随着人工智能和机器学习的快速发展，大模型成为了研发领域的热门话题。大模型不仅可以提供更准确、更复杂的预测和分析结果，还能够帮助研发团队进行更高效的决策和优化。通过将大规模数据和强大的计算能力与研发工作相结合，企业可以实现更高水平的研发效能。”我们相信大模型会在未来改变很多行业的运作模式和底层逻辑，当前已展现出非常强劲的结果，和超预期的进步速度。欢迎来到 LLM 驱动下的研发提效专场，希望通过交流碰撞，让大家在这一波新的浪潮中，获得启迪，紧跟潮流。
LLM驱动下的研发效能提升 专场
专场出品人：钱承君 
字节跳动
曾在百度、哔哩哔哩任测试总监，行业摸爬滚打十余年，从成熟大厂走到了高速发展的新兴企业，从互联网红利期走到了资源相对贫乏的时代，见证了行业的兴衰变革。希望借这个舞台，与同行交流行业最新趋势，互相学习，持续进步。
管占明
字节跳动  高级算法工程师
字节跳动代码智能团队，目前主要负责公司基于LLM的代码生成、代码理解等方向的算法训练及工程开发工作。
待定
待定
LLM与安全风险治理 --端到端解决校验缺失风险代码
1. 安全风险治理的挑战与LLM机遇
    1.1 风险形成逻辑：风险代码与漏洞
    1.2 治理深层风险代码的成本
    1.3 通过LLM端到端解决风险代码
2. 基于LLM的风险代码识别与修复
    2.1 任务目标
    2.2 整体框架
    2.3 Continue Training & SFT
3. 实验结果与分析
    3.1 实验数据与评测指标
    3.2 实验结果分析
    3.3 落地场景
4. limitation and future
.....
听众收益
大型语言模型（LLM）是近年来自然语言处理（NLP）领域的热门话题，它们具有强大的文本生成能力，可以应用于各种任务，如文本摘要、对话系统、机器翻译等。在研发场景下，崩溃日志分析和软件测试是软件开发和维护过程中不可或缺的流程。然而，由于崩溃日志的数量庞大、格式复杂、内容混乱，人工分析和定位问题非常耗时和低效；测试场景下，人工测试面临效率低下、质量不稳、覆盖不全等问题，而现行的自动化测试面临工程量巨大、标准化困难等问题。因此，本项工作提出了一个基于LLM的综合解决方案，利用LLM的强大表征能力和生成能力，自动提取崩溃日志中的关键信息，并生成简洁明了的问题报告；同时根据软件需求、开发文档，生成端到端测试流程的方法。本工作设计了一个综合解决方案流程，首先通过引导语句设计定义任务与格式化输出，针对日志和测试流程设计不同的任务模板；其次，通过输入过往的日志结构化整合数据与过往的已完成的测试开发全流程文档，建立上下文关系并进行样本学习，使LLM对特定任务理解程度更深；最后，采用交互式查询和微调的方式对LLM的输出做最后的调整，使模型达到最佳的工作状态。经过验证，所提出的方法能够有效地提取崩溃日志中的关键信息，并生成简洁明了的问题报告；同时根据软件应用文档，完整输出测试流程，节省大量时间与人力资源。
魏同权
华东师范大学 计算机科学与技术学院副教授
华东师范大学计算机科学与技术学院副教授，博士生导师，主要研究方向为边缘智能计算、云计算、分布式深度神经网络与联邦学习，高效AI计算，大语言模型（LLM）轻量化，以及大语言模型在软件测试领域的应用。
待定
待定
基于大模型的软件测试能力提升研究
王植萌
去哪儿网 高级技术总监 
基础研发团队负责人 技术委员会主席
去哪儿网 技术委员会主席/基础研发团队负责人/人工智能委员会公共研发分会主席，去哪儿网AI开发辅助插件AI助手 总负责人，有在500+人团队落地应用replit_3b模型，starcode_3b模型 codellama_7b模型的经验。有github copilot与 开源基座模型对比应用经验。能够对AI对效能提升进行度量。
待定
待定
去哪儿网AI研发助手落地提效实践
1. 开源基座模型与商业模型的选型
2. 如何对AI插件提效效果进行度量
3. IDE交互侧的落地要点与易用性提升
1.研发提效问题的调研与问题确认
2.研发全阶段问题的AI介入解决思路
3.需求设计架构阶段的AI应用
4.研发阶段的AI应用
5.当前阶段的度量指标
6.效果展示
7.后续计划
1. 企业该如何进行模型基座选型，开源？商业？
2. 提示词工程的应用场景
3. langchain+知识库的应用场景
内容大纲
听众收益
王幸福
携程 高级研发经理
高级研发经理 主要负责携程酒店质量工程工具团队的工作，个人热爱编程及开源项目，在测试开发，DevOps及研发效能等领域有资深经验，目前团队主要负责研发效能和研发质量相关工具平台的研发工作，比如代码质量扫描平台，API/UI自动化测试平台，性能测试平台，开发效能平台等等。
待定
待定
iCopilot - 基于LLM模型的智能个人/领域的AI赋能平台
1. 各种工具/平台/项目/业务的文档零散的分布在本地文档,Conf，Gitbook等不同的地方，难于检索
2.各种AI赋能测试的能力和工具分散在各团队，重复造轮子且水平良莠不齐
1. 基于文档的Chatbot，知识不再是死记硬背
2. 可视化配置的领域工具，可以快速的构建基于Langchain的Toolkit，比如用例生成，代码Copilot，测试各种Copilot等等
3. 插件功能，进行第三方扩展，限制你的只有想象力
4. 即时通讯机器人，可以即时解答问题，比如领域知识，故障排查等等
5. Chrome插件，可与Chatbot和领域工具交互，比如生成UI用例，进行代码评审等等
1. 个人/领域/工具的基于文档检索的知识库
2. 基于某个领域的生产力工具
3. TripPal问答机器人
4. 工具平台机器人
5. Prompt设计和检索
6. 通过Chrome插件，可以与Web页面交互
7. 通过Plugin扩展可以进行与其它平台的交互，而不仅是问答
内容大纲
听众收益
关注QECon公众号
关注QECon视频号
议题投稿
Speaker@qecon.net    
票务联系
18611377287  马静  
媒体合作
13516196409  皮皮
商务合作
15122643988  木子