Keynote Speech-2026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

团购享更多优惠

北京站 · 10月16-17日

上海站 · 9月4-5日

深圳站 · 5月22-23日

Keynote Speech

10.16 09:10-12:10

扫码预约

观看直播/回放

王诩

快手科技副总裁、快手企业AI生产力负责人

毕业于清华大学计算机系，赴美攻读博士期间转入产业界，在中美两地从事技术工作十余年。早年在 Amazon 参与卖家平台 FBA 的后端研发。随后加入 Google，以技术负责人兼解决方案架构师的身份，参与打造智能招聘 SaaS 产品 Cloud Talent Solution。2018 年回国加入阿里巴巴，任云上数据中台 Dataphin 技术负责人，并负责 People Analytics & Intelligence 业务。

2020 年加入快手，负责企业信息化体系建设，覆盖协同办公、人力、财务、采购等核心领域，从系统平台、经营数据到 AI 应用逐层推进。擅长企业级 Agent 架构与规模化落地、面向 Agent 的企业上下文与知识工程、AI 驱动的组织与研发转型，现在带领企业AI生产力部门，以"让 AI 成为快手的组织能力"为愿景，推动各业务领域的 AI 转型。技术出身，始终把自己当作一名程序员。

待定

快手企业AI生产力：从研发提效到组织跃迁

议题背景：

从企业全局视角，介绍快手AI-Native组织转型全貌。尤其是从2025年-2026年，快手在AI加持下，组织提效实践发生了根本性的变化，从AI x 研发效能体系 → 企业AI生产力体系：
● 范式转变：AI x 研发提效 → AI-Native组织转型
● 实践升级：AI x 技术人员 → AI x 所有人员 → AI x 团队&组织
● 基建升级：CodeAgent → 通用Agent + 垂直AI能力 + 企业上下文
● 政策升级：分摊制 → Token积分制

内容大纲：
1. 快手AI组织转型的前世今生
2. 快手企业AI生产力体系：
○ AI实践：AI-Native组织进化
○ AI基建：产品、资产、能力、模型
○ AI政策：Token积分制与企业级治理
AI组织：企业AI生产力组织的前世今生

听众收益：
1. 了解万人级企业的AI-Native转型完整实践过程和经验。
2. 了解企业AI生产力体系，尤其是可支撑组织AI转型的前沿AI产品与技术实践、合适的AI政策与制度、有效的组织保障方式。
3. 了解AI转型前沿企业对未来1-2年发展的预测和判断。

张乐

腾讯智能化软件工程资深技术专家

研发效能资深技术专家

负责支撑数万人规模的 AI Coding 及智能化工具平台的设计与研发、Harness Engineering 的设计与实现。曾先后就职于百度、京东等国内一线互联网企业及多家世界五百强公司，长期负责研发效能提升、研发效能度量体系建设、敏捷与DevOps实践落地及平台工程体系的研发工作。《研发效能宣言》发起人及主要内容起草人、《AI质效宣言》共同发起人，DevOps运动国内早期布道者与推动者。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“AI x 研发效能”主理人。

待定

AI 软件工程变革全景：从工程提效到范式跃迁

议题背景：
AI Agent 已经进入研发流程，用不用不再是问题。真正的挑战是：模型和工具跑得飞快，组织把 AI 变成实际能力却慢得多。多数团队已经用上 AI，收益却仍停在单个环节。从"用上 AI"到"让 AI 真正改变研发范式”，中间横着一道鸿沟。这道鸿沟卡在哪里、怎么跨过，是今天要回答的问题。

分享内容：
本次分享将分层讲清楚一张三层软件工程变革全景图。
第一层 · AI 嵌入 SDLC：需求、设计、开发、测试、发布、运维六大环节逐项增效。人主导任务，AI 协同执行。这是「效能提升」。
第二层 · AI 研发范式变革：工程实践、流程重构、组织重塑、效能度量四位一体。人定义意图与验收，AI 主导实现闭环。这是「效能跃迁」。
1. 工程实践：从「选择模型」到「构建驾驭工程体系」。
2. 流程重构：从「接力式流程」到「按意图对齐 · 按证据验收」。
3. 组织重塑：从「按工种设边界」到「按交付责任分工」。
4. 效能度量：从「统计过程活动」到「衡量交付价值」。
第三层 · AI 工程底座（SE4AI）：模型、Agent、生态三级供给，自下而上提供能力，决定前两层能走多远。
贯穿三层的是安全治理、可观测和能力评估。它们决定 AI 研发能否被信任、被管理。

总结：
这场变革不是某一环节的升级，而是研发体系的整体重构。AI 嵌入 SDLC，解决单点提效；研发范式变革，解决组织如何用好 AI；底座 AI 能力供给，决定跃迁走多远；治理贯穿始终，决定AI 研发能否被信任、被管理。听众带走的是一张可对照、可裁剪、可落地的变革全景地图。

陶建辉

涛思数据创始人 CEO

涛思数据创始人· CEO ，开源软件 TDengine 时序数据库主要作者，2024 年“中国计算机学会(CCF)杰出工程师奖”获得者。1994年中国科大毕业后，赴美留学，先后在芝加哥Motorola、3Com等公司从事移动互联网的研发工作。2008年回到北京，先后创办科技企业“和信”和“快乐妈咪”。2017年5月创办涛思数据，专注物联网、工业数据处理。产品TDengine TSDB时序数据库在2019年7月开源后，在GitHub全球趋势排行榜上多次排名第一。2026年7月TDengine 升级为AI 原生的工业数据平台，并宣布对全球中小企业永久免费，将AI的能力在工业、物联网场景落地，为工业数据流提供从采集、存储、实时分析到可视化、事件管理、根因分析、AI洞察等全栈技术解决方案。涛思数据已获红杉、GGV、经纬、明势资本等多家机构超5亿RMB的投资。

待定

AI 时代，测试团队有存在的必要吗？

议题背景：

AI 能写代码、生成用例、修缺陷，“测试团队还有存在的必要吗”成了质量管理者的必答题。多数团队仍卡在老地方：场景藏在个人脑子里、跑完一轮说不清覆盖了什么，脚本与文档脱节，测试资源紧张。根因不是 AI 不够强，而是测试从未工程化。更棘手的是，软件本身在变成 AI 原生：TDengine 2026 年 7 月已升级为 AI 原生的工业数据平台，内置 AI 洞察与根因分析，测试对象也从确定性结果扩展到语义与推理可验证。本次演讲回答：测试团队靠什么继续存在。

内容大纲：

1. 问题诊断：AI 来了，测试团队还剩什么价值

1.1 三个必须正面回答的问题

1.2 五个真实的低效场景

1.3 根因拆解：测试从未被工程化

1.4 核心判断：被取代的是不可复用、不可回溯的测试方式

1.5 新的变量：软件本身正在变成 AI 原生

2. 技术抉择：一切代码化

2.1 Environment as code

2.2 Pipeline as code

2.3 Documentation as code

2.4 Benchmark as code

2.5 Infrastructure as code

2.6 AI as code

2.7 取舍与复盘

3. 落地实践：TDengine 的测试工程化路径

3.1 笔记本上即可打包、发布、跑测试

3.2 测试脚本自带描述，覆盖场景可枚举

3.3 验收报告、性能对比、Release Notes 自动生成

3.4 客户场景测试一键执行

3.5 PR 与 Workflow 公开透明

3.6 AI 原生化之后的测试对象

3.7 AI 反哺测试

4. 量化收益

4.1 规模与效能

4.2 新人上手速度

4.3 测试覆盖与交付周期

4.4 AI 参与后的质量数据

5. 组织与人的转型：AI 时代的测试团队怎么活

5.1 角色重定义

5.2 能力模型

5.3 AI 的正确位置

5.4 迁移路线图

听众收益：

1. 一套判断框架：分清哪些测试工作会被 AI 与自动化替代、哪些在 AI 时代反而更值钱，可用于测试团队的定位、编制与年度规划。

2. 一份“一切代码化”落地清单：Environment / Pipeline / Documentation / Benchmark / Infrastructure / AI as code 的推进顺序、依赖与踩坑点，含 README、自带描述的测试脚本、自动生成验收与性能报告的做法。

3. 一个真实参照：从 TDengine 真实组织架构调整出发以及产品升级为 AI 原生工业数据平台之后，测试团队如何做到新人几小时上手、覆盖可枚举、不依赖公司测试资源，以及角色的演进路径。

黄闻欣

腾讯技术总监

自 2009 年加入腾讯以来，曾管理系统测试团队，技术垂直领域的性能专项团队和可观测 RUM / AI 工作台的业务团队，深耕技术管理和团队效能提升领域。作为大模型技术的深度实践者，通过将其融入日常管理流程，在团队协作、知识管理、绩效评估等关键场景取得显著成效。目前负责IaaS、数据库、元宝的性能工程工作和AI评估工作，探索将AI团队共脑与 AI 决策相结合的管理新模式，致力于用 AI 技术重塑传统管理模式，构建高效的团队价值传递体系。

待定

AI 时代的命脉：理想态
当 AI 自主探索路径，质量系统该如何演进？

1. Why“理想态”

1.1 我曾经以为的其他命脉 VS 理想态；
1.2 个人使用 AI 的新实践：对“验证”的认知更新；
1.3 案例：Benchmark 优先的内部 AI 应用实践；
1.4 理想态可以包含什么？又带来什么？

2. 从空间角度，看“理想”要落地

2.1 从原子能力到端到端 Agentic 的评测；
2.2 Agentic AI 归因的证据链。

3. 从时间角度，看“理想”落地

3.1 “可持续”工程化的数据飞轮；
3.2 “高质量”归因：死上下文 VS 活上下文；
3.3 Looper 整合时间＋空间实践

4. 演化-实证VS 设计-理想态

4.1 从组织到文化的选择
4.2 从二元到一元的选择

马龙飞

中国信通院云计算与数字化研究所副主任

长期深耕于智能原生软件工程、汽车及金融等领域的核心技术研究、产业推进与标准制定工作。作为核心发起人与撰稿人，牵头编制《智能原生软件工程技术能力要求》、《驾驭工程能力成熟度模型》、《智能研发运营（AIDevops）平台和工具能力分级要求》、《智能原生软件工程 AI软件可信治理》、《2025年软件工程智能化标准体系建设指南》、《驾驭工程：赋能智能原生软件工程研究报告》等行业标准和领域研究报告，为行业规范化发展提供核心指引。具备多年软件工程&金融领域项目管理经验，发表软件工程智能化相关领域专利、软著、论文四十余篇。

待定

从研究到范式：2026驾驭工程报告解读与可信Harness体系构建

议题背景：
驾驭工程完成从概念到产业范式的演进，本次结合研究报告，分享可信Harness的工程化建设思路，给产业提供落地参考。同时，智能Agent大规模应用于软件研发，在释放效能的同时，越权调用、输出不可控、缺少评估标尺等问题逐步凸显，本演讲将一同探索智能体可信建设路径，致力于为AI原生软件工程产业实践输出可借鉴的思路与方案。

内容大纲：
1. 背景

1.1 人工智能重塑软件工程范式，驾驭工程应运而生
1.2 价值定位：智能原生软件工程的核心管控框架与生态底座

2. 技术发展格局与产业生态现状
3. 体系构建与实施指引

3.1 驾驭工程的设计原则与核心技术体系
3.2 驾驭工程能力成熟度标准化分级

4. 驾驭工程赋能智能原生软件工程应用场景

4.1 赋能智能原生软件工程关键节点与作业模式
4.2 赋能多行业智能软件规模化落地应用

5. 可信Harness能力现状与体系建设
6. 未来展望

6.1 从工程化组件向AI基础设施层演进
6.2 中国信通院下一步工作