专场：大模型时代研发效能提升之道
大语言模型（LLM）的出现正在引发软件研发行业的变革，LLM在需求工程、代码生成、测试生成、程序修复、部署运维等众多软件工程任务上取得了突破性进展，带来了全新的机遇和挑战。大模型时代，如何借助大模型能力进一步提升组织研发效能？研发效能团队如何为大模型研发提供服务？回答以上问题亟需新的方法、技术与工程实践。
分会场以“大模型时代研发效能提升之道”为主题，邀请多位专家学者，共同探讨大模型时代的研发效能提升方法，分享前沿技术和实践经验，以期推动软件研发行业的创新发展。
专场出品人：王一男 
腾讯技术产品专家、智能化软件工程数据与评测团队负责人
曾任百度工程效能部产品负责人，开源中国产品总监。北京航空航天大学软件工程本科、硕士。致力于通过设计软件研发效率工具，推动软件工程实践落地来提升组织的研发效能。曾主笔制定企业软件工程规范，主导多个企业级研发效能平台的规划设计与系统开发。
詹子正
快手 智能研发中心 高级算法工程师
快手科技智能研发中心高级算法工程师,目前主要负责内部代码大模型的算法研发，大模型训练以及相关应用的落地。 包括大模型在代码续写，智能Oncall，研发助手，对话式编程，研发工具串联等多个场景的落地实践。个人项目经历&研究兴趣包括：快手内部静态程序分析引擎研发，基于SCM的Uplift人群增益投放算法设计，基于Transformer架构的新型注意力机制设计。
待定
待定
kwaipilot-超长上下文时代的大模型给研发提效带来的机遇
大模型的上下文窗口越来越大, 推理技术越来越成熟, 如何看待并利用这些前沿的发展方向? 传统的程序分析技术, 能否让大模型真正理解研发任务, 帮助大模型在研发提效场景更上一层楼?  如何真正评估大模型在研发任务中发挥的能力, 现有评测集有哪些存在的问题?  
1. 大模型上下文窗口越来越大, 如何与研发工作流结合? 有哪些应用场景。
2. 长上下文和RAG 哪个是最终的技术方案?
3. 在推理时间/资源有限,  如何提升上下文窗口的信息密度?
4. 训练数据, 评测脚本与一线研发真实场景差异较大, 如何获得真正符合真实研发场景的数据? 转起数据飞轮?
5. 为什么离线评估结果总是和线上结果对不上?
1. 了解LLM当下前沿的发展方向和在研发提效场景的应用方向, 避免战略性踩空, 真正进行研发效能提升
2. 了解如何正确评估大模型, 避免出现技术选型失误
3. 了解如何在数据方面提升大模型的效果, 如何利用用户的真实使用数据
内容大纲
听众收益
牛万鹏
百度 资深研发工程师
百度资深研发工程师，吉林大学计算机系毕业，毕业后入职百度，早期负责DevOps工具的孵化和落地，涵盖项目管理、代码管理、流水线、制品库、应用部署、运维管理等平台建设和商业化。现负责百度研发智能化，通过构造全新智能编码工具，搭建全新的产品形态，推动百度万人研发范式的变革。
待定
待定
Comate - 推动百度万人研发范式变革的探索之路
大模型催生的第一代智能编码产品重点集中在续写、通用问答上，背后全部基于模型压缩的通用知识，越来越多的开发者希望AI可以理解自己的本地代码库、理解私域知识（因安全等问题无法在通用模型中获得），从而生成业务量身定制的代码，以及通过和『代码库』对话掌握代码逻辑。开发者大量开发过程是参考现有代码逻辑增加新代码，而这些重复性的工作比较繁琐，占据开发者大量开发时间，而无法投入到创造性的工作。通过让新一代的智能开发工具掌握代码库全部逻辑、私域文档全部知识点，他理解开发者想做什么，又理解代码的细节，从而帮助开发者解决繁琐、重复性的问题，让开发者更加专注创造性的逻辑设计。当AI掌握了编程现场的上下文，它不再是一个『助手』，而是一个『助理』，时刻保持和开发者同频，像一个真正的研发伙伴伴随左右，帮助开发者解决繁琐、重复的问题，这可以极大地减少复杂性，提高效率，从而构造全新的人机协同模式——即开发者专注创造性的、复杂性高的逻辑设计并进行决策，这是在AI时代一次研发范式的重大变革。
1. 在AI前夜——百度研发现状
2. 在AI时代——智能研发助手
    2.1 从大模型到代码模型
    2.2 理解私域知识（需求、代码、文档、测试用例）
    2.3 独立分析需求
    2.4 人机结对编程
    2.5 从编码到全链路智能化
3. 在AI未来——人机协同新范式
    3.1 交互形态革新
    3.2 组织重新分工
    3.3 开发焦点转变
1. 针对一线开发者，了解如何基于大模型，构造全新的人机协同研发新范式，『人』和『机』的分工是什么样的，如何有效提高编码效率
2. 针对团队Leader，了解如何通过AI工具优化团队协作和项目管理，在新的研发范式下组织如何分工
3. 针对工程效能团队，了解百度如何进行探索以及思考的，如何在万人研发规模下落地的，以及什么样的人机协同是可控的、是高效率的
内容大纲
听众收益
王敏
腾讯 TEG - 研发管理部 高级研究员
腾讯 研发管理部code平台中心 代码智能化团队应用研究员，目前主要负责腾讯工蜂Copilot的软件测试、代码评审等相关智能化研究工作，保障腾讯内部开发团队的代码质量，提升公司内部团队的软件研发效率。毕业于北京大学，软件工程专业，博士学历，曾在软件工程领域的ASE、FSE、TSE、软件学报等国内外顶级会议期刊上发表多篇学术论文，曾参与国家重点研发计划《基于大数据的软件智能开发方法和环境》的课题项目。毕业后就职于腾讯公司，从事代码智能化等方面的研究开发工作。
待定
待定
CR Copilot - 智能化代码评审的探索与实践
代码评审(Code Review, CR)是确保代码质量的重要途径之一。在软件开发过程中，CR高频出现，是软件开发过程中至关重要的一部分；但同时面临着评审不及时、评审缺失、评审耗时耗力、评审内容质量低下等诸多问题。基于LLM的智能化技术为自动评审带来了新的机遇与挑战，为了解决上述问题，本议题立足于代码评审场景，介绍智能化CR的一些探索和实践。
 
1. 代码评审的基本概念
2. 代码评审的基本概念和范畴
3. 代码评审的价值和企业痛点
4. 智能化CR的机遇与挑战
5. 智能化CR的一些前世今生
6. LLM给CR智能化带来的机遇
7. CR智能化还存在的挑战
8. 智能化CR在腾讯的实践之路
9. 智能化CR的整体架构
10. 智能化CR的技术分享
11. 智能化CR落地的成果分享
12. 智能化CR的未来与展望
13. CR的其他功能扩展
14. CR的未来展望
了解智能化CR的研究价值、最新进展以及相关技术经验
内容大纲
听众收益
刘冬
开源中国  CTO
刘冬：开源中国创始人，现任公司 CTO。目前主要负责开源中国 Gitee 以及 Gitee AI 两大平台。
林家桢
Gitee AI 专家顾问
清华大学高性能计算所博士
待定
待定
使用Gitee AI 降低 AI 应用开发者的准入门槛
普通开发者进入 AI 领域开发对技术要求极高，同时算力资源获取困难，应用部署集成、模型选择都是一个难题，Gitee AI 平台的目标就是为了降低开发者进入 AI 领域门槛高的问题。
1. 普通开发者进入 AI 领域开发的难题
2. AI 开发现状
3. Gitee AI 如何来解决这个问题
 
了解如何基于 Gitee AI 上各种各样开源模型为公司业务赋能
内容大纲
听众收益
关注QECon公众号
关注QECon视频号
议题投稿 
lijie@qecon.net  
票务联系 
15901265561  小娟
 
媒体合作
13516196409  皮皮
商务合作
15122643988  木子
购票咨询
15901265561  小娟