质效领域Agent实践-2025-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

团购享受更多优惠

北京站 · 10月31-11月1日

上海站 · 9月12-13日

深圳站 · 5月23-24日

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：王胜

百度质量效能研发部资深工程师

先后就职于腾讯和百度，专注质效工具的研发，在大数据领域，智能测试领域，白盒领域（代码理解，问题召回等）有较为丰富的工作经验。

唐辉

百度资深工程师

百度工程效能部资深工程师，目前主要负责百度内的大模型产品 Comate AI IDE。在百度内先后建设过40+产品，在前端组件库、工程化、性能优化、体验优化等多个方向均有深入实践。在团队内部，长期参与提效工具研发，提升团队交付效率。

待定

多模态模型驱动前端研发变革

前端工程师在日常工作中，需与产品经理、交互设计师、视觉设计师、服务端工程师等多个角色紧密协作，最终完成图形化界面的开发。在传统研发流程中，跨角色协作往往伴随较高的沟通成本。从多轮的需求、交互与视觉评审，到技术方案调研、视觉还原、响应式布局实现、联调以及测试用例编写，每一个环节均需投入大量时间。如何以更少的时间完成高质量的需求交付，一直是前端工程师及其管理者面临的核心挑战。
我们在团队内全流程研发环节推进了大模型（包括多模态大模型）的落地。过程中虽经历了一些挑战，但也取得了显著成效。

内容大纲
1. 效率与质量的双重挑战
2. 多模态模型破局之道：推动前置环节产出高质需求、借助 Figma to Code 生成界面代码、通过预览工具实现精细调整、配置多种 Hook 组合 Agent 以自动化常规任务、应用多模态模型进行智能 UI 测试等
3. 落地推进策略
4. 总结与未来展望

听众收益
将大模型用于原型设计、界面开发，提升研发效率。

陈军

美团技术专家

美团质效技术部技术专家，目前主要负责美团质效工具建设，对数据构造、精准测试方向有一定的落地实践，AI在质效领域的工程化应用方向上（智能体设计、知识图谱构建）也做了相关的研究与探索。16年加入美团，从事测试开发方向工作。

待定

代码AI Agent在变更影响分析领域的探索与实践

传统测试范围评估的挑战：
1. 高度依赖人工经验（效率低、知识断层、专家资源瓶颈）
2. 复杂依赖难识别（跨服务接口、隐式配置依赖）
3. 测试覆盖盲区（用例设计不完善、多环境差异）
4. 过程资产难沉淀（缺乏可复用知识库）

AI时代的新风险：
1. AI生成代码的不可预知性（逻辑偏差、隐式依赖）
2. AI修改代码的回归测试危机（非目标模块被修改、新逻辑分支缺乏覆盖）
3. 研发评估准确度降低（代码风格多变，传统方式失效）

解决方向：
通过构建代码知识图谱和AI智能体，实现变更影响的自动化分析，结合工程编码与AI泛化能力，提升测试范围评估的精准性。

内容大纲
1. 背景与挑战
1.1 线上问题分布数据（大量问题均由变更影响评估不到位导致）
1.2 传统评估痛点 vs AI时代新风险
2. 代码知识图谱构建
2.1 目标：精准代码关系 + 高效查询能力
2.2 关键技术：代码解析、业务特征工程、图数据库优化
2.3 业务知识挖掘：AI辅助特征清洗/总结/校验
3. 智能体构建与交互
3.1 架构分层：数据层（MySQL/ES/Graph）、基础设施层（AST/链路算法）、应用层（意图识别/流程规划）
3.2 核心能力：意图识别、多轮对话管理、动态工具编排
3.3 交互流程：用户输入→意图识别→工具执行→结果聚合
4. 阶段成果与演进方向
4.1 拦截缺陷分布；
4.2 未来优化：知识处理增强、多语言支持、需求-代码追踪矩阵

听众收益
1. 直接成效：
1.1 降低测试逃逸率：通过精准影响范围分析，拦截变更相关问题（如配置遗漏、兼容性风险）
1.2 提升效率：AI智能体实时生成测试建议，减少人工评估时间
2. 可复用的技术经验：
2.1 业务特征工程：AI辅助打标业务属性（如接口含义、风险特征），增强图谱实用性
2.2 智能体设计：分层Prompt管理、规则引擎消解模糊意图、动态工具编排（DAG优化）
2.3 知识沉淀：将分析结论转化为数字资产，解决知识传承难题
3. 量化数据参考：
3.1 拦截问题分布
3.2 关键指标：意图识别准确率、召回率周级监控机制
4. 风险防控实践：
4.1 覆盖AI生成代码的隐式依赖检测，解决“回归测试危机”
4.2 通过图谱追踪数据流完整性，预防跨服务链路异常

齐佩之

华为 GTS业务体验领域测试专家

华为技术有限公司 GTS业务体验领域测试专家（首席），长期在测试技术和测试工程能力领域深耕，构建Web UI自动化测试框架，先后实现Web低码和无码自动化写作、LLM辅助自主探索测试、基于意图的自主测试Agent，在公司多个领域广泛使用。

待定

基于模型的自主遍历测试Agent

Web类产品，界面变更快，页面功能组合多，传统基于xpath的UI界面自动化写作成本高且维护工作量大，传统基于算法的web界面探索测试没有测试意图，测试覆盖范围无法准确评估，如何让自主遍历和人的测试设计结合直接到测试执行实现跨越？

内容大纲
整体方案：

基于模型的自主测试能力，用户输入测试意图，Agent基于页面感知自动规划执行任务，基于执行任务自动输出具体的操作指令，自主进行页面的操作执行。

关键技术：
1. 构建Web操作指令集：一套支持浏览器操作相关的指令集，可操作页面各种元素，具备结构简单，执行稳定，可读性强的特点；
2. 基于意图的任务生成：用户输入意图，基于意图创建执行任务和步骤，实现任务规划；
3. 基于任务的步骤执行：基于任务步骤规划调用原子能力，进行步骤执行，每个任务执行可遍历所有步骤的数据组合，实现基于任务的自主遍历测试执行；
4. 基于预期结果和故障模式库的问题检测：根据意图结果和40+种故障模式库进行Web界面问题检测。

听众收益

Web界面测试自动化还需要写具体的用例吗，还需要写自动化脚本吗，或许可以尝试改变了。

张洁芳

中国工商银行软件开发中心

金融科技经理

工商银行软件开发中心广州产品部测试数据工程负责人，专注于测试领域数字化转型实践。

待定

基于数据服务生态的智能造数取数智能体建设实践

针对分布式架构多平台产品服务交易链路长，跨应用造数困难，数据种类不足导致测试遗漏引发生产安全隐患的痛点，建设基于数据服务生态的智能造数取数智能体，提升测试人员在跨应用长链路场景的测试数据准备能力。基于大模型整合造数知识库，建立数据需求、数据服务链路及报文的关联关系。以对话方式获取测试用数需求细节，结合知识库及大模型推理能力，精准推荐数据服务并智能生成造数上送报文，灵活生成多种类型数据；通过知识库加大模型推理能力，将用数需求转换成数据特征条件，自动查找满足测试要求的测试数据，实现对话式查数，提升测试覆盖广度及深度，减少对跨应用的依赖及供需双方沟通消耗，提高测试效能。

内容大纲
1. 现状和痛点
2. 数据服务生态体系
3. 数据智能体建设思路

3.1 需求挖掘
3.2 智能体核心架构
3.3 知识库建设思路
3.4 需求识别分类调优
3.5 智能体运营提升
4. 效果与展望

听众收益
效能跃迁：如何用大模型重构传统测试数据工厂，获得跨系统造数效率提升300％＋的落地方案（实测从小时级到分钟级）