大模型驱动的DevOps工具链-2025北京站_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：大模型驱动的DevOps工具链

本专场聚焦探索大模型（LLM）如何深度重塑DevOps工具链，解锁软件开发与运维的在 AI 智能化时代的新范式。我们将会邀请国内外各领先企业分享AI 大模型在革新需求管理、代码生成、智能测试、部署及运维等关键环节中的前沿实践与新的突破，共同探讨LLM 能力如何深度应用到现有工具链，在保障质量的前提下实现开发生产力跃升，并对生产环境的运营质量进行持续强化。我们诚邀您来研讨最新洞见、工具创新或对未来 AI重构DevOps协同模式的思考，一起构建 AI时代 DevOps 工具变革的新蓝图。

专场出品人：张乐

腾讯研发效能及 Al Coding 资深技术专家

目前负责服务数万人的智能化软件工程相关工具平台的设计与研发。前百度工程效率专家、前京东工程效率总监与首席架构师。长期在拥有数万人研发规模的一线互联网公司，负责研发效能提升、研发效能度量体系建设、敏捷与DevOps实践落地及工具平台研发工作。DevOps运动国内早期布道者与推动者。《研发效能宣言》发起人及主要内容起草者。著作：《软件研发效能提升实践》、《软件研发效能权威指南》；译著：《独角兽项目：数字化转型时代的开发传奇》、《价值流动：数字化场景下软件研发效能与业务敏捷的关键》。知识星球“研发效能”主理人。

敬请期待

......

.....

待定

腾讯研效提升双引擎：融合互通 + 智能化

....

刘永强

Kodem 技术总监

Kodem 技术总监，企业能效工程建设领域深耕十余年，资深 DevSecOps 专家顾问。架构师峰会，QCon、QECon、DevOps Submit、DevOpsDay等大会讲师。Gradle技术认证专家、JFrog制品库认证技术专家，华为MVP。

待定

面向未来的DevSecOps：Kodem 如何用AI重塑应用安全

1. AI 重构 DevSecOps：趋势与角色
2. “安全左移”和团队现实的差距和现实挑战
3. 从“工具集合”走向“平台化的安全智能”
4. 践行“安全平铺“将 AI 集成到 DevSecOps 的最佳实践

张世哲

中国邮政储蓄银行软件研发中心

副主任工程师

现任中国邮政储蓄银行软件研发中心测试中心副主任工程师，目前主要负责邮储银行智能测试、智能需求科技创新等工作。从事软件研发测试和管理相关工作13+年，毕业后曾就职于IBM、腾讯和搜狗，具有丰富的持续测试、Devops实践、测试驱动需求研发等经验，24年牵头参与2项智能测试行业标准编制和发布。

待定

邮储银行大模型驱动需求-测试闭环实践

在数智化转型向纵深推进的关键阶段，邮储银行全面推进金融科技数智应用体系建设，构建覆盖"需求-研发-测试-运维"全流程的智能化解决方案。本议题重点围绕智能需求管理与智能测试两大核心环节展开，针对研发测试源头质量参差不齐、测试分析效率不高的痛点，通过深度挖掘测试需求内在关联，创新实践智能需求场景（包括智能需求生成、精准检索及重复检测等）与智能测试核心场景（智能化需求分析及自动化用例设计等），最终形成需求与测试双向协同的持续反馈闭环机制。

内容大纲
1. 智能需求测试建设背景
1.1 大背景：行内数智化转型
1.2 风险挑战：工程建设面临着时间紧、任务重、迭代快的严峻形势，需求旺盛、功能多样化、迭代周期短等问题带来了

巨大挑战
1.3 工程建设背景：建设路径和系统定位
2. 智能测试
2.1 智能测试场景设计
2.2 核心场景-功能测试用例生成
2.3 核心场景-非功能测试用例生成
2.4 智能测试当前痛点
3. 智能需求
3.1 场景设计
3.2 双层知识库设计
3.3 典型应用及效果
4. 需求-测试持续反馈和双向闭环
4.1 构建思路：需求精准驱动测试活动，测试反哺需求质量提升
4.2 实例：回归用例推荐
5. 思考与展望
5.1 产品/场景路径
5.2 技术路径：从辅助工具到智能中枢，例如氛围编程

听众收益
1. 获得邮储银行金融科技数智化数转型中需求、测试过程的智能化解决方案思路。
2. 规避智能需求、测试落地实践过程的典型问题。

张兆鑫

百度资深工程师

百度金牌内训师、BIT特邀导师
百度Prompt工程及上下文工程研发平台负责人
百度一站式测试管理平台负责人
在DevOps研发流程、智能化测试、AI原生应用研发、研发效能提升等领域拥有丰富经验

待定

百度研发数字员工实践

推理模型具备“慢思考”能力，若配置好的“手脚”，或能实现部分研发工作自动化。业界中，manus、OpenAI - Operator等产品能处理复杂任务，devin等探索“AI程序员”落地路径且形态更像人。在此背景下，百度探索在研发领域落地的可行性，将其命名为“研发数字员工”，即基于大模型的智能体建设，旨在探索更好的交互形态，让“人机协同”更顺畅，以及利用大模型解决原先研发流程的“阻塞点”。

内容大纲
1. 概述
1.1 背景
1.2 概念定义
1.3 研发数字员工特点
1.4 总体思路
2. 研发数字员工通用基建
2.1 基建目标
2.2 基建核心能力
2.3 基建技术框架
3. 研发数字员工产品形态
3.1 研发数字员工接受委托模式
3.2 研发数字员工与工程师的交互模式
3.3 研发数字员工产品示例
4. 研发数字员工数据分析
4.1 核心指标
4.2 观测指标
4.3 详细数据分析
5. 实践案例

听众收益
1. 百度在DevOps研发流程管理上的经验
2. 百度研发数字员工产品实现形态
3. 百度DevOps研发落地实践经验

谢保龙

Thoughtworks 中国区

DevOps/研发效能咨询业务负责人

拥有15+年软件工程从业经验，目前主要带领团队聚焦于国内大型客户的敏捷、DevOps转型工作以及研发效能相关咨询业务。对敏捷项目管理、研发效能度量与提升、大型企业组织转型等有丰富经验。

待定

平台工程2.0：面向AI构建下一代DevOps平台

我们看到很多企业仅仅是在已有的工具中集成AI，以实现工作提效——用AI做代码审查（Code Review），用AI生成测试用例和用户故事。这看似高效，但却忽略了问题的本质。Code Review、用户故事等实践只是手段，不是目的。如果你只是在用AI更快地完成过去做的任务，那么大概率是用错了方向。
这背后是一个更严峻的挑战：企业曾投入巨资和数年心血构建的工具平台，这些宝贵的数字资产，在AI时代正迅速变成沉重的历史包袱。它们为人类的点击和线性思维而设计，却无法满足AI Agent对机器可读契约、动态执行空间的需求。在旧地基上做“+AI”的表面文章，根本无法支撑起AI这座全新的大厦。我们是该任由这些昂贵资产僵化，还是寻找第三条路？

内容大纲
1. 引言：在现有DevOps实践上+AI不是真正的技术升级
2. 平台为谁而建：AI将成为"头号客户"
3. 从"自动化"到"授权"的理念转变
4. 搭建授权式平台的四大支柱：
4.1 告别"黄金路径"，拥抱"动态策略"
4.2 API的未来：Agent优先和"工具市场"
4.3 高级安全：从"护栏"到"隔离舱"
4.4 深度可观测性：看穿AI的"心思"
5. AI友好度成熟度模型：从L1到L5
6. 给技术领袖的行动指南

听众收益
1. 对AI时代DevOps平台演进的深刻理解
1.1 认识到为什么在现有DevOps实践上简单添加AI不是真正的技术升级
2. 平台工程2.0的核心理念与框架
2.1 明确AI将成为平台的"头号客户"，需要重新思考平台设计方向
2.2 理解传统自动化平台与下一代授权式平台在核心理念、接口设计、工作流等方面的根本区别
3. 平台AI友好度评估与成熟度提升
3.1 使用AI友好度成熟度模型（L1-L5），能够准确定位自身平台在AI时代的发展水平，识别出关键差距和瓶颈点，为转型提供明确

方向和优先级
4. 对未来趋势的前瞻性认识
4.1 AI演进路径：理解AI从个人Copilot到Team AI再到Company AI的演进路径
4.2 平台工程发展：认识到平台工程2.0需要支撑软件1.0、2.0和3.0的工程化落地
4.3 战略方向：明确AI驱动的研发价值流是未来发展的必然方向，提前布局以保持竞争力