专场：从 Vibe Coding 到 Agentic Engineering：AI 研发范式跃迁
代码正在成为一种近乎无限的生产力。真正稀缺的，不再是写代码的能力，而是定义正确目标、构建有效约束，并让 Agent 把事情真正做成。本专场将从 Vibe Coding 出发，走向 Agentic Engineering，探讨 Spec、Loop、Harness 与 Agent Workspace 如何重塑软件研发，让 Agent 不只是生成代码，而是持续理解、执行、验证并交付结果。软件开发的下一个时代，不是人写得更快，而是人与 Agent 一起创造过去无法完成的产品。
专场出品人：牛万鹏
百度 Comate研发经理
毕业于吉林大学，现任百度Comate研发经理，负责百度研发智能化，重点推动 AI 原生研发范式在大规模工程体系中的落地，探索以 Coding Agent 为核心的人机协作研发模式。在研发智能化领域申请国内外发明专利10+，工信部重点科研项目『基于大模型技术的工业领域智能化开发工具」核心成员。在此之前分别在百度、Gitee（开源中国）负责DevOps工具的孵化和落地，涵盖项目管理、代码管理、流水线、制品库、应用部署、运维管理等平台建设和商业化。
王旭
百度 高级工程师
长期深耕 AI 原生研发与研发效能领域，是百度文心快码（Comate）从技术研发走向企业级规模化落地的核心参与者。作为项目核心成员，深度参与 Comate 的产品架构设计与核心技术实现，并持续推动其在百度集团内部的规模化落地与面向企业客户的商业化实践，助力 AI 技术与真实研发场景的深度融合。早期主导 DevOps 全链路研发效能平台建设，完整经历并推动了研发效能从"流程驱动"到"AI 原生驱动"的范式跃迁，对 AI 时代研发范式的演进有系统性的实践与判断。
待定
待定
让 Agent 记住团队：Agent Workspace 把个人 Vibe 变成组织工程
议题背景：
2026 年，AI 编码已从“辅助补全”进入 Vibe Coding 时代，个人开发者的编码效率获得数量级提升。然而行业普遍出现一个悖论：个体效率翻倍，团队的需求交付数据却纹丝不动——一个人变成“超级兵”，带不动整个团队的吞吐。
根因正在转移：当模型能力已经足够强，真正卡住端到端交付的，是散落在对话里的 Spec、活在个人提示词里的约束、随人员流动而蒸发的领域知识。瓶颈已经从“Agent 强不强”，转移到“给它的上下文全不全”。
与此同时，多个团队在各自独立摸索后走向了高度相似的解法：围绕 Agent 构建“团队研发仓库”——把代码、知识、技能、流程、验证环境与经验回写机制组织在一个面向 Agent 的资产基座（Agent Workspace）之上。这恰好对应了大会本专场的核心命题：Spec、Loop、Harness 需要一个承载它们的“地方”，个人 Vibe 只有沉淀为组织资产，才能变成组织工程。
本议题正是对这一实践路径的完整复盘：包括走过的弯路、成型的设计决策、真实的构建数据，以及可直接迁移的落地方法。
2026 年，AI 编码已从“辅助补全”进入 Vibe Coding 时代，个人开发者的编码效率获得数量级提升。然而行业普遍出现一个悖论：个体效率翻倍，团队的需求交付数据却纹丝不动——一个人变成“超级兵”，带不动整个团队的吞吐。
根因正在转移：当模型能力已经足够强，真正卡住端到端交付的，是散落在对话里的 Spec、活在个人提示词里的约束、随人员流动而蒸发的领域知识。瓶颈已经从“Agent 强不强”，转移到“给它的上下文全不全”。
与此同时，多个团队在各自独立摸索后走向了高度相似的解法：围绕 Agent 构建“团队研发仓库”——把代码、知识、技能、流程、验证环境与经验回写机制组织在一个面向 Agent 的资产基座（Agent Workspace）之上。这恰好对应了大会本专场的核心命题：Spec、Loop、Harness 需要一个承载它们的“地方”，个人 Vibe 只有沉淀为组织资产，才能变成组织工程。
本议题正是对这一实践路径的完整复盘：包括走过的弯路、成型的设计决策、真实的构建数据，以及可直接迁移的落地方法。
内容大纲：
1. 问题：个人提效 ≠ 组织提效
1.1 个人 AI 编码效率爆发与团队交付停滞并存的行业悖论
1.2 根因分析：瓶颈从模型能力转移到上下文完备性，团队资产散落在个人上下文中
1.2 根因分析：瓶颈从模型能力转移到上下文完备性，团队资产散落在个人上下文中
2. 方案与演进：从弯路到组织资产基座
2.1 演进复盘：从流程固化到资产沉淀的路线迭代，以及“过度沉淀”的反直觉陷阱
2.2 三个核心设计决策：索引而非快照、按变化频率分层组织、强制经验回写
2.3 运转形态：组件结构与硬约束护栏的设计逻辑，人机分工的关键决策原则
2.2 三个核心设计决策：索引而非快照、按变化频率分层组织、强制经验回写
2.3 运转形态：组件结构与硬约束护栏的设计逻辑，人机分工的关键决策原则
3. 验证：真实业务的组织级实践
3.1 真实业务 Workspace 的构建数据：散乱资产在数天内收敛为结构化知识体系
3.2 使用效果与组织级收益；当前局限与应对策略
3.2 使用效果与组织级收益；当前局限与应对策略
4. 价值：可迁移的落地路径
4.1 三条建设路径：分层建设、分流程建设、分角色建设
4.2 团队与个人可立即执行的起步方法与自查标准
4.2 团队与个人可立即执行的起步方法与自查标准
听众收益：
1.一套诊断框架：判断团队 AI 提效卡在个人层还是组织层，看清瓶颈从模型能力向上下文完备性的转移；
2.一组设计决策与避坑清单：组织资产沉淀的核心设计决策，及“知识腐化快于 Agent 改进”等反直觉教训；
3.一条可复制的落地路径：分层、分流程、分角色三条建设方法与个人起步步骤。
1.一套诊断框架：判断团队 AI 提效卡在个人层还是组织层，看清瓶颈从模型能力向上下文完备性的转移；
2.一组设计决策与避坑清单：组织资产沉淀的核心设计决策，及“知识腐化快于 Agent 改进”等反直觉教训；
3.一条可复制的落地路径：分层、分流程、分角色三条建设方法与个人起步步骤。
邓成瑞
华为 IDE 资深技术专家
华为IDE资深技术专家，曾就职于Intel及阿里巴巴，拥有多年开发工具及系统优化丰富经验。作为核心人员开发了Eclipse TPTP及Intel TEE Runtime等项目，拥有多项技术专利及发表论文。在华为2012 IDE Lab带领团队为华为鸿蒙电脑DevEco Studio (Powered by BitFun) 开发了自研的毕方IDE底座，为鸿蒙开发者带来流畅智能的开发体验。随着AI 时代开发范式的快速变化，目前领导技术团队进行BitFun Agent Kernel的设计开发，持续为DevEco Code等AI Coding新产品打造领先的开发技术，并逐步通过毕方开源共建，和学术界、产业界共同推动AI时代的先进开发技术探索。
待定
待定
告别 Vibe Coding：BitFun 驱动的鸿蒙开发意图-实现-验证闭环
议题背景：
2026 年，Google在The New SDLC With Vibe Coding指出，缺失 Tests 和 Evals 双重验证的开发流程仍属 "氛围编程"；Claude团队 AI Native SDLC 以 intent→spec→plan 产物链强调意图驱动与写审分离。两大范式共同指向：从 "写代码" 转向 "管意图、验产出"。鸿蒙应用开发中，氛围编程面临三重挑战：训练语料不足导致 AI 生成质量不稳定，新生态下 API 与范式快速演进，设备类型多样（手机 / 手表 / 平板 / 车机）增加多端适配难度。本议题基于 BitFun 平台在鸿蒙 Agentic 工具开发的实践，提出 "意图 - 实现 - 验证三位一体" 范式，协同构建可验证闭环。
2026 年，Google在The New SDLC With Vibe Coding指出，缺失 Tests 和 Evals 双重验证的开发流程仍属 "氛围编程"；Claude团队 AI Native SDLC 以 intent→spec→plan 产物链强调意图驱动与写审分离。两大范式共同指向：从 "写代码" 转向 "管意图、验产出"。鸿蒙应用开发中，氛围编程面临三重挑战：训练语料不足导致 AI 生成质量不稳定，新生态下 API 与范式快速演进，设备类型多样（手机 / 手表 / 平板 / 车机）增加多端适配难度。本议题基于 BitFun 平台在鸿蒙 Agentic 工具开发的实践，提出 "意图 - 实现 - 验证三位一体" 范式，协同构建可验证闭环。
内容大纲：
1. 技术趋势与鸿蒙开发范式迁移
1.1 软件工程 AI 驱动行业前沿趋势
1.2 Vibe Coding 到 Agentic Engineering 范式演进
1.3 鸿蒙应用开发的特有现实挑战
1.2 Vibe Coding 到 Agentic Engineering 范式演进
1.3 鸿蒙应用开发的特有现实挑战
2. 鸿蒙应用 Agentic 开发实践：意图‑实现‑验证闭环
2.1 意图层：结构化规格定义需求契约
2.2 实现层：DevEco 系列工具多模式 AI 开发与自修复
2.3 验证层：编译、逻辑、UI 自动化验证闭环
2.4 落地模式与实践效果
2.2 实现层：DevEco 系列工具多模式 AI 开发与自修复
2.3 验证层：编译、逻辑、UI 自动化验证闭环
2.4 落地模式与实践效果
3. BitFun 在鸿蒙 PC 场景的落地探索
3.1 QT 工程鸿蒙化一站式迁移实践
3.2 OpenBitFun 与鸿蒙设备特色能力
3.2 OpenBitFun 与鸿蒙设备特色能力
4. 总结与展望
4.1 核心内容总结
4.2 行业与技术未来展望
4.2 行业与技术未来展望
听众收益：
1.Agentic 开发质量保障实践的方法总结
2.真实踩坑经验与工程决策思路
3.从 IDE 到独立 ADE 的产品形态演进视角
陈昊
百度 资深工程师
百度商业AI Coding负责人 百度商业质量效能研发组负责人 百度凤巢QA负责人
负责推动百度商业研发组织智能化转型，围绕编码、测试、评审、交付、排查等关键环节，构建 AI 驱动的跨角色协同与端到端交付体系，并在多个业务方向实现规模化落地，推动人均吞吐提升 50%、整体交付效能提升 100%
擅长领域：
1.研发测试效能提升
2.交付模式转型
3.AI Coding智能体能力建设
4.Harness工程设计与落地
负责推动百度商业研发组织智能化转型，围绕编码、测试、评审、交付、排查等关键环节，构建 AI 驱动的跨角色协同与端到端交付体系，并在多个业务方向实现规模化落地，推动人均吞吐提升 50%、整体交付效能提升 100%
擅长领域：
1.研发测试效能提升
2.交付模式转型
3.AI Coding智能体能力建设
4.Harness工程设计与落地
待定
待定
百度商业组织级智能化转型
议题背景:
随着业务复杂度和需求密度持续提升，传统研发仍依赖人工串行交付，需求理解、编码、测试与联调链路长，跨团队协作成本高，人均吞吐逐渐触及瓶颈。与此同时，AI Coding 多停留在个人开发提效，难以理解复杂业务、遵循工程规范并完成验证闭环，更无法沉淀为组织能力。为此，我们围绕商业的各个业务场景，建设AI Coding智能体，以 Harness 工程打通知识与 Skill 召回、受控执行、编译测试、自动修复和结果交付，并通过 Skill 平台、模型路由及成本治理支撑规模化运营，推动 AI 从个人工具进入真实研发主链路，形成跨角色、跨团队、可复制的智能交付体系，带动研发组织从人力驱动向人机协同转型
内容大纲:
1. AI Coding 的效率落差：个人更快了，组织为何提效有限
随着业务复杂度和需求密度持续提升，传统研发仍依赖人工串行交付，需求理解、编码、测试与联调链路长，跨团队协作成本高，人均吞吐逐渐触及瓶颈。与此同时，AI Coding 多停留在个人开发提效，难以理解复杂业务、遵循工程规范并完成验证闭环，更无法沉淀为组织能力。为此，我们围绕商业的各个业务场景，建设AI Coding智能体，以 Harness 工程打通知识与 Skill 召回、受控执行、编译测试、自动修复和结果交付，并通过 Skill 平台、模型路由及成本治理支撑规模化运营，推动 AI 从个人工具进入真实研发主链路，形成跨角色、跨团队、可复制的智能交付体系，带动研发组织从人力驱动向人机协同转型
内容大纲:
1. AI Coding 的效率落差：个人更快了，组织为何提效有限
1.1 从个人编码效率到组织交付效率
1.2 局部提速之后，排期与协作的瓶颈
1.2 局部提速之后，排期与协作的瓶颈
2. 实践路径：端到端交付与组织级沉淀
2.1 用 Harness 支撑需求端到端推进
2.2 用组织资产管理，让交付经验留下来、用起来
2.2 用组织资产管理，让交付经验留下来、用起来
3. 从 Harness 到 Loop：接入老业务的难点与解法
3.1 多模块需求定位与场景开发 Skill 建设
3.2 可运行环境与测试用例：让 Agent 获得验证反馈
3.3 从真实需求出发，串联开发、测试与发布的 Loop
3.2 可运行环境与测试用例：让 Agent 获得验证反馈
3.3 从真实需求出发，串联开发、测试与发布的 Loop
4. 组织级资产：知识与 Skill 的构建、共享、复用与进化
4.1 知识管理的探索与历史开发经验的提炼
4.2 中心化管理、质量审核与任务中的按需加载
4.3 从交付反馈到资产更新，让经验持续服务团队
4.2 中心化管理、质量审核与任务中的按需加载
4.3 从交付反馈到资产更新，让经验持续服务团队
5. 落地案例：团队内交付、跨团队开发与产运参与
5.1 团队内：研发与 Agent 的交付分工
5.2 跨团队：提供 Harness，让需求方直接开发
5.3 产运参与：一个 Skill 就能让非技术岗位开发
5.2 跨团队：提供 Harness，让需求方直接开发
5.3 产运参与：一个 Skill 就能让非技术岗位开发
6. 实践复盘：如何衡量真实的交付收益
6.1 从交付周期、吞吐、质量与成本评估效果
6.2 从工具使用到团队交付，工程能力与组织分工如何配合
6.2 从工具使用到团队交付，工程能力与组织分工如何配合
听众收益：
1. 组织级AI转型落地方案以及过程中遇到的难点和解决方案
2. 如何实现端到端AI交付
3. 如何实现组织级智能体的自进化
1. 组织级AI转型落地方案以及过程中遇到的难点和解决方案
2. 如何实现端到端AI交付
3. 如何实现组织级智能体的自进化
郭帅
腾讯 工程效能工程师
现任职于腾讯 PCG 应用效能团队，担任工程效能工程师，主要负责内部业务团队的工程质量与研发效率建设，通过建设告警、容灾、红蓝演习、代码质量提升、DevOps 等质量保障方案与团队工具链，帮助业务持续提升质量与效率，并以数据化度量量化业务过程与结果，客观呈现质量与效能成效。毕业后曾先后就职于腾讯与阿里巴巴，从事客户端开发、后台开发及 DevOps 等平台研发工作。
待定
待定
智能构建，质效共生 - AI Coding实战
议题背景：
AI Coding 正改变研发范式：代码生成逐步黑盒化，开发者从生产者转为验收者，交付质量与需求一致性面临挑战。本议题围绕"黑盒如何可控"展开：需求侧以企微拉群澄清与知识库评测消除二义性；过程侧以输入输出标准、固定逻辑脚本校验、渐进式上下文加载实现工程化管控；结果侧以可执行物验证、一致性度量与平台自评测守住质量底线。实践中坚持"边用边管"、用脚本替代不可控的 AI 判定，最终以知识自闭环沉淀并复用人经验，实现智能构建、质效共生。
内容大纲：
1. AI Coding 业界发展历程与现状
1.1 发展历程：从代码补全到智能体
1.2 当前现状：渗透、能力与格局
2. AI Coding 带来的研发范式转变
2.1 从人工编码到 AI 生成的研发工作流演进
2.2 开发者角色转变：从生产者到验收者
2.3 验收对象转变：从代码到可执行物
3. 黑盒探析：AI Coding 内部发生了什么
3.1 AI 代码生成的完整链路与关键环节
3.2 AI 驱动 CI/CD 与交付的实现方式
3.3 黑盒化带来的不可见风险与挑战
4. 如何确保黑盒按预期执行
4.1 生成过程的可观测与约束
4.2 代码质量、测试与审查等保障方案
4.3 研发流程的工程化管控
5. 如何保障产出物与需求的一致性
5.1 需求到产物的对齐与验收机制
5.2 可执行物的验证与回归
5.3 一致性度量与持续改进
5.4 对生产平台本身的评测
6. 质效共生的实践与展望
6.1 落地节奏与经验教训
6.2 质效共生体系建设的思考
6.3 知识自闭环：把人的经验沉淀进系统
6.4 未来趋势展望
听众收益：
1. 一套可直接借鉴的 AI Coding 质量保障落地方法：不是停留在"让 AI 写得更快"的层面，而是覆盖需求澄清（企微拉群对齐 + 知识库评测防二义性）、过程工程化管控（输入输出标准 + 固定脚本校验 + 渐进式上下文加载）、结果验证与平台自评测的完整闭环，帮你把已有的质量保障经验（告警、容灾、评审、DevOps）平滑迁移到 AI 场景，而非零散地"试工具"。
2. 一个理解并管控"黑盒"的认知框架：拆解 AI 生成链路各环节的风险（过程不可见、质量不可控、结果不可信），沉淀为"可观测、有约束、可验证、可度量"四个抓手。即使不照搬实现，也能建立"分段管理黑盒"的思维，避免"AI 反而变笨或出错"后无从归因的困境。
3. 知识自闭环的体系化建设思路：如何把团队经验（存量代码、事故复盘、沟通记录）沉淀为可被 AI 检索利用的知识库，让 AI 掌握团队集体经验、防止工程能力退化——这对带团队、做工程效能的技术管理者尤其有参考价值。
AI Coding 正改变研发范式：代码生成逐步黑盒化，开发者从生产者转为验收者，交付质量与需求一致性面临挑战。本议题围绕"黑盒如何可控"展开：需求侧以企微拉群澄清与知识库评测消除二义性；过程侧以输入输出标准、固定逻辑脚本校验、渐进式上下文加载实现工程化管控；结果侧以可执行物验证、一致性度量与平台自评测守住质量底线。实践中坚持"边用边管"、用脚本替代不可控的 AI 判定，最终以知识自闭环沉淀并复用人经验，实现智能构建、质效共生。
内容大纲：
1. AI Coding 业界发展历程与现状
1.1 发展历程：从代码补全到智能体
1.2 当前现状：渗透、能力与格局
2. AI Coding 带来的研发范式转变
2.1 从人工编码到 AI 生成的研发工作流演进
2.2 开发者角色转变：从生产者到验收者
2.3 验收对象转变：从代码到可执行物
3. 黑盒探析：AI Coding 内部发生了什么
3.1 AI 代码生成的完整链路与关键环节
3.2 AI 驱动 CI/CD 与交付的实现方式
3.3 黑盒化带来的不可见风险与挑战
4. 如何确保黑盒按预期执行
4.1 生成过程的可观测与约束
4.2 代码质量、测试与审查等保障方案
4.3 研发流程的工程化管控
5. 如何保障产出物与需求的一致性
5.1 需求到产物的对齐与验收机制
5.2 可执行物的验证与回归
5.3 一致性度量与持续改进
5.4 对生产平台本身的评测
6. 质效共生的实践与展望
6.1 落地节奏与经验教训
6.2 质效共生体系建设的思考
6.3 知识自闭环：把人的经验沉淀进系统
6.4 未来趋势展望
听众收益：
1. 一套可直接借鉴的 AI Coding 质量保障落地方法：不是停留在"让 AI 写得更快"的层面，而是覆盖需求澄清（企微拉群对齐 + 知识库评测防二义性）、过程工程化管控（输入输出标准 + 固定脚本校验 + 渐进式上下文加载）、结果验证与平台自评测的完整闭环，帮你把已有的质量保障经验（告警、容灾、评审、DevOps）平滑迁移到 AI 场景，而非零散地"试工具"。
2. 一个理解并管控"黑盒"的认知框架：拆解 AI 生成链路各环节的风险（过程不可见、质量不可控、结果不可信），沉淀为"可观测、有约束、可验证、可度量"四个抓手。即使不照搬实现，也能建立"分段管理黑盒"的思维，避免"AI 反而变笨或出错"后无从归因的困境。
3. 知识自闭环的体系化建设思路：如何把团队经验（存量代码、事故复盘、沟通记录）沉淀为可被 AI 检索利用的知识库，让 AI 掌握团队集体经验、防止工程能力退化——这对带团队、做工程效能的技术管理者尤其有参考价值。
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
