专场：Spec-Driven模式下的开发效率和质量管控
在AI技术深度融入软件工程的新时代，研发模式正迎来全新变革，规范驱动（Spec-Driven）开发凭借其标准化、可落地的特性，成为提升开发效率、强化质量管控的核心路径，为研发全流程的标准化、自动化与智能化提供关键支撑。当前行业中，如何通过清晰的规格定义串联需求、设计、开发、测试全环节，如何结合AI技术让规范驱动开发落地提效，如何基于标准化规格搭建质量管控体系，成为企业研发升级的重要探索方向。本次「Spec-Driven模式下的开发效率和质量管控」分论坛，将聚焦规范驱动开发的前沿实践，汇聚行业技术专家，深入探讨Spec-Driven模式的落地方法论、全流程效能提升与自动化平台搭建、AI辅助编程/设计/架构/测试在规范驱动场景下的融合应用等核心话题，分享一线企业在该模式下实现开发提效、质量闭环的实战经验，为行业打造标准化、高质量、高效率的研发体系提供可借鉴的实践方案。
专场出品人：周默
京东零售 技术总监
京东集团11年工作经历，曾任商城技术中台基础算法部负责人、用户增长与运营部技术团队负责人，现任零售产研技术架构部算法总监，有丰富的高可用工程架构以及算法驱动业务应用落地的实战经验，曾获北京市亦城优秀人才、京东集团优秀人才、京东集团算法大牛、最美京东人、京东零售十大最具影响力专家等称号。目前清华MBA在读，并任清华产业创新俱乐部主席，对AI时代下的技术战略布局及团队管理有独到见解。
田彦博
百度 工程效能部 文心快码资深工程师
百度资深前端工程师，内部讲师，文心快码开放平台负责人，拥有超 5 年软件工程效能提效经验，曾负责落地百度内部多个 DevOps 项目云原生改造，内部 NPM 镜像负责人。2023年开始参与百度智能开发工具文心快码（Comate）的 IDE 插件研发，负责开放性建设，Figma2Code，MCP等多个方向，有丰富的 LLM 应用开发经验。
待定
待定
构建可落地的前端智能工具：
从页面生成到联调部署闭环的工程实践
议题背景：
随着以 OpenAI、Anthropic 等公司推动的大模型能力快速演进，前端开发正在经历从“代码编写”向“智能协作”的范式升级。但现实问题是：大模型生成的代码往往无法直接合并，缺乏对项目上下文的理解，也难以完成真实任务闭环。前端场景更具复杂性——涉及页面结构、视觉还原、组件规范、工程约束与运行调试。如何构建一个真正可落地的前端智能体，使其既能理解设计、遵循技术栈规范，又能通过工具调用感知页面与运行状态，实现“生成—运行—修正”的闭环，是当前前端智能化转型的关键议题。本次分享将系统拆解前端智能化的构建方法与工程实践路径。
内容大纲：
1. 从“写代码”到“智能协作”的范式转变
1.1 AI 对前端研发流程的冲击
1.1.1 从代码补全到任务级生成的跃迁
1.1.2 从“人驱动工具”到“人机协作共创”
1.1.3 研发角色由“实现者”向“设计与约束制定者”转变
1.2 传统 AI 编码的局限
1.2.1 无上下文感知，生成内容割裂
1.2.2 无工程规范约束，无法直接合并
1.2.3 无运行反馈机制，无法自我修正
2. 智能体如何生成页面与组件？
2.1 无设计稿场景：结构化 Prompt 驱动生成
2.1.1 将页面拆解为：布局结构 / 语义内容 / 交互行为 / 视觉风格
2.1.2 使用结构化 Prompt 明确约束：
页面模块结构
组件命名规范
技术栈限定（如 React + Tailwind）
2.1.3 优势：
避免“创意型发散”
提升生成稳定性与可控性
页面一次生成成功率提升
2.2 有设计稿场景：Figma2Code 高还原生成
2.2.1 读取设计稿结构（图层、样式、布局信息）
2.2.2 转换为组件层级结构
2.2.3 自动映射设计变量到代码样式系统
2.2.4 高还原落地，将“视觉还原时间”从数小时缩短至数分钟
3. 让 AI 写出“可直接合并”的代码
3.1 自动读取项目技术栈
3.1.1 分析 package.json 依赖
3.1.2 识别框架版本（如 React/Vue）
3.1.3 判断样式方案（CSS Modules / Tailwind / Styled Components）
3.2 Rules 机制：强约束工程一致性
3.2.1 文件结构规则
3.2.2 命名规范规则
3.2.3 Hooks 使用约束
3.2.4 禁止使用未授权依赖
随着以 OpenAI、Anthropic 等公司推动的大模型能力快速演进，前端开发正在经历从“代码编写”向“智能协作”的范式升级。但现实问题是：大模型生成的代码往往无法直接合并，缺乏对项目上下文的理解，也难以完成真实任务闭环。前端场景更具复杂性——涉及页面结构、视觉还原、组件规范、工程约束与运行调试。如何构建一个真正可落地的前端智能体，使其既能理解设计、遵循技术栈规范，又能通过工具调用感知页面与运行状态，实现“生成—运行—修正”的闭环，是当前前端智能化转型的关键议题。本次分享将系统拆解前端智能化的构建方法与工程实践路径。
内容大纲：
1. 从“写代码”到“智能协作”的范式转变
1.1 AI 对前端研发流程的冲击
1.1.1 从代码补全到任务级生成的跃迁
1.1.2 从“人驱动工具”到“人机协作共创”
1.1.3 研发角色由“实现者”向“设计与约束制定者”转变
1.2 传统 AI 编码的局限
1.2.1 无上下文感知，生成内容割裂
1.2.2 无工程规范约束，无法直接合并
1.2.3 无运行反馈机制，无法自我修正
2. 智能体如何生成页面与组件？
2.1 无设计稿场景：结构化 Prompt 驱动生成
2.1.1 将页面拆解为：布局结构 / 语义内容 / 交互行为 / 视觉风格
2.1.2 使用结构化 Prompt 明确约束：
页面模块结构
组件命名规范
技术栈限定（如 React + Tailwind）
2.1.3 优势：
避免“创意型发散”
提升生成稳定性与可控性
页面一次生成成功率提升
2.2 有设计稿场景：Figma2Code 高还原生成
2.2.1 读取设计稿结构（图层、样式、布局信息）
2.2.2 转换为组件层级结构
2.2.3 自动映射设计变量到代码样式系统
2.2.4 高还原落地，将“视觉还原时间”从数小时缩短至数分钟
3. 让 AI 写出“可直接合并”的代码
3.1 自动读取项目技术栈
3.1.1 分析 package.json 依赖
3.1.2 识别框架版本（如 React/Vue）
3.1.3 判断样式方案（CSS Modules / Tailwind / Styled Components）
3.2 Rules 机制：强约束工程一致性
3.2.1 文件结构规则
3.2.2 命名规范规则
3.2.3 Hooks 使用约束
3.2.4 禁止使用未授权依赖
3.2.5 效果：代码风格偏差率显著下降
3.3 Few-shot 示例提升生成质量
3.3.1 提供标准组件样例
3.3.2 提供标准页面样例
3.3.3 提供异常处理示例
3.3.4 结果：
组件一致性显著提升
人工修改频次减少
4. 前端场景的工具调用能力：构建真实闭环
4.1 内置浏览器能力
4.1.1 直接打开页面运行结果
4.1.2 采集 DOM 结构
4.1.3 自动捕获 Console 报错
4.1.4 实现能力：
发现报错 → 插入对话上下文 → 生成修复代码
从“生成代码”进化为“修复代码”
4.2 元素选取与局部修改
4.2.1 选中页面元素 → 自动识别对应组件
4.2.2 精准修改样式或交互逻辑
4.2.3 避免全文件重写
4.3 文本划选引用
4.3.1 选中文档 / 选中设计说明
4.3.2 形成真正的：生成 → 运行 → 报错 → 修复 → 再验证 的闭环能力
5. 真实案例与效果数据
页面搭建效率提升、高保真页面开发时间缩短
6. 未来展望：AI 驱动的前端工作方式
6.1 从“写代码”到“定义规则”
6.2 从“实现页面”到“设计智能体能力”
6.3 前端工程师将成为：规范设计者、智能体训练者、工作流架构师
3.3 Few-shot 示例提升生成质量
3.3.1 提供标准组件样例
3.3.2 提供标准页面样例
3.3.3 提供异常处理示例
3.3.4 结果：
组件一致性显著提升
人工修改频次减少
4. 前端场景的工具调用能力：构建真实闭环
4.1 内置浏览器能力
4.1.1 直接打开页面运行结果
4.1.2 采集 DOM 结构
4.1.3 自动捕获 Console 报错
4.1.4 实现能力：
发现报错 → 插入对话上下文 → 生成修复代码
从“生成代码”进化为“修复代码”
4.2 元素选取与局部修改
4.2.1 选中页面元素 → 自动识别对应组件
4.2.2 精准修改样式或交互逻辑
4.2.3 避免全文件重写
4.3 文本划选引用
4.3.1 选中文档 / 选中设计说明
4.3.2 形成真正的：生成 → 运行 → 报错 → 修复 → 再验证 的闭环能力
5. 真实案例与效果数据
页面搭建效率提升、高保真页面开发时间缩短
6. 未来展望：AI 驱动的前端工作方式
6.1 从“写代码”到“定义规则”
6.2 从“实现页面”到“设计智能体能力”
6.3 前端工程师将成为：规范设计者、智能体训练者、工作流架构师
听众收益：
1. 掌握构建前端智能体的完整方法论：从 Prompt 设计到工具闭环的系统化路径。
2. 学会让 AI 输出可直接合并代码的工程实践：通过 rules + few-shot + 技术栈识别提升代码质量。
3. 理解工具调用如何增强模型能力：浏览器调试、DOM 读取、报错感知如何形成真正闭环。
4. 获得可量化的效率提升经验：页面开发效率提升 2–3 倍的实践路径。
5. 建立对“AI + 前端”协作模式的认知框架：从写代码者升级为智能体构建者。
周默
京东零售 技术总监
京东集团11年工作经历，曾任商城技术中台基础算法部负责人、用户增长与运营部技术团队负责人，现任零售产研技术架构部算法总监，有丰富的高可用工程架构以及算法驱动业务应用落地的实战经验，曾获北京市亦城优秀人才、京东集团优秀人才、京东集团算法大牛、最美京东人、京东零售十大最具影响力专家等称号。目前清华MBA在读，并任清华产业创新俱乐部主席，对AI时代下的技术战略布局及团队管理有独到见解。
待定
待定
领域驱动的 Spec 技术平台实践
议题背景：
介绍京东AI4SE的最新探索实践，以京东零售场景的系统研发为案例，结合当前行业流行的Spec技术，解决公司核心业务系统的需求流转、编程规约、文档及代码生成、自动化测试及部署等环节，解放产研生产力，提升需求交付质量和效率。
内容大纲：
1. AI4SE发展历程及趋势分析
2. Spec-Driven概述及其认知升级
3. 京东零售产研提效实践探索
3.1 需求理解及PRD文档生成
3.2 领域解构及TRD文档生成
3.3 基于Skills的规范代码生成
3.4 基于流量仿真的测试用例生成
4. 总结与展望
听众收益：
大厂DDD+Spec的实践经验，推进过程中的一些坑
内容大纲：
1. AI4SE发展历程及趋势分析
2. Spec-Driven概述及其认知升级
3. 京东零售产研提效实践探索
3.1 需求理解及PRD文档生成
3.2 领域解构及TRD文档生成
3.3 基于Skills的规范代码生成
3.4 基于流量仿真的测试用例生成
4. 总结与展望
听众收益：
大厂DDD+Spec的实践经验，推进过程中的一些坑
何均健
腾讯 资深架构师
腾讯资深架构师，在互联网领域10年工作经验，先后主导过视频/搜索/推荐/支付等多个大型复杂业务的架构设计、AI应用工作，目前在财付通/系统架构方向 探索AI对业务提效的落地，全面推进研发工作的智能化
待定
待定
Spec-Driven 在财付通（微信支付）的实践
议题背景：
2026年，Cursor、Claude Code、Codex等AI编码工具已具备多Agent并行、后台自主构建的能力，个人开发效率大幅提升。然而在企业级系统中，通用工具面临两个结构性适配缺口：不具备企业私域知识的注入机制，缺乏阶段隔离与物理拦截级别的流程约束基础设施。财付通（微信支付后台）团队在一年的工程实践中，构建了Spec驱动开发体系——在通用AI编码工具之上叠加企业适配层：通过自主学习Agent构建领域知识Skill包，通过四层协作框架（Commands/Agents/Skills/Rules）实现认知隔离与Gate强制约束，覆盖信贷、支付、结算等多条核心业务线。本次分享将完整呈现这套体系从行业洞察到工程落地的实践经验。
2026年，Cursor、Claude Code、Codex等AI编码工具已具备多Agent并行、后台自主构建的能力，个人开发效率大幅提升。然而在企业级系统中，通用工具面临两个结构性适配缺口：不具备企业私域知识的注入机制，缺乏阶段隔离与物理拦截级别的流程约束基础设施。财付通（微信支付后台）团队在一年的工程实践中，构建了Spec驱动开发体系——在通用AI编码工具之上叠加企业适配层：通过自主学习Agent构建领域知识Skill包，通过四层协作框架（Commands/Agents/Skills/Rules）实现认知隔离与Gate强制约束，覆盖信贷、支付、结算等多条核心业务线。本次分享将完整呈现这套体系从行业洞察到工程落地的实践经验。
内容大纲：
1. 工作流全貌
1.1 2026年AI编码工具的Agentic能力现状
1.2 通用工具与企业环境的结构性适配缺口
1.3 财付通AI Native研发工作流全貌
2. 领域知识挖掘
2.1 企业私域知识的规模与复杂度
2.2 自主学习Agent：采集→结构化→可下发的知识工程流程
2.3 12维度知识体系与笔记生命周期管理
2.4 知识应用：C1-C5分类路由与精准知识召回
2.5 业务模块分析的完整流程（从代码仓到结构化知识）
2.6 落地覆盖与反馈飞轮机制
3. 约束驱动编码
3.1 通用工具约束机制的局限性与认知冲突分析
3.2 四层协作框架：Commands/Agents/Skills/Rules的设计理由
3.3 Agent工具隔离：使错误行为不可能发生
3.4 Design阶段：需求对话引擎与领域知识协作
3.5 阶段断裂设计哲学与Hook物理拦截机制
3.6 证据先行：从"声称完成"到"验证证据"的范式转换
4. 落地成果与演进方向
4.1 存量Spec基线冷启动（确定性代码包围AI）
4.2 效果对比与业务线覆盖
4.3 体系协作数据闭环
4.4 从标准能力约定到Agentic自动工作流的演进路线
听众收益：
1. 系统理解 Spec-Driven 编程的全貌——知道它们解决了什么、留下了什么
2. 获得存量项目落地 Spec-Driven 的路径参考——了解如何突破"初始 Spec 从哪来"这个阻碍企业级落地的最大障碍
3. 理解"Spec + Skills"双轮驱动的实践模式——Spec 管"做什么"、Skills 管"怎么做"，让 AI 生成的代码既满足需求又符合规范
4. 看到工程知识从手工维护到自动提炼的演进方向——从单项目经验到多项目交叉提炼的方法论
5. 建立"AI 编码的瓶颈在知识管理"的新认知——帮助团队在模型选型之外，关注更关键的知识工程建设
关注QECon公众号
关注QECon视频号
议题投稿
speaker@qecon.com.cn
票务联系
18649077637 Lily
媒体合作
135-1619-6409 皮皮
商务合作
151-2264-3988 木子
购票咨询
18649077637 Lily
