专场：需求规格化与 Spec-Driven Development 开发新范式
.....
专场出品人：王一男
华为 技术专家 华为云 智能化DevOps产品专家
拥有北京航空航天大学软件工程专业本科及硕士学位，具备多年软件工程与管理实践经验，专注于通过方法与工具的结合提升组织研发效能。
黄立华
华为 GTS AI 测试专家
华为GTS AI测试专家，目前主要负责GTS AI辅助测试效能提升，重点是AI测试设计、AI测试执行进行效能提升。
待定
待定
基于 GTS 测试 spec 测试设计、测试执行效能提升实践
议题背景：
背景：
背景：
claude code出来以后，测试设计和测试执行工程化能力是缺失，尤其是AI codeing以后，研发效能提升明显，版本周期压缩，测试如何高效保障AI codeing代码质量和测试效能提升匹配AI变更。
技术方案：
技术方案：
1. 构建需求和spec检查agent实现需求文档正确性、完整性、一致性检查，供100+检查规则来实现研发文档和研发spec符合产品质量要求来提升AI codeing质量
2. 构建了agentic+多模态模型测试spec生成流程图用例、功能用例、性能用例，通过测试spec来评审AI测试设计质量和约束AI生成测试用例质量
3. 构建了测试用例检查agent、存量用例提取测试知识库agent加入知识图谱中，基于图谱进行检查用例生成质量和自动修复测试用例；
4. 构建了基于代码自动生成接口自动化用例实现接口质量保障；
5. 构建了agentic+LOOP工程技术方案实现测试用例->AI测试执行->AI测试代码生成agent解决了AI测试执行效率慢问题和AI测试执行质量问题。
2. 构建了agentic+多模态模型测试spec生成流程图用例、功能用例、性能用例，通过测试spec来评审AI测试设计质量和约束AI生成测试用例质量
3. 构建了测试用例检查agent、存量用例提取测试知识库agent加入知识图谱中，基于图谱进行检查用例生成质量和自动修复测试用例；
4. 构建了基于代码自动生成接口自动化用例实现接口质量保障；
5. 构建了agentic+LOOP工程技术方案实现测试用例->AI测试执行->AI测试代码生成agent解决了AI测试执行效率慢问题和AI测试执行质量问题。
6. 管理面基于多模态模型实现agentic自主遍历测试agent来提升测试效率。
落地效果：经过7月到8月2个月落地，AI辅助用例生成占比70%，AI辅助测试执行占比40%，效率提升明显，AI用例发现问题单跟手工测试发现问题单占比为4:6关系，测试周期由11人天缩短到7人天，效率提升30%；
内容大纲：
1. 需求和spec检查agent
落地效果：经过7月到8月2个月落地，AI辅助用例生成占比70%，AI辅助测试执行占比40%，效率提升明显，AI用例发现问题单跟手工测试发现问题单占比为4:6关系，测试周期由11人天缩短到7人天，效率提升30%；
内容大纲：
1. 需求和spec检查agent
1.1 需求和spec完整性检查agent
1.2 需求和spec正确性检查agent
1.3 需求和spec一致性检查agent
1.2 需求和spec正确性检查agent
1.3 需求和spec一致性检查agent
2. 基于测试spec生成AI测试用例
2.1 测试spec生成
2.2 基于测试spec生成测试点和测试点生成去重检查
2.3 基于测试spec +agentic生成测试用例
2.4 基于多模态模型+agentic技术实现场景交互E2E用例生成
2.5 知识图谱构建
2.6 测试用例生成检查和agentic 改写agent
2.2 基于测试spec生成测试点和测试点生成去重检查
2.3 基于测试spec +agentic生成测试用例
2.4 基于多模态模型+agentic技术实现场景交互E2E用例生成
2.5 知识图谱构建
2.6 测试用例生成检查和agentic 改写agent
3. agentic+LOOP工程技术方案实现AI测试执行
3.1 agentic+LOOP工程技术方案实现测试用例->AI测试执行->AI测试代码生成效能提升
3.2 一键式实现从代码下载到生成接口测试用例和性能基线、摸高测试保障DFX测试质量
3.3 管理面基于多模态模型实现agentic自主遍历测试agent构建
3.2 一键式实现从代码下载到生成接口测试用例和性能基线、摸高测试保障DFX测试质量
3.3 管理面基于多模态模型实现agentic自主遍历测试agent构建
听众收益：
1. 基于测试specAI辅助测试用例生成
2. agentic+LOOP工程技术方案实现AI测试代码生成，保障AI测试质量
3. 构建需求和spec检查agent实现需求文档正确性、完整性、一致性检查
1. 基于测试specAI辅助测试用例生成
2. agentic+LOOP工程技术方案实现AI测试代码生成，保障AI测试质量
3. 构建需求和spec检查agent实现需求文档正确性、完整性、一致性检查
张进朋
中兴通讯 AI应用开发工程师
中兴通讯股份有限公司，AI应用开发工程师，目前主要负责波分需求与架构域的改进提效及治理工作，开展领域知识工程建设与AI应用开发，保障光通信波分产品的架构质量、研发交付效率；搭建领域知识库与智能辅助平台，保障研发流程可复用性与智能化落地。
待定
待定
知识工程驱动的需求自动化管理解决方案
议题背景：
需求管理是研发最前端、却长期依赖人工的环节。需求规模攀升时,波及分析(900+特性)、工作量评估与跨团队排期、准入检查处处存在"人工断点":拆分靠SE逐条手填、评估凭经验无标准、预检靠人工核对易遗漏,问题往往拖到开发阶段才暴露。本方案构建『硬件单板-软件业务-项目团队-管理规则』四位一体知识底座,将专家经验抽象为30+条可执行规则并与大模型编排结合,打造自动波及拆分、自动排期、自动预检三大能力:规则明确的流程由脚本固化,逻辑复杂的判断由大模型兜底。落地后自动拆分占比达98%,单次波及拆分耗时由4小时降至10分钟,累计识别1000+问题需求,实现从需求波及到准入检查的端到端自动化。
内容大纲：
1. 问题提出:需求管理为何卡在"人工"
需求管理是研发最前端、却长期依赖人工的环节。需求规模攀升时,波及分析(900+特性)、工作量评估与跨团队排期、准入检查处处存在"人工断点":拆分靠SE逐条手填、评估凭经验无标准、预检靠人工核对易遗漏,问题往往拖到开发阶段才暴露。本方案构建『硬件单板-软件业务-项目团队-管理规则』四位一体知识底座,将专家经验抽象为30+条可执行规则并与大模型编排结合,打造自动波及拆分、自动排期、自动预检三大能力:规则明确的流程由脚本固化,逻辑复杂的判断由大模型兜底。落地后自动拆分占比达98%,单次波及拆分耗时由4小时降至10分钟,累计识别1000+问题需求,实现从需求波及到准入检查的端到端自动化。
内容大纲：
1. 问题提出:需求管理为何卡在"人工"
1.1 需求规模激增:1万+条需求、900+特性带来的波及复杂度
1.2 三大人工断点拆解
1.2 三大人工断点拆解
1.2.1 波及拆分:高频场景仍靠SE手工拆分、字段人工补全
1.2.2 评估排期:工作量无量化标准、跨团队人力协调周期长
1.2.3 准入检查:交付物/关键字段人工核对易遗漏,问题滞后暴露
1.2.2 评估排期:工作量无量化标准、跨团队人力协调周期长
1.2.3 准入检查:交付物/关键字段人工核对易遗漏,问题滞后暴露
1.3 一句话命题:如何用知识工程打破这些断点?
2. 解决思路:知识工程驱动的"规则固化 + 大模型兜底"双引擎
2.1 为什么纯代码/纯LLM都做不好?
2.2 四位一体知识底座:硬件单板-软件业务-项目团队-管理规则
2.3 智能分治范式:规则明确→脚本执行 / 逻辑复杂→大模型微范式
2.4 三条知识链路:波及(单板→模型→特性→团队)、排期、预检的横向贯通
2.2 四位一体知识底座:硬件单板-软件业务-项目团队-管理规则
2.3 智能分治范式:规则明确→脚本执行 / 逻辑复杂→大模型微范式
2.4 三条知识链路:波及(单板→模型→特性→团队)、排期、预检的横向贯通
3. 具体实践(重点:方法论 + 踩坑)
3.1 知识底座建设与踩坑
3.1.1 原子化解耦与图谱化关联,50+模型/100+单板/900+特性沉淀
3.1.2 20+条自动校验规则,拦截不规范知识录入
3.1.3 拉通空间2.0实现双向同步,消除多源数据不一致
3.1.2 20+条自动校验规则,拦截不规范知识录入
3.1.3 拉通空间2.0实现双向同步,消除多源数据不一致
3.2 自动波及拆分:从"新增单板"到14个高频子场景全覆盖
3.2.1 30+条专家波及规则的抽象与代码固化
3.2.2 20+字段自动填充 + MR&PR自动关联 + 团队自动指派
3.2.2 20+字段自动填充 + MR&PR自动关联 + 团队自动指派
3.3 自动排期:从经验评估到统一模型
3.3.1 开发工作量评估模型:标准工作量×复用系数
3.3.2 团队剩余人力动态计算与优先级/工作量排序纳入
3.3.3 跨迭代拆分与RDC字段回填,30秒排完1100+PR
3.3.2 团队剩余人力动态计算与优先级/工作量排序纳入
3.3.3 跨迭代拆分与RDC字段回填,30秒排完1100+PR
3.4 自动预检:从人工核对到智能门禁
3.4.1 8条预检规则的筛选条件/整改责任/截止时间建模
3.4.2 定时任务自动识别低质需求,生成问题清单
3.4.3 数字员工+MCP/SKILL自动跟踪整改闭环
3.4.2 定时任务自动识别低质需求,生成问题清单
3.4.3 数字员工+MCP/SKILL自动跟踪整改闭环
4. 效果评价:可量化数据与复盘
4.1 波及拆分:耗时4h→10min(效率+90%),26M6自动拆分占比98%
4.2 排期:人工复核采纳率67%(放弃项根因分析)
4.3 预检:累计拦截1000+问题需求,从源头降低返工
4.4 复盘:哪些环节适用规则、哪些必须上大模型
4.2 排期:人工复核采纳率67%(放弃项根因分析)
4.3 预检:累计拦截1000+问题需求,从源头降低返工
4.4 复盘:哪些环节适用规则、哪些必须上大模型
听众收益：
1. 拿到一套可落地的"规则+大模型"分治框架：知道哪些需求管理环节该用脚本/规则固化、哪些该交给大模型微范式处理，避免"ALL IN大模型"的盲目跟风（附30+规则抽象的真实踩坑经验）。
2. 学会构建企业级知识底座的方法：从知识原子化建模、图谱化关联，到20+条自动校验规则与双向同步机制，掌握如何让知识资产"可沉淀、可维护、可复用"，而非一次性烟囱式建设。
1. 拿到一套可落地的"规则+大模型"分治框架：知道哪些需求管理环节该用脚本/规则固化、哪些该交给大模型微范式处理，避免"ALL IN大模型"的盲目跟风（附30+规则抽象的真实踩坑经验）。
2. 学会构建企业级知识底座的方法：从知识原子化建模、图谱化关联，到20+条自动校验规则与双向同步机制，掌握如何让知识资产"可沉淀、可维护、可复用"，而非一次性烟囱式建设。
敬请期待
......
.....
待定
待定
敬请期待
....
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
