如何低成本构造高质量数据集，模型SFT，准召率情况
4. 洞察分析--洞察Agent降低稳定性量化的复杂度
4.1 稳定性洞察工程建设，复杂度哪里比较高，Agent是如何解决其中一部分问题
4.2 洞察Agent：定位（风险预判）、核心模块（实时指标采集/风险规则引擎/决策中枢）
4.3 多视角覆盖：业务视角，服务视角，核心链路视角的多维度洞察
5. 实践成效带来的实际业务价值
5.1 抖音｜头条｜电商｜生服等字节核心业务的实际收益
5.2 团队内部的实际收益
6. 未来展望
6.1 技术演进路线：短期-中期-长期，Agent的Scaling law
6.2 Q&A+结语：技术价值核心，AI原生的未来已来
听众收益
1. 面对相同挑战的团队如何破局，少走弯路
2. 借鉴具体Agent技术实现，关键能力如何做强
3. 带来一些思考，趋势的分析和判断，如何在“成本与效率”有限的情况下做面向未来的投资
内容大纲
1. 团队简介趋势分析
1.1 业务&质效工程简介
字节API层网关+基础业务服务+单元化多租户架构解决方案+多类型服务研发平台在业务应用场景与特点，面临的挑战，存在哪些痛点问题（洞察分析，开发成本，人力投入等）
2. 多Agent开发与原有工程的融合
2.1 已有稳定性工程的建设
架构稳定性工程的建设，具备哪些能力，解决的问题是什么，解决的程度如何
2.2 与理想态的差距如何消弥
结合AI技术演进趋势（预测式-生成式-AI Agent），到现阶段Agent爆发来看，带来了哪些机会，如何结合业务诉求找到破局点。Agent在稳定性工程中的角色与融合方式（Embedding｜Copilot｜Agent）
3. 核心突破——变更场景Agent值守的技术实现
3.1 痛点导向设计：解决变更信息可读性、变更影响范围评估、基于影响范围的精准检测、变更异常的处理 、变更总结 关键技术实现：
- Agent应用框架选型（langchain｜langGraph｜eino）+ 架构选型（ReAct架构）
- Context Engineering：Prompt Template + RAG + 结构化输出约束，如何保证变更摘要准确性
- Function Calling（自定义tools）+ MCP，获取关键信息具备执行能力
- Agent的可观测能力+链路分析
- 数据飞轮：数据集->评测集->微调训练集
- 数据回流+微调过程，如何低成本构造高质量数据集，模型SFT，准召率情况
4. 洞察分析--洞察Agent降低稳定性量化的复杂度
4.1 稳定性洞察工程建设，复杂度哪里比较高，Agent是如何解决其中一部分问题
4.2 洞察Agent：定位（风险预判）、核心模块（实时指标采集/风险规则引擎/决策中枢）
4.3 多视角覆盖：业务视角，服务视角，核心链路视角的多维度洞察
5. 实践成效带来的实际业务价值
5.1 抖音｜头条｜电商｜生服等字节核心业务的实际收益
5.2 团队内部的实际收益
6. 未来展望
6.1 技术演进路线：短期-中期-长期，Agent的Scaling law
6.2 Q&A+结语：技术价值核心，AI原生的未来已来
听众收益
1. 面对相同挑战的团队如何破局，少走弯路
2. 借鉴具体Agent技术实现，关键能力如何做强
3. 带来一些思考，趋势的分析和判断，如何在“成本与效率”有限的情况下做面向未来的投资
项旭
贝壳找房 研效中心 高级总监
在研发效能提升及相关技术领域深耕多年，曾任职于腾讯，现贝壳找房，一直致力于以AI驱动+系统化+数据驱动的方式全面提升研发效率与工程质量，主导多项企业级研发效能基础设施核心产品的设计与落地，其中，CodeLink平台通过国家首批智能编码认证，技术实力获权威认可。并深度参与行业建设，推动flame-code-vlm模型开源，发布多栈技术白皮书，参与软件工程行业标准制定。
待定
待定
构建AI原生研发闭环：贝壳产研提效Agent全景实践
本演讲将分享贝壳如何通过自研的四大AI Agent（Moma, CodeLink, LinkSpace，EasyQ）构建端到端的AI驱动产研工作体系。我们将深入探讨每个Agent在需求设计、代码生成、测试用例设计及团队协作中的具体落地场景、带来的效能提升指标以及实践中遇到的挑战与解决方案。为听众提供一个可参考、可落地的AI产研提效全景图。
内容大纲
1. 引言：产研提效的下一站——Agent协同智能
1.1 当前软件研发面临的效率与质量挑战
1.2 AI大模型从“副驾驶”到“智能体”的范式转变
1.3 介绍我公司AI Agent矩阵的整体构想与定位
2. 四大智能Agent的落地实践与深度解析
2.1 Moma需求设计Agent：从模糊想法到精准PRD、高保真原型图和独立轻应用
2.2 CodeLink智能编码Agent：深度理解上下文的新一代编码伙伴
2.3 EasyQ智能测试Agent：让测试用例和测试方案智能化
2.4 LinkSpace智能办公Agent：让个人拥有一支专属的AI数字员工团队，帮你完成繁琐办公事务，让个体聚焦高价值事项。
3. 挑战与进化：AI落地过程中的思考
3.1 遇到的挑战：准确性问题、幻觉处理、安全与合规、团队接受度
3.2 我们的解决方案：精准化的知识库建设、人工审核闭环、持续反馈调优机制
4. 未来展望：构建自我进化的智能研发组织
4.1 单一Agent到Agent Network的演进：Agent之间如何自主协作
4.2 数据飞轮与模型迭代：如何利用落地数据反哺Agent进化
4.3 对研发组织架构和工程师能力的重新定义
内容大纲
1. 引言：产研提效的下一站——Agent协同智能
1.1 当前软件研发面临的效率与质量挑战
1.2 AI大模型从“副驾驶”到“智能体”的范式转变
1.3 介绍我公司AI Agent矩阵的整体构想与定位
2. 四大智能Agent的落地实践与深度解析
2.1 Moma需求设计Agent：从模糊想法到精准PRD、高保真原型图和独立轻应用
2.2 CodeLink智能编码Agent：深度理解上下文的新一代编码伙伴
2.3 EasyQ智能测试Agent：让测试用例和测试方案智能化
2.4 LinkSpace智能办公Agent：让个人拥有一支专属的AI数字员工团队，帮你完成繁琐办公事务，让个体聚焦高价值事项。
3. 挑战与进化：AI落地过程中的思考
3.1 遇到的挑战：准确性问题、幻觉处理、安全与合规、团队接受度
3.2 我们的解决方案：精准化的知识库建设、人工审核闭环、持续反馈调优机制
4. 未来展望：构建自我进化的智能研发组织
4.1 单一Agent到Agent Network的演进：Agent之间如何自主协作
4.2 数据飞轮与模型迭代：如何利用落地数据反哺Agent进化
4.3 对研发组织架构和工程师能力的重新定义
亢江妹
Thoughtworks AI创新服务 总监咨询顾问
Thoughtworks 总监咨询顾问，15年以上跨行业的大型企业产品管理经验，当前专注于AI与BizDevOps、AI辅助产品探索与设计、AI辅助需求分析与领域建模、AI业务场景探索与规划、AI开放能力平台设计规划、提示工程和AI产品管理赋能培训、企业AI文化打造、企业AI战略设计等咨询工作
待定
待定
面向 Software 3.0 Agent 产品的交互设计
在以Agent为核心的Software 3.0时代，一个Agent的成功并不仅仅取决于其底层技术；优秀的交互体验并非“锦上添花”，而是决定其信任度、采纳率和最终价值的核心要素。本次分享将从定义“好”的Agent出发，探讨交互设计的三大原则，并结合实例拆解任务启动、过程协作与结果交付阶段的关键模式，旨在为大家提供一套可参考、实用的Agent产品体验设计思路。
内容大纲
1. 以Agent为核心的Software 3.0工具平台
1.1 全景图： 描绘以Agent为中心的新一代BizDevOps工具平台。
1.2 高潜力Agent： 探讨Coding之外，在原型设计、架构、CI/CD等领域的机遇。
1.3 定义卓越： 如何用黄金标准（如HAS量表）来定义一个“好”的Agent。
2. Agent 交互设计的三大基石原则
原则一： 透明可释 (Transparency & Explainability)
原则二： 认知减负 (Cognitive Unloading)
原则三： 人在环路 (Human-in-the-Loop)
3. 结合实例：交互设计的模式与要点
3.1 任务启动阶段： 通过“澄清”与“上下文匹配”精准捕捉意图。
3.2 过程协作阶段： 通过“思考外显”与“暂停反馈”建立信任。
3.3 结果交付阶段： 通过“环境/工具流适配”降低用户上下文切换成本。
4. 总结与Q&A
陈成禧
趣丸科技 架构师
广州趣丸网络科技 架构师，十多年研发经验，在稳定性、可观测领域有丰富的建设经验，目前主要负责运维平台及效能度量项目建设，对智能体开发有较丰富的实践经验，同时有线上（观察体系建设）、线下（运维智能体建设）对外分享经验。
待定
待定
大模型驱动的质效数据深度洞察
当前一般研发团队要对质效数据进行洞察时，在指标体系建设后，仍需要投入大量的人力及时间去对指标进行建模以及基于专家的经验开发固定程序进行洞察。
随着大模型技术的成熟，其能力不断提高，成本不断下降，涌现出不少优秀的Deep Research产品，如manus.im, OpenManus等，其原理基本都是搜索外网信息-》分析总结-》生成报告。
因此，我们可以将内部的质效数据和效能专家的经验作为输入，让大模型基于自然语言的对话进行自动分析总结并输出质效报告。
虽然基本原理差不多，但做出来的效果可能存在千差万别，如何才能做出更符合质效洞察场景的Deep Research产品呢？
本分享议题就是以上述背景和思考为方向，分享在落地过程中碰到的问题和解决方案，以及分享最终效果。
随着大模型技术的成熟，其能力不断提高，成本不断下降，涌现出不少优秀的Deep Research产品，如manus.im, OpenManus等，其原理基本都是搜索外网信息-》分析总结-》生成报告。
因此，我们可以将内部的质效数据和效能专家的经验作为输入，让大模型基于自然语言的对话进行自动分析总结并输出质效报告。
虽然基本原理差不多，但做出来的效果可能存在千差万别，如何才能做出更符合质效洞察场景的Deep Research产品呢？
本分享议题就是以上述背景和思考为方向，分享在落地过程中碰到的问题和解决方案，以及分享最终效果。
内容大纲
1. 项目背景
1.1 当前质效洞察方式与存在问题
1.2 当前智能化查询数据方式与存在问题
1.3 当前Deep Research方式与存在问题
2. 落地方案
2.1 整体方案（整体实现方案介绍）
2.2 如何生成更准确的SQL（如何提升自然语句转SQL的准确率）
2.3 如何让模型生成的报告更可控（如果提升效能洞察报告的一致性）
2.4 智能体开发经验总结
3. 效果展示（视频展示）
4. 未来展望
4.1 MCP工具支持，扩展成为质效助手
4.2 自学习，自我提升效果（基于用户的输入和反馈，大模型总结经验，提升后续处理效果）
听众收益
1. 可了解到现有基于外网搜索结果进行deep research的一般做法
2. 可了解到基于私数的质效数据如何进行deep research
3. 听众可从实施过程中学习到如何调优效果，测评数据
4. 听从可以从中了解大模型应用落地过程中的经验，少走弯路
1. 可了解到现有基于外网搜索结果进行deep research的一般做法
2. 可了解到基于私数的质效数据如何进行deep research
3. 听众可从实施过程中学习到如何调优效果，测评数据
4. 听从可以从中了解大模型应用落地过程中的经验，少走弯路
杨爱文
中兴通讯 产品架构规划师
中兴通讯产品架构规划师兼AI技术教练，负责企业级AI研发工具的开发和创新，推动AI技术在企业内部的工程化落地。具有深厚的实战经验，成功实现AI技术在多项目中的高效应用与规模化推广。
待定
待定
从单点提效到系统智能：多智能体协作在研发领域的落地实践
在需求工程智能化进程中，行业面临工具层孤岛化与知识层碎片化两大核心挑战。单点AI工具效率提升受限于跨系统协同壁垒，导致交付周期延长15%-20%（MIT 2024）；业务经验缺乏有效的知识沉淀，重复消耗造成30%-50%资源浪费（Standish Group）。为此，本分享提出知识工程驱动的智能体协作网络，通过构建多智能体协作网络整合AI工具，打通需求分析到规格说明生成的全链路多轮对话校验机制，解决工具协同断层问题。同时打造动态知识赋能体系实现知识复用与决策赋能，推动需求工程从单点优化向系统化智能升级，助力企业突破效能瓶颈，构建核心竞争力。
内容大纲
1. 业界需求提效的现实困境：工具层孤岛化和知识层碎片化
1.1 工具层孤岛化：各环节 AI 工具独立运行，缺乏有效的工具协同机制，跨工具数据转换消耗大量人工成本
1.2 知识层碎片化：产品战略、用户需求、历史决策等关键知识散落于文档 / 个人经验，缺乏有效的知识沉淀和复用体系。
1.3 历史经验复用缺失：新需求分析无法有效复用已有知识，从而导致重复调研与方案设计，资源浪费问题突出。
2. 破局关键：知识工程驱动的智能体协作网络
2.1 知识工程：构建智能体协作网络的知识中枢
2.2 打造 "知识生产 - 沉淀 - 复用" 全链路闭环，将项目经验转化为可复用资产，形成有效的知识沉淀体系。
2.3 落地项目级向量知识库，实现知识精准、快速调取。
2.4 智能体协作网络：消除工具协同障碍
2.5 构建需求获取、分析、测试等智能体协作链路，实现全流程任务自动流转。
2.6 基于知识图谱的需求要素多轮对话机制，提升需求规格说明的准确性。
3. 实战经验与推广路径
3.1 HR系统实战：多智能体协作驱动需求分析提效实践分享
3.2 知识复用体系构建：打造项目专属私域知识体系，实现智能体能力快速复用
3.3 多智能体协作：打破单智能体能力壁垒，构建需求-测试等智能体协作链路，实现全流程智能化高效协同
听众收益
1. 掌握需求工程的AI提效解决方案： 掌握多智能体协同设计框架，获得全链路 AI 提效方案，解决工具孤岛问题。
2. 获得核心实战方法论： 学会智能体决策规则建模、多轮交互逻辑设计及知识底座搭建技术，形成可落地的工程化方案。
3. 研发转型价值启发： 洞察智能体协同模式下需求工程的重构逻辑，为流程优化、工具集成与能力沉淀提供可复用的方案和经验。
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
186-4907-7637 胡利利
媒体合作
135-1619-6409 皮皮
购票咨询
胡利利 18649077637
