基于开源Deepseek的质效提升实践-2025深圳站_QECon全球软件质量效能大会-橙柚科技

优惠倒计时

9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：基于开源Deepseek的质效提升实践

自人工智能技术蓬勃发展以来，深度学习作为其核心驱动力，正以前所未有的速度重塑着各行各业。开源深度学习平台 DeepSeek 凭借其易用性、高效性和可扩展性，已成为众多企业和开发者探索 AI 应用的首选工具。本次「基于开源 DeepSeek 的质效提升实践」论坛，将聚焦 DeepSeek 在实际应用中的最佳实践，议题涵盖：
1）DeepSeek 核心技术与生态解读：深入解析 DeepSeek 的架构设计、算法模型和性能优势，探讨其生态体系和发展趋势。
2）行业应用案例分享：邀请来自不同行业的专家分享基于 DeepSeek 的成功案例，展示 DeepSeek 如何助力企业实现智能化转型和质效提升。
3）模型能力提升实践：探讨如何利用 DeepSeek 进行模型优化、数据处理、自动化流程构建等，分享提升模型精度、效率和稳定性的实战经验。
4）开源社区与生态建设：探讨 DeepSeek 开源社区的发展现状和未来方向，分享如何参与社区贡献、共建开源生态的经验和思考。

专场出品人：黄胜鲁

中兴通讯有线研究院FM系统部有线研究院AI应用负责人有线院教练组组长

十几年产品项目研发经验，多年项目经理/产品经理经验，曾负责重点项目（170人）规划、研发交付与改进。资深软件工程能力专家，赋能重点项目通过信通院DevopsL3认证，并作为改进总工赋能FM产品效能提升。有线研究院AI应用负责人，基于大模型进行端到端的AI应用建设与知识底座建设。CCF会员，深度参与软件行业AI赋能工作，曾担任多个重大会议出品人，发表AI领域多篇实践分享。

毕鸣一

腾讯云RUM项目技术负责人

专项性能高级工程师

腾讯云RUM项目技术负责人，专项性能高级工程师；深耕大前端性能优化多年，先后负责过手机QQ、QIM、TIM、腾讯会议等项目的性能稳定性测试及测试工具平台的研发工作，当前负责腾讯云（RUM、TMF、TCMPP）终端、前端和跨端性能稳定性可观测产品的技术研发和平台建设；作为国家信息系统项目管理师（高级）、国家心理咨询师、项目团队技术负责人，具有多年的技术管理、项目管理、团队管理、业务管理实践经验，对团队研效、项目研效和个人研效等方面的提升有一定的心得；目前专注在基于大模型的研效提升领域，对“私有RAG知识库+大模型”的缺陷解决提效、“IDE+ copilot”的代码撰写提效等有一些沉淀和总结。

待定

基于DeepSeek的大前端稳定性问题智能提效治理方案

本次分享基于DeepSeek达模型的工程实践，深度解析大前端稳定性治理中的智能诊断与自治修复技术体系。通过构建融合根因诊断、特征聚类、责任归属的多维分析引擎，结合领域知识库的RAG增强推理机制，实现复杂问题的精准归因；依托代码语义解析与DevOps深度集成，形成从修复方案生成到自动化提交的完整闭环。方案着重呈现开源模型在工程场景的适配改造能力，通过诊断修复链路的自动化重构，在保障治理质量的同时降低人工介入成本，为大规模研发团队提供AI驱动的质效协同提升范式。

内容大纲
1. 大前端稳定性问题治理现状与痛点
2. 大前端稳定性问题治理思路及原理
3. 基于DeepSeek智能提效治理方案
4. 智能提效总结和展望

听众收益
1. 提升需求文档撰写的可编码性
2. 提升基于Copilot的个人研发效能
3. 提升研发自闭环的质量保障能力
4. 提升基于的大模型的代码助手使用理念
5. 重新定位Copilot角色

孔德远

腾讯云开发者产品中心产品经理

运营负责人

腾讯云开发者产品中心产品经理 & 运营负责人，兼任腾讯云研效委员会研究员，负责腾讯内外部代码助手产品规划和落地运营，腾讯云AI研效提升，推动腾讯内部万人研发范式变革，历任腾讯云DevOps解决方案专家和CODING DevOps客户成功负责人，曾就职于平安、Powerleader等知名企业，长期深入一线，在云技术、云原生技术、团队敏捷、DevOps、AI研发提效等领域具有行业解决方案及实战落地经验。

待定

AI代码助手+ DeepSeek从需求到代码的全场景编程革命实践

1. AI时代新质生产力发展对软件开发领域的影响
2. AI产品创新探索与应用实践
3. 代码助手AI提效展望 + Demo
4. AI 时代的开发者成长策略与思考

内容大纲
1. AI时代新质生产力发展对软件开发领域的影响
1.1 业界AI 在软件开发领域发展现状，痛点
1.2 AI代码助手+ DeepSeek，对整个研发流程的助力
2. AI产品创新探索与应用实践
2.1 基于多模型的代码智能化实践（痛点，技术实践，）
2.2 代码补全：从FIM 到 NES （Next Edit Suggestion）
2.3 技术问答特性 – 智能体与模型开放
2.4 技术问答特性 – 企业知识/内容扩展
2.5 单元测试：-单测智能体实践
2.6 代码评审-代码智能评审实践
2.7 MCP 从0到1 企业落地创新实践
2.8 AI代码助手企业收益探索
2.9 AI代码助手企业落地案例
3. 代码助手AI提效展望 + Demo
3.1 业界路线与展望
3.2 AI代码助手+ DeepSeek从需求到代码的全场景编程革命实战
4. AI 时代的开发者成长策略与思考

听众收益
1. 最新行业发展趋势
2. 腾讯大厂实践经验
3. 企业落地案例
4. 项目实战开发
5. 企业效能度量
6. 交流探讨

廖斯毅

趣丸科技平台开发工程师

趣丸科技平台开发工程师，专注于软件质量、DevOps 方向，现负责公司AI 代码质量相关场景建设，为公司研发效能环节提效。曾从 0到 1参与公司 CICD 平台开发，为公司业务快速交付打下基础，现聚焦于 AI代码质量相关方向。

待定

基于 DeepSeek 的代码质量改进

在编程场景中与其他AGI 业务不同的是，代码是企业的资产具有安全性和敏感性。DeepSeek 的开源模型为这个场景打下了基础。利用私有化部署 DeepSeek 模型，我们可以安全合规地在代码方面进行 AI 方向的探索。
提升代码质量的场景中，往往需要分析代码的问题给出改进建议。在简单的 Prompt+ Workflow 中难以避免会有“假阳性”的问题，通过 ReActAgent 方式能够有效减低错判。以往的开源世界中缺乏 RL 模型，构建 ReActAgent的效果也不理想。DeepSeek R1 经过 RL 训练的模型具有良好的决策能力，使得我们可以构建LLM（理解）x RL （决策）的 Agent 系统。

内容大纲
1. DeepSeek R1 基本介绍
1.1 RL 模型的发展历史
1.2 从预训练模型到 RL 模型的变化
2. 如何基于 DeepSeek R1开发 AI 应用
2.1 R1 Prompt Engineering 实战技巧
2.2 如何实现基于 R1 的 tool use
2.3 RL 模型对于 AI Agent 的影响
3. 趣丸科技基于 DeepSeek 的代码质量改进
3.1 基于 DeepSeek 的代码质量评估
3.1.1 仓库级别代码评分
3.1.2 结合 CICD 拦截P0 Bug
3.2 基于 RL 模型的 CodeReviewAgent
3.2.1 CodeReview Agent 介绍
3.2.2 构建 Workflow 的实践经验

听众收益
1. 初步了解 RL 模型
2. 掌握构建 Workflow 的技巧
3. 了解如何构建基于 RL 模型的 Agent