专场：研发智能体与数字员工：从工具到队友
本专场聚焦研发智能体、数字员工的落地路径与实战落地经验。早期各类智能工具只能完成代码补全、表单填写、固定流程重复执行这类简单工作，只能依照单次指令完成任务，能力提升空间已经很有限；传统自动化工具只能执行提前设定好的步骤，没办法灵活应对业务变化，复杂工作很难顺畅推进。研发智能体与数字员工囊括了上述两类能力，形成更完整的落地体系，为研发、办公场景搭建可灵活适配的自动化协作体系，支撑大批量、长期稳定、贴合业务需求的企业数字化落地。本专场将分享一线落地经验，涵盖研发全流程智能体搭建、数字员工任务自主拆分、人机分工协作模式、多岗位数字员工联动、业务动态适配调整、权限风险管控、规模化部署运维等落地内容。
专场出品人：李庆丰
新浪微博 高级总监
新浪微博高级总监、新浪集团技术委员会委员，负责微博基础架构技术研发，以及信息流、流媒体等核心业务的工程架构与技术研发，同时负责微博AI提效工具研发及业务落地。
在高可用架构、云原生、流媒体和AI工程化应用等领域拥有丰富的技术研发与团队管理经验。现兼任中国计算机学会TF架构SIG主席、腾讯云TVP。
在高可用架构、云原生、流媒体和AI工程化应用等领域拥有丰富的技术研发与团队管理经验。现兼任中国计算机学会TF架构SIG主席、腾讯云TVP。
乔红麟
前阿里云 资深技术专家
前阿里云资深技术专家，拥有 10 余年 AI 与云计算实战经验，曾负责数据库智能化、GTS 行业 AI 落地、阿里云AI客服云小二 Aivis 和 阿里数字员工产品QoderWake 等研发团队。专注大模型与 Agent 产品、领域后训练与数据工程、Harness Engineering、AI-Native 组织及 FDE 式企业 AI 落地。
他也是个人公众号「Fighter 的世界」主理人，持续分享 AI 产业趋势、Agent 产品工程、数字员工与企业 AI 落地实践。
他也是个人公众号「Fighter 的世界」主理人，持续分享 AI 产业趋势、Agent 产品工程、数字员工与企业 AI 落地实践。
待定
待定
FDE重塑软件交付：一线实践、共识与非共识
议题背景：
FDE 不是驻场交付的新名字，而是工程师深入真实场景，用生产级实现解决完整问题，并把现场经验反哺产品的工作方式。AI 时代的软件交付正从 Coding 扩展到需求、设计、实现、测试、发布和维护的全流程(SDLC)。数字员工开始按岗位分工、靠产物交接，组成"软件工厂"。但一进入企业，代码库、组织上下文、隐性规则、验证条件、权限与责任边界都会暴露出来，产品能力和真实生产之间的缺口不会自己消失。
本次分享以数字员工构建软件工厂的一线实践为例，讲 FDE 如何补齐可委托条件，如何搭起上下文、控制、验证和工具这几套工程机制，如何把运行工厂的能力交给企业，又如何让现场经验回流产品。最后总结 FDE 已形成的四项共识和三项非共识判断。
FDE 不是驻场交付的新名字，而是工程师深入真实场景，用生产级实现解决完整问题，并把现场经验反哺产品的工作方式。AI 时代的软件交付正从 Coding 扩展到需求、设计、实现、测试、发布和维护的全流程(SDLC)。数字员工开始按岗位分工、靠产物交接，组成"软件工厂"。但一进入企业，代码库、组织上下文、隐性规则、验证条件、权限与责任边界都会暴露出来，产品能力和真实生产之间的缺口不会自己消失。
本次分享以数字员工构建软件工厂的一线实践为例，讲 FDE 如何补齐可委托条件，如何搭起上下文、控制、验证和工具这几套工程机制，如何把运行工厂的能力交给企业，又如何让现场经验回流产品。最后总结 FDE 已形成的四项共识和三项非共识判断。
内容大纲：
1. 软件工厂：数字员工怎样覆盖软件交付全流程
1.1 从代码生成到全流程：数字员工按岗位分工、靠产物交接，组成软件工厂
1.2 数字员工实践：执行范围扩大以后，人的工作重心转向目标、取舍、异常处理和验收
1.3 以一类研发工作为单元设计软件工厂：一个共享底座，加一份可验收的契约
1.2 数字员工实践：执行范围扩大以后，人的工作重心转向目标、取舍、异常处理和验收
1.3 以一类研发工作为单元设计软件工厂：一个共享底座，加一份可验收的契约
2. 落地起手：FDE 进入企业后先做什么
2.1 先补齐可委托条件：能启动、能判错、能接手，然后再扩大自动执行
2.2 用契约和产物组织协作，让上下游接得上、中断后续得上
2.2 用契约和产物组织协作，让上下游接得上、中断后续得上
3. 工程机制：让数字员工在企业里可靠运行
3.1 整体架构：共享能力底座，按场景编排数字员工
3.2 上下文工程：把企业事实送到需要它的岗位
3.3 控制与执行分离：任务中断后还能继续推进
3.4 验证先行与两级验证闭环：让反馈指导修复，在交给人之前改好变更
3.5 工具优化：把机械交互移出模型循环
3.2 上下文工程：把企业事实送到需要它的岗位
3.3 控制与执行分离：任务中断后还能继续推进
3.4 验证先行与两级验证闭环：让反馈指导修复，在交给人之前改好变更
3.5 工具优化：把机械交互移出模型循环
4. 交付回流：FDE把能力交给企业，把经验带回产品
4.1 落地交付：企业骨干接手运行和维护，生产发布仍由人批准
4.2 量化价值：用目标需求按期有效交付率和单位有效交付的完整成本，决定要不要扩大试点
4.3 按真实任务选配置：质量和可靠性达标后再比成本；现场改进分成项目配置和产品候选两条出口
4.2 量化价值：用目标需求按期有效交付率和单位有效交付的完整成本，决定要不要扩大试点
4.3 按真实任务选配置：质量和可靠性达标后再比成本；现场改进分成项目配置和产品候选两条出口
5. 关于FDE的共识与非共识
5.1 四项共识：先确认价值，再选自动化路径；与企业共建，不替客户独自做完；用验证证据决定委托范围；客户结果和产品学习都要负责
5.2 非共识一：FDE 首先要重组现场判断权
5.3 非共识二：FDE 可以不做利润中心，但必须有回收路径
5.4 非共识三：FDE 应按问题的不确定性配置，而不是只看客户技术强不强
5.5 收束：FDE 重塑的，是企业持续交付软件的方式
5.2 非共识一：FDE 首先要重组现场判断权
5.3 非共识二：FDE 可以不做利润中心，但必须有回收路径
5.4 非共识三：FDE 应按问题的不确定性配置，而不是只看客户技术强不强
5.5 收束：FDE 重塑的，是企业持续交付软件的方式
听众收益：
看懂数字员工软件工厂在企业里怎样真正落地：从岗位链、契约和产物，到可委托条件。
带走一份能直接用的工程机制清单：上下文、控制与执行分离、验证闭环、工具优化，外加一套价值度量口径（有效交付率和完整成本）。
带走判断 FDE 的框架：四项共识加三项非共识，用来判断企业要不要 FDE、按什么问题派、投入怎么收回。
陈妍佳
百度 资深工程师
百度商业广告质量AI管控工程与基础数据组质效负责人，长期专注于流式计算端到端监测体系、AI 管控基建及质量管控数字员工的维护与建设。主导构建了覆盖数据采集、实时观测、异常报警与故障处置全链路的AI Native监测工程体系，推动监测能力从传统人工驱动的规则运维，演进为 Web + Agent 双核驱动的VibeTracking智能协同模式，致力于将数字员工真正嵌入质量管控的日常工作中，与团队共同完成AI Agent从工具辅助走向AI Teammate的转变.
待定
待定
VibeTracking：双核驱动的 AI 质量管控
议题背景：
基于AI原生监测基建实践，介绍如何通过 Web + Agent 双核架构重构监测工程体系，将传统依赖人工串联的采集、观测、报警和故障处置流程，升级为与数字员工交互的协同闭环。重点分享 AI采集、AI观测、AI报警和AI故障处置 的关键设计与落地经验，以及如何通过开放式基础设施支撑业务上下文组织、策略编排和持续演进。
基于AI原生监测基建实践，介绍如何通过 Web + Agent 双核架构重构监测工程体系，将传统依赖人工串联的采集、观测、报警和故障处置流程，升级为与数字员工交互的协同闭环。重点分享 AI采集、AI观测、AI报警和AI故障处置 的关键设计与落地经验，以及如何通过开放式基础设施支撑业务上下文组织、策略编排和持续演进。
内容大纲：
1. 问题：监测工程的协作困境
1.1 平台与业务的两层割裂
1.2 隐形知识与人工协作的成本问题
1.2 隐形知识与人工协作的成本问题
2. 方案：VibeTracking 双核驱动
2.1 Web——承载监测上下文的工作空间
2.2 Agent——组织监测认知的智能内核
2.3 开放底座支撑能力生长
2.2 Agent——组织监测认知的智能内核
2.3 开放底座支撑能力生长
3. 落地路径：人定目标，数字员工落方案
3.1 采集：人给数据源，Agent 补全连接和理解
3.2 观测：人给观测对象，Agent 组织看板与认知空间
3.3 报警：人给报警目标，Agent 生成方案
3.4 故障：人给报警线索，Agent 扩展调查对象（OCIL）
3.2 观测：人给观测对象，Agent 组织看板与认知空间
3.3 报警：人给报警目标，Agent 生成方案
3.4 故障：人给报警线索，Agent 扩展调查对象（OCIL）
4. 持续演进：协作过程也是数字员工的成长过程
4.1 人的每一次修改、确认、拒绝、纠正，都沉淀为 Agent 的经验
4.2 协作次数越多，Agent 判断越准，人要交代的细节越少
4.2 协作次数越多，Agent 判断越准，人要交代的细节越少
听众收益：
1. 理解人与数字员工在真实监测工程中的协作边界如何划分：哪些交给人，哪些交给 Agent
2. 获得 Web 与 Agent 协同承接数据采集、业务观测、报警生成、故障排查的具体落地方法
3. 握一套让数字员工在协作中持续成长的机制，真正实现从工具到队友的转变
1. 理解人与数字员工在真实监测工程中的协作边界如何划分：哪些交给人，哪些交给 Agent
2. 获得 Web 与 Agent 协同承接数据采集、业务观测、报警生成、故障排查的具体落地方法
3. 握一套让数字员工在协作中持续成长的机制，真正实现从工具到队友的转变
黄举光
中兴通讯 有线研究院技术教练
中兴通讯有线研究院技术教练，主要负责数据中心自动化测试平台的设计和开发，AI辅助测试技术的探索、工程化落地，包括不限于测试智能体框架的设计、记忆系统的规划和设计、知识工程建设等等。
待定
待定
共生伙伴：重构测试交付模式的人机协同智能体实践
议题背景：
数通产品测试面临组网灵活、步骤繁多、知识分散的固有挑战，交付压力持续增长（需求+52%、人力-18%），传统提效手段已到瓶颈。我们构建了"共生伙伴"——端到端测试交付智能体系统，通过知识逆构、AI+Web融合、通用测试仪接口界
面化、流程中知识生产等关键技术，重构"人找工具"的测试交付模式为人机协同模式，实现脚本生成采纳率85%+、AI累计生成代码200W+行、测试效率提升30%的效果。
本分享将完整呈现系统的工程实践——从知识定义、低成本知识生产、人机协同消费到知识自动沉淀的完整闭环，以及落地中的踩坑经验与量化效果，为测试智能化提供可复用的方法论。
内容大纲：
1. 为什么需要重构测试交付模式
数通产品测试面临组网灵活、步骤繁多、知识分散的固有挑战，交付压力持续增长（需求+52%、人力-18%），传统提效手段已到瓶颈。我们构建了"共生伙伴"——端到端测试交付智能体系统，通过知识逆构、AI+Web融合、通用测试仪接口界
面化、流程中知识生产等关键技术，重构"人找工具"的测试交付模式为人机协同模式，实现脚本生成采纳率85%+、AI累计生成代码200W+行、测试效率提升30%的效果。
本分享将完整呈现系统的工程实践——从知识定义、低成本知识生产、人机协同消费到知识自动沉淀的完整闭环，以及落地中的踩坑经验与量化效果，为测试智能化提供可复用的方法论。
内容大纲：
1. 为什么需要重构测试交付模式
1.1 数通测试的核心矛盾：需求+52%、人力-18%的交付压力
1.2 传统模式的瓶颈：知识分散、脚本开发耗时、提效到顶
1.3 重构思路：从"人找工具"到"人机协同"的范式转变
2. 知识定义：标准化的"业务积木"
2.1 知识单元的标准化：意图→动作的内聚业务逻辑
2.2 为什么要素因子库方案失败（2000+特性需363.6人月，依赖专家）
2.3 踩坑：同义不同名/同名不同义导致的语义映射错误
3. 知识生产：机器翻译+人工审核的逆构模式
3.1 存量脚本/手册的逆向解构（高熵→低熵）
3.2 工具提取初稿、人校正终稿的低成本生产
3.3 知识提纯：膨胀倍数差异与轻量级近似匹配
3.4 量化：知识生产人力成本降低（数据）
4. 知识消费：AI+Web融合的人机协同
4.1 页面即上下文、对话即操作
4.2 上下文管理：设备/用例/执行/知识四类上下文注入
4.3 通用测试仪API界面化：一份操作、多厂商通用
4.4 人机协同工作界面：挂起→呼叫人工、接受→人工恢复
4.5 踩坑：AI幻觉、上下文注入时机、Web页面与AI请求的衔接
5. 知识沉淀：流程中自动生产
5.1 新增知识在验证流程中自动生产
5.2 存量知识一处修改、全局同步
5.3 闭环验证机制
6. 效果与数据
6.1 核心指标：采纳率85%+、AI代码200W+行、效率+30%
6.2 质量指标：零因脚本问题泄露的故障、交付质量+16%
6.3 规模指标：覆盖900+需求、8000+用例
6.4 未达预期的尝试与反思
7. 未来展望
7.1 从"人找智能体"到"智能体驱动人评审决策"
7.2 知识飞轮：端到端知识贯通、度量反馈闭环
7.3 人机协作共生：可观测、可追溯、可进化的新范式
听众收益：
1. 重构测试交付模式的完整方法论：掌握"知识定义→知识生产→知识消费→知识沉淀"的全流程设计，理解人机协同如何替代传统"人找工具"模式，可迁移到其他研发领域。
1. 重构测试交付模式的完整方法论：掌握"知识定义→知识生产→知识消费→知识沉淀"的全流程设计，理解人机协同如何替代传统"人找工具"模式，可迁移到其他研发领域。
2. 知识工程低成本落地的实操方法：学习"机器翻译+人工审核"的知识逆构生产模式，解决知识建设成本高、依赖专家的行业难题，含知识提纯、近似匹配等踩坑经验。
3. 量化效果与可复用的架构参考：了解共生伙伴的三层架构（Master-Agent/Sub-Agent/Skill+MCP）、AI+Web融合、通用测试仪API界面化等关键技术选型，以及85%+采纳率等真实数据支撑。
兴连博
爱奇艺 高级研发项目管理专家
爱奇艺企业效能部PMO，高级研发项目管理专家。长期负责公司重点研发项目管理工作，并承担部门项目管理工具、数据度量平台与AI能力建设。近年主导PMO智能化升级，在AI Agent浪潮下，推进PMO Agent架构及Skills落地，使项目管理从自动化阶段，快速迈入智能化阶段。
待定
待定
爱奇艺PMO智能化项目管理工程实践
议题背景：
爱奇艺项目管理积极拥抱AI Agent，实现了从自动化向智能化的快速跃迁。在自动化项目管理阶段，通过自研工具来协助固定项目管理动作，但工具需要定制化开发，散落各处难以形成合力；在基于Al Agent的智能化项目管理阶段，通过搭建飞书机器人/agent/skills，实现意图理解、按项目路由、自主判断并推动闭环。本次分享沿自动化一智能化这条脉络展开，介绍爱奇艺PMO如何走上智能化项目管理之路。
内容大纲：
1. 从自动化到智能化
1.1 爱奇艺项目管理背景：发版、非发版、专项并存，不同类型的项目，生命周期也不同，管理方式相应需要灵活调整
1.2 自动化阶段：自研工具矩阵如发布管理、版本日历、度量平台、百晓生、飞书集成等，通过固定动作提升项目管理效率
1.3 存在问题：入口不统一、系统分散、定制开发成本高、难以形成组织级合力
2. 智能化项目管理：L1项目小助手 → L2数字员工
2.1 L1与L2划分标准：L1定义为项目小助手，支持统一入口、可查询及接受人触发指令；L2支持系统写入、自主触发、知识成长并覆盖项目全生命周期。
2.2 L1 项目小助手：采用开源集中式架构，实现单Agent+多通用Skill的智能体，起步快、对外接口统一，但存在代码易冲突、核心调度难等弊端
2.3 L2 数字员工：采用分布式架构，实现多项目Agent+项目Skill+定时任务+知识库的智能体，支持路由表、通用Skill兜底、两级知识库回流等能力，完成项目全生命周期智能管理
3. 思考与总结
3.1 基础建设和公共能力是规模化前提，路由表建设、统一授权、定时触发、知识回流缺一不可
3.2 项目经理角色转变及不可替代性，允许将更多精力投入到决策中
3.3 可复制的发展路径，从自动化到智能化，不只是堆Skill，架构及公共能力要协同发展
听众收益：
1. 一条对齐最新实践的演进脉络：从自动化自研工具到AI Agent智能化，以及智能化内部如何用硬标准划分L1项目小助手与L2数字员工。
2. 一套可复制的工程搭法：集中式单Agent如何快速统一入口，为何必须转到分布式多项目Agent，期间路由表、通用Skill、定时任务与知识回流如何支撑组织级规模化。
3. 一组可对照的能力边界与踩坑：人触发vs自主触发、仅通知vs系统回写；代码冲突、核心调度稳定性、路由依赖人工维护等真实取舍。
关注QECon公众号
关注QECon视频号
商务合作
151-2264-3988 木子
票务联系
159-0126-5561 小娟
媒体合作
135-1619-6409 皮皮
购票咨询
小娟 15901265561
