专场：大模型在研发提效中的深度实践
在AI技术迅猛发展的今天，大模型已成为推动研发效能跃升的核心引擎。本专场将聚焦大模型在代码生成、智能调试、自动化测试、知识沉淀等研发关键环节的深度实践，探讨如何通过大模型能力重构开发流程、降低技术门槛、释放团队创造力。来自一线大厂的资深研发专家，将分享落地案例中的技术选型、效果度量及踩坑经验，助力企业跨越从技术探索到规模化提效的鸿沟，打造下一代智能研发范式。
专场出品人：揭光发(Jeff)
腾讯云 架构师联盟社群管理主席 腾讯 专家工程师
20年研发与团队管理经验，前腾讯云TVP，现腾讯全栈技术专家，公司级低代码项目负责人，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，是国内顶级行业/技术峰会相关话題优秀讲师及出品人。在低代码与LLM结合场景有深度的实践，愿景是“人人能编程”。带领团队深度践行LLM对研发提效、探索Vibe coding 在专业程序员与准开发者群体的落地，个人代码全栈AI含量几近100%。
揭光发（Jeff）
腾讯云 架构师联盟社群管理主席
腾讯 专家工程师
20年研发与团队管理经验，前腾讯云TVP，现腾讯全栈技术专家，公司级低代码项目负责人，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，是国内顶级行业/技术峰会相关话題优秀讲师及出品人。在低代码与LLM结合场景有深度的实践，愿景是“人人能编程”。带领团队深度践行LLM对研发提效、探索Vibe coding 在专业程序员与准开发者群体的落地，个人代码全栈AI含量几近100%。
待定
待定
Agent与Flow的共生：开启研发效能新纪元
在大型语言模型（LLM）应用的浪潮中，开发者普遍陷入了一个两难的抉择。
路线一：低代码工作流（Workflow）。 它通过可视化的流程编排，提供了稳定、可控的开发体验，有效规避了LLM的幻觉问题。然而，这种模式下的应用，其工作流程是固化的，泛化能力极低，本质上只是“披着LLM外衣的传统应用”，未能发挥出AI真正的潜力。
路线二：自主智能体（Agent）。 以ReAct为代表的架构虽然强大，但在生产环境中却因其“边想边做”的模式而步履维艰。它缺乏全局规划，导致执行过程低效、成本高昂、且难以调试，像一个“盲目但强大的莽夫”，可靠性极差。
我们不禁反思：是否必须在“僵化的稳定”与“盲目的智能”之间二选一？我们的探索方向是：能否设计一种全新的架构，将工作流的“确定性”与智能体的“涌现能力”完美融合，实现1+1>2的效能跃迁？
内容大纲
1. 两种路线的“尽头”：LLM应用开发的困境
1.1 工作流（Workflow）的局限：稳定但僵化
1.2 自主智能体（Agent）的陷阱：强大但盲目
1.3 深入剖析：ReAct架构在生产环境的 “原罪”
2. 破局之道：Flow of Thought (FoT) 架构解析
2.1 核心思想：规划与执行分离 (Plan then Execute)
2.2 基石一：编译时校验与自修复机制
2.3 基石二：严格的结构化数据契约
3. 共生与跃迁：Agent与Flow的融合范式
3.1 核心魔法：实现人机转换的“语法同构”
3.2 开发与质量：AI辅助开发 & 自动化测试生成
3.3 资产与演进：动态实践固化 & 静态能力封装
4. 总结与未来：迈向自主进化的研发新范式
4.1 FoT的核心优势与实践效果
4.2 未来展望：人机协同的软件工厂
听众收益
1. 架构认知升级： 获得一套全新的、生产级的Agent架构思想（FoT），理解如何从根本上解决主流ReAct架构的诸多痛点；
2. 核心技术洞察： 深入了解“规划与执行分离”、“编译时自修复”、“结构化数据契约”等先进的架构设计原则；
3. 体系化方法论： 学习如何设计一个能让Agent与Workflow双向转化、共生演进的研发体系，将AI能力真正沉淀为组织资产；
4. 可落地场景启发： 收获覆盖AI辅助开发、自动化测试、智能运维等多个环节的六大共生场景，为自身团队的效能提升提供高价值参考。
路线一：低代码工作流（Workflow）。 它通过可视化的流程编排，提供了稳定、可控的开发体验，有效规避了LLM的幻觉问题。然而，这种模式下的应用，其工作流程是固化的，泛化能力极低，本质上只是“披着LLM外衣的传统应用”，未能发挥出AI真正的潜力。
路线二：自主智能体（Agent）。 以ReAct为代表的架构虽然强大，但在生产环境中却因其“边想边做”的模式而步履维艰。它缺乏全局规划，导致执行过程低效、成本高昂、且难以调试，像一个“盲目但强大的莽夫”，可靠性极差。
我们不禁反思：是否必须在“僵化的稳定”与“盲目的智能”之间二选一？我们的探索方向是：能否设计一种全新的架构，将工作流的“确定性”与智能体的“涌现能力”完美融合，实现1+1>2的效能跃迁？
内容大纲
1. 两种路线的“尽头”：LLM应用开发的困境
1.1 工作流（Workflow）的局限：稳定但僵化
1.2 自主智能体（Agent）的陷阱：强大但盲目
1.3 深入剖析：ReAct架构在生产环境的 “原罪”
2. 破局之道：Flow of Thought (FoT) 架构解析
2.1 核心思想：规划与执行分离 (Plan then Execute)
2.2 基石一：编译时校验与自修复机制
2.3 基石二：严格的结构化数据契约
3. 共生与跃迁：Agent与Flow的融合范式
3.1 核心魔法：实现人机转换的“语法同构”
3.2 开发与质量：AI辅助开发 & 自动化测试生成
3.3 资产与演进：动态实践固化 & 静态能力封装
4. 总结与未来：迈向自主进化的研发新范式
4.1 FoT的核心优势与实践效果
4.2 未来展望：人机协同的软件工厂
听众收益
1. 架构认知升级： 获得一套全新的、生产级的Agent架构思想（FoT），理解如何从根本上解决主流ReAct架构的诸多痛点；
2. 核心技术洞察： 深入了解“规划与执行分离”、“编译时自修复”、“结构化数据契约”等先进的架构设计原则；
3. 体系化方法论： 学习如何设计一个能让Agent与Workflow双向转化、共生演进的研发体系，将AI能力真正沉淀为组织资产；
4. 可落地场景启发： 收获覆盖AI辅助开发、自动化测试、智能运维等多个环节的六大共生场景，为自身团队的效能提升提供高价值参考。
赵兵
腾讯云 高级工程师
2019年加⼊腾讯云开发CloudBase团队，⽬前负责云开发AI Toolkit、AI开发套件等模块研发⼯作。主导开发CloudBase AI Toolkit、CloudBase Framework等开源项⽬，微
搭低代码组件和运⾏态能⼒，云开发AI开发套件等项⽬。⻓期从事⼯程提效和开源建设，专注于AI+研发效能领域的技术实践与⽅法论探索，在需求⼯程、代码⽣成、智能化开发流程等⽅⾯有丰富的实战经验。曾担任AI+研发数字峰会、KubeConf、前端早早聊等会议讲师，在技术社区分享AI IDE⼯作流实践获得⼴泛关注，累计阅读量超过20万
搭低代码组件和运⾏态能⼒，云开发AI开发套件等项⽬。⻓期从事⼯程提效和开源建设，专注于AI+研发效能领域的技术实践与⽅法论探索，在需求⼯程、代码⽣成、智能化开发流程等⽅⾯有丰富的实战经验。曾担任AI+研发数字峰会、KubeConf、前端早早聊等会议讲师，在技术社区分享AI IDE⼯作流实践获得⼴泛关注，累计阅读量超过20万
待定
待定
EARS语法驱动的Agent需求⼯程实践
- 从Vibe Coding到⼯程化AI开发的质效跃升
核⼼问题：
当前AI编程领域普遍存在"Vibe Coding"现象：开发者输⼊模糊需求，期待AI直接⽣成完美代码，结果往往是反复试错、效率低下、质量难保证。这种"拉霸式"开发模式让AI编程变成"碰运⽓"⽽⾮"可控⼯程"。
当前AI编程领域普遍存在"Vibe Coding"现象：开发者输⼊模糊需求，期待AI直接⽣成完美代码，结果往往是反复试错、效率低下、质量难保证。这种"拉霸式"开发模式让AI编程变成"碰运⽓"⽽⾮"可控⼯程"。
具体痛点：
1. 需求模糊化：⾃然语⾔描述导致AI理解偏差，⽣成代码与预期不符
2. 过程不可控：缺乏⼯程化流程，难以追溯、复现和优化
3. 质量难保证：没有明确验收标准，测试和维护成本⾼
4. 协作效率低：团队成员对需求理解不⼀致，沟通成本⼤
5. 知识难沉淀：实践经验分散，⽆法形成可复⽤的⽅法论
1. 需求模糊化：⾃然语⾔描述导致AI理解偏差，⽣成代码与预期不符
2. 过程不可控：缺乏⼯程化流程，难以追溯、复现和优化
3. 质量难保证：没有明确验收标准，测试和维护成本⾼
4. 协作效率低：团队成员对需求理解不⼀致，沟通成本⼤
5. 知识难沉淀：实践经验分散，⽆法形成可复⽤的⽅法论
解决思路：
借鉴传统软件⼯程的成功经验，将EARS（简易需求语法）与SBE（示例规格说明）⽅法论引⼊AI Agent开发，构建"需求澄清→技术设计→任务拆分→验收测试"的⼯程化闭环，让AI编程从"拉霸模式"升级为"⼯程模式"。
内容⼤纲
1. AI编程现状诊断
1.1 Vibe Coding现象剖析：从"拉霸游戏"看AI编程困境
1.2 传统软件⼯程vs现代AI开发：为什么成熟⽅法论被遗忘？
2. EARS+SBE⽅法论在Agent中的应⽤
2.1 EARS语法核⼼原理：从"⽤户想要..."到"When...the system shall..."
2.2 SBE在AI场景的适配：如何⽤示例驱动Agent理解需求
2.3 技术选型考量：为什么选择requirements.md + design.md + tasks.md架构
2.4 踩坑经验
3. ⼯程化Spec⼯作流设计与实现
3.1 核⼼架构：三⽂件协同的Agent⼯作流
3.1.1 requirements.md：EARS语法标准化需求
3.1.2 design.md：技术⽅案与架构设计
3.1.3 tasks.md：可执⾏的任务拆分
3.2 关键⼯程实践：
3.2.1 需求评审：⼈机协作的⼆次确认机制
3.2.2 迭代反馈：基于验收标准的持续优化
3.2.3 知识沉淀：可复⽤的Spec模板库
3.3 技术实现细节：如何在不同AI IDE中落地（Cursor/Claude Code/Kiro）
4. 真实案例分析与效果验证
4.1 CloudBase AI Toolkit开发实践对⽐
4.1.1 传统模式：多轮需求澄清，频繁返⼯
4.1.2 Spec模式：标准化流程，⼀次达标
4.2 ⼩程序开发场景验证
4.2.1 开发流程标准化程度显著提升
4.2.2 团队协作效率明显改善
4.2.3 代码质量和维护性⼤幅增强
4.3 度量体系设计与实施经验
4.3.1 如何建⽴适合AI开发的效能度量指标
4.3.2 定量与定性结合的评估⽅法
4.3.3 团队推⼴过程中的挑战与应对策略
5. 可落地的实践指南
5.1 最⼩可⾏⽅案：15分钟快速上⼿Spec⼯作流
5.2 团队推⼴策略：如何在组织内推动⼯程化AI开发
5.3 ⼯具链推荐：开源⽅案vs商业⼯具的选择建议
5.4 效果评估体系：如何量化AI开发⼯程化的提升效果
借鉴传统软件⼯程的成功经验，将EARS（简易需求语法）与SBE（示例规格说明）⽅法论引⼊AI Agent开发，构建"需求澄清→技术设计→任务拆分→验收测试"的⼯程化闭环，让AI编程从"拉霸模式"升级为"⼯程模式"。
内容⼤纲
1. AI编程现状诊断
1.1 Vibe Coding现象剖析：从"拉霸游戏"看AI编程困境
1.2 传统软件⼯程vs现代AI开发：为什么成熟⽅法论被遗忘？
2. EARS+SBE⽅法论在Agent中的应⽤
2.1 EARS语法核⼼原理：从"⽤户想要..."到"When...the system shall..."
2.2 SBE在AI场景的适配：如何⽤示例驱动Agent理解需求
2.3 技术选型考量：为什么选择requirements.md + design.md + tasks.md架构
2.4 踩坑经验
3. ⼯程化Spec⼯作流设计与实现
3.1 核⼼架构：三⽂件协同的Agent⼯作流
3.1.1 requirements.md：EARS语法标准化需求
3.1.2 design.md：技术⽅案与架构设计
3.1.3 tasks.md：可执⾏的任务拆分
3.2 关键⼯程实践：
3.2.1 需求评审：⼈机协作的⼆次确认机制
3.2.2 迭代反馈：基于验收标准的持续优化
3.2.3 知识沉淀：可复⽤的Spec模板库
3.3 技术实现细节：如何在不同AI IDE中落地（Cursor/Claude Code/Kiro）
4. 真实案例分析与效果验证
4.1 CloudBase AI Toolkit开发实践对⽐
4.1.1 传统模式：多轮需求澄清，频繁返⼯
4.1.2 Spec模式：标准化流程，⼀次达标
4.2 ⼩程序开发场景验证
4.2.1 开发流程标准化程度显著提升
4.2.2 团队协作效率明显改善
4.2.3 代码质量和维护性⼤幅增强
4.3 度量体系设计与实施经验
4.3.1 如何建⽴适合AI开发的效能度量指标
4.3.2 定量与定性结合的评估⽅法
4.3.3 团队推⼴过程中的挑战与应对策略
5. 可落地的实践指南
5.1 最⼩可⾏⽅案：15分钟快速上⼿Spec⼯作流
5.2 团队推⼴策略：如何在组织内推动⼯程化AI开发
5.3 ⼯具链推荐：开源⽅案vs商业⼯具的选择建议
5.4 效果评估体系：如何量化AI开发⼯程化的提升效果
听众收益
1. 获得可直接应⽤的⼯程化AI开发⽅法论
1.1 完整的EARS+SBE⼯作流模板，可直接应⽤于团队项⽬
1.2 三⽂件协同架构（requirements/design/tasks），15分钟即可上⼿
1.3 针对不同AI IDE的具体配置⽅案，降低技术⻔槛
2. 深⼊理解EARS语法在现代软件⼯程中的应⽤价值
2.1 从航空航天到AI开发的跨领域⽅法论迁移经验
2.2 结合SBE的需求⼯程最佳实践，适⽤于敏捷开发和DevOps场景
2.3 解决AI时代需求模糊化问题的具体技术⽅案
3. 建⽴可复⽤的团队协作和知识管理体系
3.1 标准化的需求评审和技术⽅案设计流程
3.2 跨⻆⾊协作的沟通语⾔（QA、开发、产品、测试）
3.3 可沉淀的项⽬经验库和最佳实践模板
4. 获得前瞻性的AI+⼯程效能发展洞察
4.1 从Vibe Coding到⼯程化AI的⾏业趋势分析
4.2 ⼤模型时代质量⼯程的核⼼挑战和解决路径
4.3 ⾯向未来的智能化研发⼯具链设计思路
1. 获得可直接应⽤的⼯程化AI开发⽅法论
1.1 完整的EARS+SBE⼯作流模板，可直接应⽤于团队项⽬
1.2 三⽂件协同架构（requirements/design/tasks），15分钟即可上⼿
1.3 针对不同AI IDE的具体配置⽅案，降低技术⻔槛
2. 深⼊理解EARS语法在现代软件⼯程中的应⽤价值
2.1 从航空航天到AI开发的跨领域⽅法论迁移经验
2.2 结合SBE的需求⼯程最佳实践，适⽤于敏捷开发和DevOps场景
2.3 解决AI时代需求模糊化问题的具体技术⽅案
3. 建⽴可复⽤的团队协作和知识管理体系
3.1 标准化的需求评审和技术⽅案设计流程
3.2 跨⻆⾊协作的沟通语⾔（QA、开发、产品、测试）
3.3 可沉淀的项⽬经验库和最佳实践模板
4. 获得前瞻性的AI+⼯程效能发展洞察
4.1 从Vibe Coding到⼯程化AI的⾏业趋势分析
4.2 ⼤模型时代质量⼯程的核⼼挑战和解决路径
4.3 ⾯向未来的智能化研发⼯具链设计思路
李亚飞
ClackyAI CEO
2009年毕业于吉林大学计算机系，连续创业者，10年创业经验，早期深信服成长最快的架构师之一，前单麦 SAAS 小程序联合创始人 & CTO，深圳 Ruby 社区发起人，Ruby 中国社区核心贡献者，连续三届 RubyConf China 讲师。2019年创立至简天成科技，以全栈自研 CDE（云端开发环境）引擎为核心，深度整合自研 AI Agent。旗下 ShowMeBug 技术测评产品为企业提供更精准的技术人才评估方案，ClackyAI 定位于 L3 级 Agentic Code Studio 帮助新一代 “业务逻辑师”无需编码即可开发真正的软件应用。
待定
待定
如何在一小时内生成一个测试用例生成平台
要解决的问题：
开发工具是直接提升研发效能的重要方法。传统的开发方式需要至少二到三个研发，花费数月时间，导致工具的开发成本过高。
现在可以通过模型AICoding的全栈开发方式，一体的将前端、后端、数据库、布署一个人搞定。
我们将通过实际案例演示的方式展示制作过程，分享其中的坑和经验总结。
开发工具是直接提升研发效能的重要方法。传统的开发方式需要至少二到三个研发，花费数月时间，导致工具的开发成本过高。
现在可以通过模型AICoding的全栈开发方式，一体的将前端、后端、数据库、布署一个人搞定。
我们将通过实际案例演示的方式展示制作过程，分享其中的坑和经验总结。
内容大纲
1. 需求分析：测试用例编写、思维导图、LLM 辅助
2. 技术栈选型：所采用的技术栈思考
3. 工具与迭代：迭代提示词与演示
4. 部署技巧：部署至个人主机或runway
1. 需求分析：测试用例编写、思维导图、LLM 辅助
2. 技术栈选型：所采用的技术栈思考
3. 工具与迭代：迭代提示词与演示
4. 部署技巧：部署至个人主机或runway
关注QECon公众号
议题投稿
lijie@qecon.net
商务合作
151-2264-3988 木子
票务联系
135-2067-8913 郭梦媛
媒体合作
135-1619-6409 皮皮
添加QECon小助手，获取
会议最新资讯
购票咨询
13520678913 郭梦媛
