专场：快手AI研发范式升级新路径：从研发效能到AI生产力
当 AI Coding 从个人工具走向团队协同，研发提效的核心命题正在发生变化：真正的挑战不再只是代码生成率、单点工具效率或个人生产力提升，而是研发流程、角色分工、组织形态与业务交付方式如何随之重构。从辅助编码到端到端需求交付，从研发人员提效到全员工作流升级，从单点工具建设到组织级 AI 生产力基建，AI 研发范式升级正在从“效率工具”走向“组织能力”的系统性演进。如何跨越个人提效与组织提效之间的鸿沟，正在成为技术团队迈向 AI-Native 组织的关键命题。本次专场聚焦快手 AI 研发范式升级下半场，系统呈现快手从“研发提效”走向“组织跃迁”的阶段性探索。围绕整体方法论、业务范式实践与 AI 产品演进等，分享快手 AI 研发范式升级的整体路径与核心判断；以及结合具体的业务场景的最新技术实践，拆解 AI 如何在复杂业务场景中重构需求交付链路、推动业务工作流 AI 化；并将从产品视角呈现快手如何将 AI 能力从辅助研发扩展到全员提效，并进一步沉淀为面向团队和组织的生产力基础设施。本次分享将系统呈现快手 AI 研发范式升级从能力探索走向工程落地、业务实践与体系化建设的完整路径。
专场出品人：沈浪
快手研发效能负责人、快手AI生产力负责人
曾在阿里、百度、美团等各大互联网公司任职，十余年来长期从事技术研发和研发效能提升工作。现任快手AI生产力中心负责人，致力于将传统效能平台、方法、数据和AI深度融合，帮助快手实现AI研发范式的持续升级。
李京
快手 AI 生产力中心 AI Coding 负责人
快手 AI Coding 负责人，AI Agent 领域专家，负责完整的 AI 产品体系建设和前沿领域探索以及企业级落地。当前主要聚焦在 Agent 产品建设、AgentOS 基建建设等方向。
待定
待定
从研发提效到组织跃迁：快手 AI 产品演进之路
议题背景：
智能化1.0阶段，快手交出一组不错的数字：80%+人员使用AI编码、AI代码生成率30%+、研发各环节提效10-40%。但需求交付效率并未同幅提升。由此我们提出那道不等式：用AI开发工具 ≠ 个人提效 ≠ 组织提效。
智能化2.0阶段，靠AI辅助与协同开发方法、AI研发成熟度模型（L1-L3）与KATE平台，标杆业务线跨过了个人到团队的鸿沟——L2+需求占比20.34%，交付周期下降58%。但2026年规模复制时再次撞墙：参与需求的人越多，提效幅度越小。归因发现问题出在框架的盲区——我们一直假设研发流程、角色与分工不变。
本次分享结合Kwaipilot → CodeFlicker & KATE → MyFlicker 的演进，呈现快手2026年上半年跨越工具、组织、业务三道鸿沟的路径与数据：L2+需求占比13.23%→64.87%，AI代码生成率30%→60%+。
内容大纲：
智能化2.0阶段，靠AI辅助与协同开发方法、AI研发成熟度模型（L1-L3）与KATE平台，标杆业务线跨过了个人到团队的鸿沟——L2+需求占比20.34%，交付周期下降58%。但2026年规模复制时再次撞墙：参与需求的人越多，提效幅度越小。归因发现问题出在框架的盲区——我们一直假设研发流程、角色与分工不变。
本次分享结合Kwaipilot → CodeFlicker & KATE → MyFlicker 的演进，呈现快手2026年上半年跨越工具、组织、业务三道鸿沟的路径与数据：L2+需求占比13.23%→64.87%，AI代码生成率30%→60%+。
内容大纲：
1. 起点：不错的数字，说不通的结论
1.1 80%+人员AI编码、代码生成率30%+、各环节提效10-40%，但需求交付效率未同幅提升
1.2 用AI开发工具 ≠ 个人提效 ≠ 组织提效
1.2 用AI开发工具 ≠ 个人提效 ≠ 组织提效
2. 第一次跨越及其边界
2.1 AI辅助与协同开发方法 + AI研发成熟度模型（L1-L3）+ 可自进化的研发平台KATE
2.2 标杆业务线L2+占比20.34%、交付周期下降58%，但规模复制远比预想难
2.2 标杆业务线L2+占比20.34%、交付周期下降58%，但规模复制远比预想难
3. 三大卡点：卡住我们的是组织和人
3.1 人：AI开发能力两极分化，32%人员生成率仍在10%以下
3.2 流程与分工：参与人数越多提效越小——AI需求交付中的三个摩擦
3.3 业务与组织结构：业产研闭环团队跑得出来，烟囱型组织跑不动
3.4 归因：框架隐含了"流程、角色、分工不变"的假设
3.2 流程与分工：参与人数越多提效越小——AI需求交付中的三个摩擦
3.3 业务与组织结构：业产研闭环团队跑得出来，烟囱型组织跑不动
3.4 归因：框架隐含了"流程、角色、分工不变"的假设
4. 镜子：银行60年已走完这条路
4.1 计算机（1960s）：更快的算盘，组织没变
4.2 ATM（1970s）：花旗重建组织，纽约零售存款份额4%→13%；只砍编制的银行被兼并
4.3 网银与移动支付（1990s-2010s）：系统自主审批，银行从"你去的地方"变成"无处不在的能力"
4.4 规律：L1工具变，L2组织变，L3业务与组织同时变
4.2 ATM（1970s）：花旗重建组织，纽约零售存款份额4%→13%；只砍编制的银行被兼并
4.3 网银与移动支付（1990s-2010s）：系统自主审批，银行从"你去的地方"变成"无处不在的能力"
4.4 规律：L1工具变，L2组织变，L3业务与组织同时变
5. 换题与实践：从研发效能到AI生产力
5.1 旧路径卡在研发边界，新路径从全员出发——这不是技术命题，是供给命题
5.2 三道鸿沟：工具、组织、业务，跨法完全不同
5.3 五阶段体系与产品演进：Kwaipilot + KATE → CodeFlicker → MyFlicker；KATE从"人用的平台"变为"被Skill调用的CLI"；Token经济学替代成本分摊制
5.4 双轨策略与四象限：30多个AI先锋团队各自探索上限，三类案例坐标定位
5.2 三道鸿沟：工具、组织、业务，跨法完全不同
5.3 五阶段体系与产品演进：Kwaipilot + KATE → CodeFlicker → MyFlicker；KATE从"人用的平台"变为"被Skill调用的CLI"；Token经济学替代成本分摊制
5.4 双轨策略与四象限：30多个AI先锋团队各自探索上限，三类案例坐标定位
听众收益：
1. 自查坐标：用L1/L2/L3分级判断自己卡在哪一级，识别"参与人数越多提效越小""AI能力两极分化""标杆团队难复制"三类典型症状。
2. 三道鸿沟的不同跨法：理解公司内AI产品百团大战、Token成本难以向业务线分摊、烟囱型组织利益分配等真实阻力，及对应破局思路。
3. 产品与基建演进的判断依据：Kwaipilot + KATE → CodeFlicker → MyFlicker 的演进逻辑，以及传统SaaS平台CLI化、Skill化、Workflow化的实施路径，可用于评估自身AI基建的下一步。
4. 可落地的组织打法：主航道+快速路双轨策略、按团队类型×交付类型划分四象限的差异化推进、Token经济学制度设计，以及经30多个先锋团队验证的"AI-Native组织四个公理"——可作为启动转型前的前置条件清单。
潘磊
快手 磁力引擎风控工程负责人
十年风控老兵，曾任职于饿了么、哈啰，长期深耕业务安全与内容安全领域。现任快手磁力引擎风控工程负责人，专注于以 AI 重构磁力引擎内容审核范式，推动 AI 对组织能力与个体效率的双重赋能，持续提升团队交付质量与组织运转效率。
待定
待定
从AI工具到AI生产力，超级个体 × 液态组织的研发效能实践
议题背景：
当团队人人都开始使用 AI，但是组织交付效率却没提升，背后是一个反直觉的不等式，用AI ≠ 个人提效 ≠ 组织提效。
本次分享将围绕商业化风控的半年实践，拆解我们如何让 AI 从「单点工具」变成真实「生产力」。通过持续迭代 AI 交付能力，我们一方面用 AI 工具赋能个体，打造“超级个体”；另一方面构建类似“臭鼬小队”的组织形态，打破产算研测的组织壁垒，让 AI 深度嵌入交付链路，提升组织的交付效率。
内容大纲：
1. AI 如何从辅助工具升级为生产力工具，探索 AI 实现端到端需求交付的路径，全面提升研发效率。
2. AI 如何赋能工程师转型升级，推动工程师从单一工种交付走向全栈交付，打破专业壁垒与协作边界。
3. AI 持续提效下，为什么产研算测整体效率仍未明显提升，分析跨组织协同中的流程与沟通瓶颈，探索提升产研算测协同效率的方法。
4. 组织转型中的实践与反思，总结 AI 落地过程中的典型问题与经验，探讨如何更有效地推动组织转型。
听众收益：
1. 了解如何通过 AI 打造组织的超级个体，提升组织内的单兵作战能力。
2. 如何打破产算研测的组织壁垒，构建液态组织，提升组织的效率。
3. 掌握可直接复制的交付侧与组织侧打法，把每一次踩坑沉淀成组织能抄的「作业」。
本次分享将围绕商业化风控的半年实践，拆解我们如何让 AI 从「单点工具」变成真实「生产力」。通过持续迭代 AI 交付能力，我们一方面用 AI 工具赋能个体，打造“超级个体”；另一方面构建类似“臭鼬小队”的组织形态，打破产算研测的组织壁垒，让 AI 深度嵌入交付链路，提升组织的交付效率。
内容大纲：
1. AI 如何从辅助工具升级为生产力工具，探索 AI 实现端到端需求交付的路径，全面提升研发效率。
2. AI 如何赋能工程师转型升级，推动工程师从单一工种交付走向全栈交付，打破专业壁垒与协作边界。
3. AI 持续提效下，为什么产研算测整体效率仍未明显提升，分析跨组织协同中的流程与沟通瓶颈，探索提升产研算测协同效率的方法。
4. 组织转型中的实践与反思，总结 AI 落地过程中的典型问题与经验，探讨如何更有效地推动组织转型。
听众收益：
1. 了解如何通过 AI 打造组织的超级个体，提升组织内的单兵作战能力。
2. 如何打破产算研测的组织壁垒，构建液态组织，提升组织的效率。
3. 掌握可直接复制的交付侧与组织侧打法，把每一次踩坑沉淀成组织能抄的「作业」。
周路
快手 综合应用中心负责人
曾在 AWS、蚂蚁集团任职，主要从事云计算、开发者工具相关工作。现任快手综合应用中心负责人，负责公司内部系统建设，致力于将传统软件和 AI 融合，打造 Agentic 的企业应用系统，帮助管理者更高效地洞察业务、辅助决策。
待定
待定
Agent Teammates：从个人提效到团队协同的产研新范式
议题背景：
AI 已让个体显著提速：一个人配一个或多个 Agent，代码生成、文档起草等工作效率肉眼可见地提升。但团队整体并没有同步变快——需求评审仍要排会议，PR 仍在等待人工 review，Agent 产出越多，反而越容易堆积到人的待处理列表中。问题不在 AI 能力，而在于当前工作流仍然是为人设计的，AI 只是被接入流程，却尚未成为流程的原生节点。
面对上述情况，我们推出Agent Teammates（ATM）—— 基于 Multica 二次开发的 Agent-First 产研协同工具，让人与 AI Agent 在同一工作台上协作。它以 Agent-First、SDD 规格驱动开发、透明可干预为核心理念：流程环节优先交由 Agent 执行，人类 review 兜底；所有设计、规划与讨论以 Markdown 沉淀为项目资产，人与 Agent 共享上下文；任务状态全程外化，执行链路可追溯。
通过产品总监 Agent 自动调度用户洞察师、需求撰写师、技术架构师等子 Agent，ATM 将过去依赖人工中转上下文的协作方式，升级为 Agent 之间的链式协同，推动产研流程从“人-Agent 一对一辅助”走向“Agent-Agent 链式协作”。
内容大纲：
1. 背景与问题
面对上述情况，我们推出Agent Teammates（ATM）—— 基于 Multica 二次开发的 Agent-First 产研协同工具，让人与 AI Agent 在同一工作台上协作。它以 Agent-First、SDD 规格驱动开发、透明可干预为核心理念：流程环节优先交由 Agent 执行，人类 review 兜底；所有设计、规划与讨论以 Markdown 沉淀为项目资产，人与 Agent 共享上下文；任务状态全程外化，执行链路可追溯。
通过产品总监 Agent 自动调度用户洞察师、需求撰写师、技术架构师等子 Agent，ATM 将过去依赖人工中转上下文的协作方式，升级为 Agent 之间的链式协同，推动产研流程从“人-Agent 一对一辅助”走向“Agent-Agent 链式协作”。
内容大纲：
1. 背景与问题
1.1 AI 让个体变快但团队没有
1.2 工作流是给人设计的——等待是最大时间黑洞
1.2 工作流是给人设计的——等待是最大时间黑洞
2. Multica 方案
2.1 Agent-First：Agent 作为一等公民
2.2 SDD 规格驱动：告别 Vibe Coding
2.3 透明可干预：信任靠标准不靠感觉
2.2 SDD 规格驱动：告别 Vibe Coding
2.3 透明可干预：信任靠标准不靠感觉
3. 架构与协作
3.1 多 Agent 编排：产品总监 Agent 调度子 Agent 链式协作
3.2 渐进式放权：信任阈值指标体系驱动
3.3 人从执行者转变为审核者
3.2 渐进式放权：信任阈值指标体系驱动
3.3 人从执行者转变为审核者
4. 效能量化验证
4.1 人均交付数 +560% 的数据口径与计算方法
4.2 AI 参与率 85.2% 与协作深度分析
4.3 交付周期与返工率质量验证
4.4 团队扩张下人均效能持续翻倍
4.2 AI 参与率 85.2% 与协作深度分析
4.3 交付周期与返工率质量验证
4.4 团队扩张下人均效能持续翻倍
5. 经验与展望
5.1 落地踩坑：Token 效率、依赖风险、质量保障
5.2 从 L2 起步到 L3 跃迁的 8 周落地路径
5.3 下一阶段：扩展至需求分析、架构设计、代码审查
5.2 从 L2 起步到 L3 跃迁的 8 周落地路径
5.3 下一阶段：扩展至需求分析、架构设计、代码审查
听众收益：
1. 如何从个人提效到团队提效。
2. 了解 Agent-First 研发协同的核心理念与落地方法论。
3. 掌握用数据量化 AI Agent 研发效能的完整指标体系与计算口径。
4. 获得多 Agent 链式协作编排的架构参考与渐进式放权实践路径，可直接借鉴到自己的团队。
1. 如何从个人提效到团队提效。
2. 了解 Agent-First 研发协同的核心理念与落地方法论。
3. 掌握用数据量化 AI Agent 研发效能的完整指标体系与计算口径。
4. 获得多 Agent 链式协作编排的架构参考与渐进式放权实践路径，可直接借鉴到自己的团队。
吴潇轩
快手 平台消费客户端 AI DevOps 负责人
长期从事大前端研发与 AI 工程化实践，业务经历覆盖搜索、首页等核心场景。主要负责平台消费客户端 AI DevOps 方向建设，推动 AI 能力覆盖多端研发中的编码、构建、部署和验证链路，提升研发的交付效率。
待定
待定
一人多端，「日不落」交付：客户端 AI 人机接力交付实践
议题背景：
主站消费场景对性能和体验要求高，Android、iOS、HarmonyOS 长期采用 Native 交付。传统团队按平台配置人力，每个需求需要多人分端实现；平台增加会同步放大人力投入、跨端对齐和联调等待，难以在团队规模稳定的情况下持续扩张。
我们提出「单端先行、对端复刻」的 AI Native 日不落交付范式，让 AI 产能跨越工作时段持续运行，逐步降低平台扩张对人员规模和协作链路的依赖。该模式在真实需求中完成长程验证并取得明确效率收益。本次分享将呈现背后的关键设计、组织变化与实践边界。
内容大纲：
1. 背景与挑战：平台扩张下的客户端交付约束
我们提出「单端先行、对端复刻」的 AI Native 日不落交付范式，让 AI 产能跨越工作时段持续运行，逐步降低平台扩张对人员规模和协作链路的依赖。该模式在真实需求中完成长程验证并取得明确效率收益。本次分享将呈现背后的关键设计、组织变化与实践边界。
内容大纲：
1. 背景与挑战：平台扩张下的客户端交付约束
1.1 三端 Native 并行成为常态，人力与协作成本持续增长
1.2 AI 跨端交付面临判断力、质量可信与长程稳定性挑战
1.2 AI 跨端交付面临判断力、质量可信与长程稳定性挑战
2. 范式升级：从「按端分工」到「单端先行、对端复刻」
2.1 以主端沉淀高确定性工程资产，支撑对端规模化复用
2.2 重构工程师、Agent 的职责边界
2.2 重构工程师、Agent 的职责边界
3. 可信闭环：多端交付的生成、验证与持续收敛
3.1 建立统一验收基线与可追溯的质量证据
3.2 通过稳定能力体系支撑长程执行、异常恢复与结果复验
3.2 通过稳定能力体系支撑长程执行、异常恢复与结果复验
4. 日不落交付：跨时段持续运行的人机协同实践
4.1 Agent 承接长耗时任务，工程师聚焦目标、决策与审核
4.2 形成当日发起、跨夜推进、次日验收的交付节奏
4.2 形成当日发起、跨夜推进、次日验收的交付节奏
5. 规模化演进：从一人多端走向组织能力升级
5.1 结合真实需求验证效率收益、质量表现与运行成本
5.2 探索 AI 跨端交付的团队形态
5.2 探索 AI 跨端交付的团队形态
听众收益：
1. 「范式认知」理解客户端 AI Native 从单点提效走向多端交付闭环的实践脉络。
2. 「跨端生成」了解基于 SDD、多仓 Workspace、代码 Diff 和知识映射开展跨端转译的方法。
3. 「长程闭环」了解以运行时证据定义验收标准，搭建可持续实现、验证和修复的 GoalLoop，获得长程 Loop 的一线经验，减少重复踩坑。
4. 「落地框架」获得一套可借鉴的「主端先行—对端复刻—对比自测—夜跑交付」实践框架，并能结合自身团队边界逐步试点。
1. 「范式认知」理解客户端 AI Native 从单点提效走向多端交付闭环的实践脉络。
2. 「跨端生成」了解基于 SDD、多仓 Workspace、代码 Diff 和知识映射开展跨端转译的方法。
3. 「长程闭环」了解以运行时证据定义验收标准，搭建可持续实现、验证和修复的 GoalLoop，获得长程 Loop 的一线经验，减少重复踩坑。
4. 「落地框架」获得一套可借鉴的「主端先行—对端复刻—对比自测—夜跑交付」实践框架，并能结合自身团队边界逐步试点。
敬请期待
......
.....
待定
待定
圆桌论坛
....
关注QECon公众号
议题投稿
speaker@qecon.com.cn
商务合作
151-2264-3988 木子
票务联系
135-2067-8913 媛媛
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 媛媛
