专场：需求规格化与 Spec-Driven Development 开发新范式
需求模糊是制约AI编码落地的最大瓶颈，输入质量直接决定输出质量。专场聚焦存量代码到全量需求的知识反构、AI辅助需求分析、ATDD测试驱动开发新实践、设计规格自动生成，搭建从产品PRD到可执行技术规格的自动化闭环链路。
专场出品人：左杨眉
北京兴云数科 软件工程总监
1年中兴通讯工作经验，聚焦数字化系统的研发与过程改进。做过多年软件开发，也做过开发经理、系统工程师、科长、部长。近几年在兴云数科陆续担任质量总监、软件工程总监。现在主要负责公司的研发提效工作。
贾澄臻
记忆张量MemTensor 测试负责人
记忆张量 MemOS 团队测试负责人，全面负责 MemOS 产品质量体系的规划、建设与落地。将意图驱动测试（Intent-Driven Testing）方法论引入团队并结合业务深度实践，面向 AI 记忆系统"意图理解—记忆存储—检索召回—个性化响应"的核心链路，建立了一套适配 AI 原生产品特性的质量评估体系。在此基础上，主导搭建了基于业务域分层的意图驱动自动化测试框架，并积极探索人机协同的质量工程新范式——将 AI 深度融入业务交付全周期，持续推动框架的开源化演进，致力于填补 AI 意图驱动，记忆系统测试领域的工具与方法空白。此前拥有 7 年+互联网大厂质量工程经验，曾在美团负责商家履约业务质量保障，在百度担任用户增长效能负责人，主导无人值守交付体系建设及春晚红包等大型运营活动质量保障，沉淀输出《用增运营活动质量白皮书》。精通 Python、Go、Java 和 Shell，兼具测试架构设计、技术方案落地与团队管理的综合能力。
待定
待定
意图驱动测试：我们在 AI 记忆产品里怎么测，踩过什么坑
议题背景：
AI记忆产品的测试链路横跨意图理解写入检索个性化响应，传统自动化退化为堆URL和参数，与用户意图脱节，接口调整后无法区分是契约变更还是业务错误，且经验随人走、知识难沉淀。
为此提出"意图驱动测试"方法:将用例拆为意图、契约、步骤、数据四层各管一摊，用例先写清业务意图再将可复用动作沉淀为步骤库，数据独立为语料按场景组织，代码仅负责串联和断言。
将接口文档作为契约，在成功响应后自动做结构级对比实现契约左移，用特性矩阵+改进计划量化覆盖缺口，同时利用AI记忆沉淀测试方案、故障案例与业务数据，避免经验流失，并依靠对话轮数、AI效果等量化指标评估测试体系的运转效率。
内容大纲：
1.背景介绍
1.1 被测产品：围绕MemOS记忆操作系统衍生出的记忆产品
1.2 跨Agent召回的业务场景
1.3 被测对象不是一个接口，而是一条记忆链
1.4 记忆产品常见的质量问题
1.5 意图驱动测试：把用户目标写成可执行判定
2.意图驱动测试
2.1 memos-test：将测试意图落成六层执行架构
2.2 意图驱动测试和传统接口测试的区别
2.3 一条测试用例实际怎么跑
2.4 YAML 如何落成测试动作与强业务断言
3.用例与契约
3.1 七个维度，用来组合生成业务用例
3.2 强断言：验证业务结果，而不只确认调用成功
3.3 记忆产品断言：记对、找准、改得动、删得净
4.知识可继承
4.1 把踩坑、证据和规范沉淀为团队可复用资产
4.2 质量知识分三层，各自解决一个问题
4.3 MemOS 知识库：原始踩坑与可检索记忆并存
5.关于未来
5.1 AI 时代，QA 的时间不是变少，而是换了地方
5.2 QA 从测试执行者，走向质量系统维护者
AI记忆产品的测试链路横跨意图理解写入检索个性化响应，传统自动化退化为堆URL和参数，与用户意图脱节，接口调整后无法区分是契约变更还是业务错误，且经验随人走、知识难沉淀。
为此提出"意图驱动测试"方法:将用例拆为意图、契约、步骤、数据四层各管一摊，用例先写清业务意图再将可复用动作沉淀为步骤库，数据独立为语料按场景组织，代码仅负责串联和断言。
将接口文档作为契约，在成功响应后自动做结构级对比实现契约左移，用特性矩阵+改进计划量化覆盖缺口，同时利用AI记忆沉淀测试方案、故障案例与业务数据，避免经验流失，并依靠对话轮数、AI效果等量化指标评估测试体系的运转效率。
内容大纲：
1.背景介绍
1.1 被测产品：围绕MemOS记忆操作系统衍生出的记忆产品
1.2 跨Agent召回的业务场景
1.3 被测对象不是一个接口，而是一条记忆链
1.4 记忆产品常见的质量问题
1.5 意图驱动测试：把用户目标写成可执行判定
2.意图驱动测试
2.1 memos-test：将测试意图落成六层执行架构
2.2 意图驱动测试和传统接口测试的区别
2.3 一条测试用例实际怎么跑
2.4 YAML 如何落成测试动作与强业务断言
3.用例与契约
3.1 七个维度，用来组合生成业务用例
3.2 强断言：验证业务结果，而不只确认调用成功
3.3 记忆产品断言：记对、找准、改得动、删得净
4.知识可继承
4.1 把踩坑、证据和规范沉淀为团队可复用资产
4.2 质量知识分三层，各自解决一个问题
4.3 MemOS 知识库：原始踩坑与可检索记忆并存
5.关于未来
5.1 AI 时代，QA 的时间不是变少，而是换了地方
5.2 QA 从测试执行者，走向质量系统维护者
听众收益：
1. 回去能改自己业务的自动化场景：意图—契约—步骤—数据怎么切、前置里该不该塞业务，能对照自查，不用先直接上框架。
2. 契约左移可操作：文档定义 + 结构对比 + 合并门禁
3. 覆盖和知识能写成清单：矩阵和改进计划替代补用例，记忆知识替代问老员工
1. 回去能改自己业务的自动化场景：意图—契约—步骤—数据怎么切、前置里该不该塞业务，能对照自查，不用先直接上框架。
2. 契约左移可操作：文档定义 + 结构对比 + 合并门禁
3. 覆盖和知识能写成清单：矩阵和改进计划替代补用例，记忆知识替代问老员工
姜天意
网易 CodeWave&CoreAgent 技术负责人
目前负责网易数智低代码平台CodeWave，及智能体平台CoreAgent的产品技术研发。研究方向为Code Agent AI编程、多智能体协作等领域，曾先后就职于阿里、腾讯，资深前端架构师，开源框架 Egg.js 的核心开发者之一。曾负责盒马数据可视化前端团队、腾讯云大数据平台前端团队、腾讯低代码开源项目逻辑编排方向等。 曾参加多场业界内峰会演讲。
待定
待定
从 Vibe Coding 到 Spec Driven-CodeWave 智能化软件
工厂的思考和实践
议题背景：
2025年被称之为 Vibe Coding 元年，由于模型能力的增强，以 Claude Code 为代表，出现了大量低门槛的 Vibe Coding 工具，同时，低代码、可视化开发等技术也受到了很大的冲击。然而，Vibe Coding 带给企业的并非只有提效的优势，AI 生成发散，技术栈不受控，代码难以维护等问题严重影响了企业落地 AI Coding 。
2025年被称之为 Vibe Coding 元年，由于模型能力的增强，以 Claude Code 为代表，出现了大量低门槛的 Vibe Coding 工具，同时，低代码、可视化开发等技术也受到了很大的冲击。然而，Vibe Coding 带给企业的并非只有提效的优势，AI 生成发散，技术栈不受控，代码难以维护等问题严重影响了企业落地 AI Coding 。
本次分享会分析自然语言编程的问题，用 Spec Driven（规格驱动） 引入形式化约束来"降熵"，同时将 CodeWave NASL 可视化底座与 SDD 结合，构建从需求标准化→技术设计→ NASL 代码生成的完整 AI 软件工厂。技术上通过马具工程、渐进式上下文披露、沙箱隔离等手段保障长程任务稳定性，并建立 Benchmark 体系驱动模型微调迭代。通过此套实践，重塑 AI 开发工作流，实现企业级大规模应用的 AI Coding 稳定落地。
内容大纲：
1. 为什么要用 SDD 来解决 Vibe Coding 的问题
1.1 Vibe Coding 方式缺少必要的约束，生成效果、质量不可控。
1.2 48 年前的预言与分析问题本质：自然语言 + 软件工程局限性 → 引入 Spec 先行
1.3 介绍 Spec driven，通过 Spec driven 解决 Vibe coding 遇到的问题
1.4 介绍马具工程，通过马具工程解决复杂AI Coding任务的偏移问题
1.5 两套形式化的发展和对比：从 AI Coding 到 AI + 可控底座，从低代码到拥有自研语言的低代码到 Spec Driven
1.6 结合低代码的规范和最佳实践，实现 Spec Driven 驱动的可视化开发模式，让 AI Coding 支撑大规模企业级应用的开发
1.2 48 年前的预言与分析问题本质：自然语言 + 软件工程局限性 → 引入 Spec 先行
1.3 介绍 Spec driven，通过 Spec driven 解决 Vibe coding 遇到的问题
1.4 介绍马具工程，通过马具工程解决复杂AI Coding任务的偏移问题
1.5 两套形式化的发展和对比：从 AI Coding 到 AI + 可控底座，从低代码到拥有自研语言的低代码到 Spec Driven
1.6 结合低代码的规范和最佳实践，实现 Spec Driven 驱动的可视化开发模式，让 AI Coding 支撑大规模企业级应用的开发
2. 产品介绍：围绕需求标准化（Spec First）的开发平台
2.1 基于 Spec-Driven 理念的企业级全栈开发平台，及 SDD 核心：需求工程（EARS 标准化、消除模糊词、量化非功能需求）的介绍
2.2 老应用历久弥新：基于 SDD+Code2Sepc 的逆向工程
2.2 老应用历久弥新：基于 SDD+Code2Sepc 的逆向工程
3. 技术方案：大规模 SDD 任务的 Harness Engineering 实践
3.1 CodeWave平台架构介绍：AI 友好的平台底座
3.2 代码智能体底层：需要什么样的 Code Agent（开源 Wave-Agent 介绍）
3.3 围绕 NASL 生成的 SDD 全链路介绍
3.4 "马具工程"到底是什么
3.5 需求标准化：上百页需求如何塞进上下文窗口
3.6 技术设计：如何生成给架构师看的完整文档
3.7 NASL 代码生成：海量上下文下的任务稳定性保障渐进式披露：私有知识如何避免上下文遗忘
3.8 Compound 复合工程：让 AI 越跑越精准
3.9 文档解析：RAG 知识工程能力复用
3.10 多模态支持：UI 理解与图片意图判断
3.11 沙箱技术：智能体运行时核心（Bubblewrap）
3.12 总结：马具工程设计原则 — 解决长程任务稳定性
3.2 代码智能体底层：需要什么样的 Code Agent（开源 Wave-Agent 介绍）
3.3 围绕 NASL 生成的 SDD 全链路介绍
3.4 "马具工程"到底是什么
3.5 需求标准化：上百页需求如何塞进上下文窗口
3.6 技术设计：如何生成给架构师看的完整文档
3.7 NASL 代码生成：海量上下文下的任务稳定性保障渐进式披露：私有知识如何避免上下文遗忘
3.8 Compound 复合工程：让 AI 越跑越精准
3.9 文档解析：RAG 知识工程能力复用
3.10 多模态支持：UI 理解与图片意图判断
3.11 沙箱技术：智能体运行时核心（Bubblewrap）
3.12 总结：马具工程设计原则 — 解决长程任务稳定性
4. Benchmark：数据驱动的产品与语言模型训练
4.1 核心痛点：提效难度量 / 产品能力难度量 / 效果达不到预期
4.2 No Data No BB — 建立 AI 功能的 Benchmark 体系
4.3 建立 AI 提效的量化标准
4.4 AI Infra：工程化平台支撑 AI 功能迭代与微调闭环
4.2 No Data No BB — 建立 AI 功能的 Benchmark 体系
4.3 建立 AI 提效的量化标准
4.4 AI Infra：工程化平台支撑 AI 功能迭代与微调闭环
5. 总结与展望
5.1 Spec Driven 的本质：通过形式化来"降熵"
5.2 CodeWave 可视化软件工厂 vs AI Coding IDE 对比
5.3 未来规划
5.2 CodeWave 可视化软件工厂 vs AI Coding IDE 对比
5.3 未来规划
听众收益：
1. Spec Driven解决AI Coding不受控问题及在可视化开发领域的落地
2. Coding Agent 的设计与优化方案
3. 大规模需求管理的需求工程思路
4. 复杂 AI Agent 的 Harness engineering 实践
1. Spec Driven解决AI Coding不受控问题及在可视化开发领域的落地
2. Coding Agent 的设计与优化方案
3. 大规模需求管理的需求工程思路
4. 复杂 AI Agent 的 Harness engineering 实践
龙波
中兴通讯 研发教练
任职在有线研究院数据系统部，软件工程本硕，数通产品15年以上工作经验。
负责有线院和数据中心需求过程改进，有线院方案设计域AI应用负责人。
目前专注于需求工程和系统设计，将大模型、知识工程、多智能体落地到研发场景，推动研发提效。
负责有线院和数据中心需求过程改进，有线院方案设计域AI应用负责人。
目前专注于需求工程和系统设计，将大模型、知识工程、多智能体落地到研发场景，推动研发提效。
待定
待定
反构 · 回流 · 评审——需求与设计的智能化实践
议题背景：
AI 研发落地的瓶颈除了模型，还在过程知识——需求与设计一旦脱离存量，产出就容易"从零开始"、华而不实。观察到两个问题：一是存量代码、历史方案与人工校正经验未被结构化沉淀，导致同类问题反复踩坑；二是新产出的需求与设计成果缺少回灌通道，价值随交付而流失。为此，构建三个机制——反构（代码→组件树→特性方案树，盘活存量）、回流（需求画场景→特性树应用场景、需求方案→特性方案、故障与用例反哺，沉淀增量）、评审（设计原则 + 原子检查点 + 多智能体，守住质量），让存量可复用、新成果可沉淀、产出有把关，形成可持续的研发知识闭环。
内容大纲：
1. 背景：
AI 研发落地的瓶颈除了模型，还在过程知识——需求与设计一旦脱离存量，产出就容易"从零开始"、华而不实。观察到两个问题：一是存量代码、历史方案与人工校正经验未被结构化沉淀，导致同类问题反复踩坑；二是新产出的需求与设计成果缺少回灌通道，价值随交付而流失。为此，构建三个机制——反构（代码→组件树→特性方案树，盘活存量）、回流（需求画场景→特性树应用场景、需求方案→特性方案、故障与用例反哺，沉淀增量）、评审（设计原则 + 原子检查点 + 多智能体，守住质量），让存量可复用、新成果可沉淀、产出有把关，形成可持续的研发知识闭环。
内容大纲：
1. 背景：
1.1 需求与测试贯通：需求分析消费测试知识（拓扑/场景/标准动作），验收准则 Given-When-Then 支撑测试用例生成
1.2 方案与开发贯通：需求方案传递到下游详设和代码编写，代码反构补全组件树和特性方案，设计方案指导开发落地
1.3 痛点：存量代码、历史方案与人工校正经验未被结构化沉淀，缺乏足够过程知识从而模型生成准确率不足，增量知识缺少回灌存量，知识复用未充分利用
1.2 方案与开发贯通：需求方案传递到下游详设和代码编写，代码反构补全组件树和特性方案，设计方案指导开发落地
1.3 痛点：存量代码、历史方案与人工校正经验未被结构化沉淀，缺乏足够过程知识从而模型生成准确率不足，增量知识缺少回灌存量，知识复用未充分利用
2. 总体思路：反构 · 回流 · 评审，让知识形成复利闭环
2.1 让知识和质量在需求与设计中贯通、持续沉淀
2.1.1 反构盘活存量（从代码/历史方案挖出可复用资产）
2.1.2 回流沉淀增量（把新成果回灌特性树）
2.1.3 评审守住质量（契约 + 原子检查点 + 守门）
2.1.2 回流沉淀增量（把新成果回灌特性树）
2.1.3 评审守住质量（契约 + 原子检查点 + 守门）
2.2 先反构让存量可用，再回流让增量沉淀，靠评审让产出可控，三者闭环推动研发智能化
3. 方案与落地：怎么做、做到什么效果
3.1 存量反构与知识回流
3.1.1 代码反构补全组件树与特性方案树，建立"特性→功能→组件"关联，避免重复设计
3.1.2 知识回流：需求画场景→特性树应用场景、需求方案→特性方案、故障与用例反哺，人工检查点把关入库
3.1.2 知识回流：需求画场景→特性树应用场景、需求方案→特性方案、故障与用例反哺，人工检查点把关入库
3.2 评审守门与质量闭环
3.2.1 设计原则守护：契约驱动、质量属性驱动、一致性优先 + 分章节规则
3.2.2 原子检查点按 AUTO/人工分级评审，AUTO 覆盖率约 70%、评审效率提升，引入缺陷数下降超 30%
3.2.3 质量闸：生成前注入规则、拦截违规；生成后校验输出、审计合规；不合格阻断、禁止向下游流转
3.2.2 原子检查点按 AUTO/人工分级评审，AUTO 覆盖率约 70%、评审效率提升，引入缺陷数下降超 30%
3.2.3 质量闸：生成前注入规则、拦截违规；生成后校验输出、审计合规；不合格阻断、禁止向下游流转
3.3 双智能体与知识推荐
3.3.1 生成智能体按 RIPER-5 产出，评审智能体按规则把关
3.3.2 知识推荐（动态+静态）+ 人工校准，需求实例化准确率提升至约 80%
3.3.3 落地效果：评审自动化减少缺陷、知识工程提升效率，带来量化收益
3.3.2 知识推荐（动态+静态）+ 人工校准，需求实例化准确率提升至约 80%
3.3.3 落地效果：评审自动化减少缺陷、知识工程提升效率，带来量化收益
4. 总结与展望
4.1 反构放活存量、回流沉淀增量、评审守住质量，形成闭环
4.2 展望：让智能体持续进化、越用越准，沉淀长期可复用的过程经验
4.2 展望：让智能体持续进化、越用越准，沉淀长期可复用的过程经验
听众收益：
1. 筑起"反构 + 回流 + 评审"的综合体系，把存量代码、历史方案、新旧成果沉淀为可复用知识资产，过程知识能获取，同类问题不踩坑；
2. 掌握 Pre/Post/Stop 质量闸与"生成 + 评审"双智能体的方法，把业务标准转化为可判定契约，提升需求与设计的确定性与评审自动化；
3. 了解知识推荐 + 人工校准的闭环手段，让输入更贴合真实存量、知识精准复用，准确率与知识利用率带来可量化收益。
1. 筑起"反构 + 回流 + 评审"的综合体系，把存量代码、历史方案、新旧成果沉淀为可复用知识资产，过程知识能获取，同类问题不踩坑；
2. 掌握 Pre/Post/Stop 质量闸与"生成 + 评审"双智能体的方法，把业务标准转化为可判定契约，提升需求与设计的确定性与评审自动化；
3. 了解知识推荐 + 人工校准的闭环手段，让输入更贴合真实存量、知识精准复用，准确率与知识利用率带来可量化收益。
王一
中兴通讯 有线研究院 需求AI应用负责人
中兴通讯有线研究院需求AI应用负责人
中兴通讯有线研究院需求领域教练
中兴通讯有线研究院某中心需求领域效能提升负责人
长期从事需求领域相关工作，包括需求体系化建设、需求效能提升，需求质量管控等工
近期投入研究大模型提效相关工作
中兴通讯有线研究院需求领域教练
中兴通讯有线研究院某中心需求领域效能提升负责人
长期从事需求领域相关工作，包括需求体系化建设、需求效能提升，需求质量管控等工
近期投入研究大模型提效相关工作
待定
待定
基于co-claw和业务套件的需求顾问智能体实践
议题背景：
本项目面向规划侧打造需求顾问智能体，落实「AI 赋能前移，ALL in 规划侧」：把需求理解、澄清与结构化前移到规划环节，减少后期返工。通过 Skills 分层策略，统一应对需求来源分散、沟通链路冗长、需求转化质量不可控三类问题，让智能体按能力分层协作，提升可追溯性与一致性。实践上，需求从沟通到可用产出由两三天级压缩到小时级，显著缩短等待与对齐成本，为规模化需求治理提供可落地的智能体路径。
内容大纲：
1. 背景与痛点：来源分散、链路长、转化质量难三大现状and痛点
2. 解决思路：需求顾问智能体 +「前移 + 规划侧收口」的总体设计。
3. Skills 分层策略：如何分层拆解能力，将专家经验通过自然语言贯彻给LLM。
4. 落地与效果：流程变化、效率从两三天到小时级的对比与典型场景。
5. 后续展望：可复制性、风险与后续演进方向。
听众收益：
1. 需求域-规划端首次完整赋能实践
2. 理解「规划侧智能体 + Skills 分层」如何加速原始需求流转
3. 获得可对照的提效标尺（天级→小时级）与完整落地实施方案
本项目面向规划侧打造需求顾问智能体，落实「AI 赋能前移，ALL in 规划侧」：把需求理解、澄清与结构化前移到规划环节，减少后期返工。通过 Skills 分层策略，统一应对需求来源分散、沟通链路冗长、需求转化质量不可控三类问题，让智能体按能力分层协作，提升可追溯性与一致性。实践上，需求从沟通到可用产出由两三天级压缩到小时级，显著缩短等待与对齐成本，为规模化需求治理提供可落地的智能体路径。
内容大纲：
1. 背景与痛点：来源分散、链路长、转化质量难三大现状and痛点
2. 解决思路：需求顾问智能体 +「前移 + 规划侧收口」的总体设计。
3. Skills 分层策略：如何分层拆解能力，将专家经验通过自然语言贯彻给LLM。
4. 落地与效果：流程变化、效率从两三天到小时级的对比与典型场景。
5. 后续展望：可复制性、风险与后续演进方向。
听众收益：
1. 需求域-规划端首次完整赋能实践
2. 理解「规划侧智能体 + Skills 分层」如何加速原始需求流转
3. 获得可对照的提效标尺（天级→小时级）与完整落地实施方案
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
