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：陈鑫
阿里巴巴资深技术专家 Qoder IDE Agent 技术负责人
带领团队积极探索 Coding Agent 能力的上限，在上下文工程、智能体架构、AI Coding企业落地等方面有丰富一线实践经验。
赵金霞
中兴通讯 高级软件开发工程师
中兴通讯有线研究院驱动软件开发工程师，拥有近20年通信行业软件研发经验，长期专注于光传输领域底层驱动与系统软件的设计与开发，深耕波分复用设备的驱动架构优化、高性能数据传输机制及软硬件协同设计，在高速光模块控制、低时延驱动开发及系统稳定性提升方面具备深厚技术积累。主导并参与多个重点波分产品项目的驱动层研发，具备丰富的大型项目实战经验，擅长嵌入式系统开发、Linux内核驱动调试及跨团队技术协同，致力于推动光网络设备的高可靠与智能化演进。
待定
待定
大模型驱动的嵌入式系统 AI Coding 实践：
从知识工程到数字孪生的全链路提效
议题背景：
在大型通信、工业控制、自动驾驶等复杂系统中，嵌入式软件普遍面临硬件依赖强、环境搭建难、开发效率低、测试覆盖不足等共性挑战。传统开发模式高度依赖物理设备，导致环境复用率低、迭代周期长、人力成本高。尤其在系统升级、故障演练、新功能验证等关键环节，缺乏高保真的虚拟化测试手段，风险难以预控。
随着大模型技术的发展，如何将存量代码、设计文档、运维经验等非结构化知识转化为可执行的AI生成能力，构建“知识驱动+AI生成+仿真验证”的新型研发范式，成为突破嵌入式系统开发瓶颈的关键。本议题以真实大型嵌入式系统为背景，分享大模型在软硬件协同开发中的AI Coding落地路径，探索从知识沉淀到自动化验证的全链路提效实践。
在大型通信、工业控制、自动驾驶等复杂系统中，嵌入式软件普遍面临硬件依赖强、环境搭建难、开发效率低、测试覆盖不足等共性挑战。传统开发模式高度依赖物理设备，导致环境复用率低、迭代周期长、人力成本高。尤其在系统升级、故障演练、新功能验证等关键环节，缺乏高保真的虚拟化测试手段，风险难以预控。
随着大模型技术的发展，如何将存量代码、设计文档、运维经验等非结构化知识转化为可执行的AI生成能力，构建“知识驱动+AI生成+仿真验证”的新型研发范式，成为突破嵌入式系统开发瓶颈的关键。本议题以真实大型嵌入式系统为背景，分享大模型在软硬件协同开发中的AI Coding落地路径，探索从知识沉淀到自动化验证的全链路提效实践。
内容大纲：
1. 现实挑战：复杂系统开发为何陷入瓶颈？
1.1 硬件依赖严重：开发测试强依赖物理设备，资源紧张、成本高昂
1.2 建模效率低：系统建模靠人工，重复劳动多，错误率高
1.3 验证覆盖不足：真实场景难以穷举，升级上线风险不可控
1.4 软硬协同难：软件开发滞后于硬件交付，联调周期长
典型场景：缺乏“预演沙箱”，系统变更如同“盲人过河”
1.2 建模效率低：系统建模靠人工，重复劳动多，错误率高
1.3 验证覆盖不足：真实场景难以穷举，升级上线风险不可控
1.4 软硬协同难：软件开发滞后于硬件交付，联调周期长
典型场景：缺乏“预演沙箱”，系统变更如同“盲人过河”
2. 解决思路：构建“AI驱动的可执行数字孪生体”
提出三层融合架构：
1)知识工程层：沉淀存量代码、文档、接口契约，形成结构化领域知识
2)AI生成层：大模型理解语义，自动生成代码、配置、测试脚本
3)仿真系统层：构建可运行的虚拟环境，支持行为模拟与自动化验证
目标：让每个物理系统都有一个可编程、可并行、可预演的“数字孪生体”
2)AI生成层：大模型理解语义，自动生成代码、配置、测试脚本
3)仿真系统层：构建可运行的虚拟环境，支持行为模拟与自动化验证
目标：让每个物理系统都有一个可编程、可并行、可预演的“数字孪生体”
3. 落地实践：AI Coding如何嵌入嵌入式开发全流程？
3.1 知识结构化：打造高质量AI训练底座
3.1.1 自动提取代码依赖、模块接口、状态机逻辑
3.1.2 构建“模型描述语言”（MDL），统一建模语义
3.1.3 支持AI生成新设备代码（生成率80%+，采纳率90%+）
3.1.2 构建“模型描述语言”（MDL），统一建模语义
3.1.3 支持AI生成新设备代码（生成率80%+，采纳率90%+）
3.2 组装式开发：系统即代码，硬件可组装
3.2.1 抽象层级：系统 → 设备 → 模块 → 接口
3.2.2 自顶向下分解 + 自下向上组合，支持快速建模与替换
3.2.2 自顶向下分解 + 自下向上组合，支持快速建模与替换
3.3 AI优化核心算法设计
3.3.1 传统路径搜索存在重复计算问题
3.3.2 利用大模型进行图结构抽象，输出动态规划优化方案
3.3.3 算路效率显著提升，适用于大规模组网场景
3.3.2 利用大模型进行图结构抽象，输出动态规划优化方案
3.3.3 算路效率显著提升，适用于大规模组网场景
3.4 AI生成工具链，实现全流程自动化
工具 功能 提效成果
(1) TopoGen 拓扑转命令行 环境搭建效率↑80%，出错率↓90%
(2) PathTracer 信号流追踪 故障定位提效90%+
(3) StubGen 接口桩生成 减少重复编码，统一风格
(4) TestFlow 测试用例部署 支持20+并行验证泳道
✅ 实现“一键搭建仿真环境”“黑灯自动化测试”
工具 功能 提效成果
(1) TopoGen 拓扑转命令行 环境搭建效率↑80%，出错率↓90%
(2) PathTracer 信号流追踪 故障定位提效90%+
(3) StubGen 接口桩生成 减少重复编码，统一风格
(4) TestFlow 测试用例部署 支持20+并行验证泳道
✅ 实现“一键搭建仿真环境”“黑灯自动化测试”
4. 成效验证：降本、增效、提质闭环
4.1 成本：节省硬件投入超千万元，95%仿真运行于虚拟资源池
4.2 效率：单板建模从5人天→1人天，环境部署时间缩短50%+
4.3 质量：累计拦截缺陷177项，测试覆盖率从12.65%→99.59%
4.4 安全：实现“先在虚拟世界升级1000次，再在真实网络升级1次”
4.2 效率：单板建模从5人天→1人天，环境部署时间缩短50%+
4.3 质量：累计拦截缺陷177项，测试覆盖率从12.65%→99.59%
4.4 安全：实现“先在虚拟世界升级1000次，再在真实网络升级1次”
5. 方法论沉淀：可复制的AI工程化范式
[结构化知识] → [AI生成能力] → [可运行仿真体] → [自动化验证闭环]
可推广场景：
1)工业控制系统仿真
2)智能汽车ECU开发
3)航空航天嵌入式系统
4)物联网设备联合调试
可推广场景：
1)工业控制系统仿真
2)智能汽车ECU开发
3)航空航天嵌入式系统
4)物联网设备联合调试
未来方向：
1)向芯片级仿真、全链路性能预测演进
2)融入CI/CD，实现DevOps + AI + 数字孪生一体化
3)探索多智能体协作开发模式
1)向芯片级仿真、全链路性能预测演进
2)融入CI/CD，实现DevOps + AI + 数字孪生一体化
3)探索多智能体协作开发模式
周吕
腾讯 IEG 用户增值部 Tech Lead
现任腾讯 IEG 用户增值部 Tech Lead，从业 12 年，专注 服务端研发 / 云原生 / AI Infra / 研发效能与复杂工程系统建设。
工作 12 年，接触了多个项目，从 高性能 到 云原生，从 研发效能 到 AI Infra，从 百万QPS 服务到 Agent 框架等，相关领域都有涉及，曾主导了 IEG 营销活动平台，Serverless等多个平台建设，目前负责推动部门 AI Native 工作方式转型，构建 Agent 等多个基础建设，将一些 AI 工具改造为可验证、可评估、可复用、可迭代的组织流程，并形成“基建支撑场景、场景沉淀经验、经验进化基建”的闭环。
擅长领域：企业 AI Infra、Agentic Engineering、AI Native 流程治理、研发效能度量、运行时与性能工程。
工作 12 年，接触了多个项目，从 高性能 到 云原生，从 研发效能 到 AI Infra，从 百万QPS 服务到 Agent 框架等，相关领域都有涉及，曾主导了 IEG 营销活动平台，Serverless等多个平台建设，目前负责推动部门 AI Native 工作方式转型，构建 Agent 等多个基础建设，将一些 AI 工具改造为可验证、可评估、可复用、可迭代的组织流程，并形成“基建支撑场景、场景沉淀经验、经验进化基建”的闭环。
擅长领域：企业 AI Infra、Agentic Engineering、AI Native 流程治理、研发效能度量、运行时与性能工程。
待定
待定
做了 100 个 Agent，为什么效率没有改变？
——企业大脑与 AI Native 流程闭环实践
——企业大脑与 AI Native 流程闭环实践
议题背景：
企业 AI 建设正在从"员工会不会用 AI"进入"AI 能否改变组织工作方式"的深水区。多数企业转型失败并非模型不够强，而是只购买模型和工具，却没有重构业务、数据、责任与组织。现实中，很多团队已创建几十甚至数百个 Agent，但业务流程、成功标准和组织知识并未改变，工具数量没有转化为业务价值。
本议题基于部门 AI Native 改造与 AI Infra 建设实践，分享一条组织级落地路径：从Vibe Coding 谈起，先梳理当前流程、画出现状与预期两张流程图，用节点契约卡定义输入输出与完成判据，将节点映射为 Agent、Skill、Workflow、MCP 与知识库；以五层基建承载企业大脑，并结合工程实践；用三层验证确认流程是否真正运行，并把执行指标、失败样本和人工纠偏持续沉淀回企业大脑。
最终形成"企业大脑提供能力—Agent 执行业务—反馈持续沉淀—重构优化企业大脑"的正向循环，使 AI Native 从工具试用升级为可验证、可评估、可复用、可迭代的组织工程。
内容大纲：
1. 为什么做了 100 个 Agent，组织仍没有改变
企业 AI 建设正在从"员工会不会用 AI"进入"AI 能否改变组织工作方式"的深水区。多数企业转型失败并非模型不够强，而是只购买模型和工具，却没有重构业务、数据、责任与组织。现实中，很多团队已创建几十甚至数百个 Agent，但业务流程、成功标准和组织知识并未改变，工具数量没有转化为业务价值。
本议题基于部门 AI Native 改造与 AI Infra 建设实践，分享一条组织级落地路径：从Vibe Coding 谈起，先梳理当前流程、画出现状与预期两张流程图，用节点契约卡定义输入输出与完成判据，将节点映射为 Agent、Skill、Workflow、MCP 与知识库；以五层基建承载企业大脑，并结合工程实践；用三层验证确认流程是否真正运行，并把执行指标、失败样本和人工纠偏持续沉淀回企业大脑。
最终形成"企业大脑提供能力—Agent 执行业务—反馈持续沉淀—重构优化企业大脑"的正向循环，使 AI Native 从工具试用升级为可验证、可评估、可复用、可迭代的组织工程。
内容大纲：
1. 为什么做了 100 个 Agent，组织仍没有改变
1.1 Vibe Coding：创造民主化的胜利，组织效能为何没有跟进
1.2 企业 AI 的三大虚荣指标：用户数、Agent 数、Token 数——衡量的是消费，不是生产
1.3 三层组织焦虑与转型根因：只买模型和工具，没有重构业务、数据、责任与组织
1.4 个人创作与组织转型的同构缺口：契约、验证、沉淀、学习尚未组织化
1.2 企业 AI 的三大虚荣指标：用户数、Agent 数、Token 数——衡量的是消费，不是生产
1.3 三层组织焦虑与转型根因：只买模型和工具，没有重构业务、数据、责任与组织
1.4 个人创作与组织转型的同构缺口：契约、验证、沉淀、学习尚未组织化
2. 从个人提效到组织工作流重构
2.1 四个阶段：工具使用 → 能力复用 → 流程改造 → 组织学习（可局部并行试点，不可跳过验证直接规模化）
2.2 Agentic Engineering 的组织级定义：将业务目标拆成可执行、可验证、可学习的流程节点网络
2.3 企业大脑不是更大的知识库，而是知识、记忆、能力、标准、反馈共同组成的决策与执行中枢；分水岭是能否根据运行反馈自我进化
2.4 人的位置：AI 承担更多执行，人保持作者性——每个 AI 节点的 DRI 责任制
2.2 Agentic Engineering 的组织级定义：将业务目标拆成可执行、可验证、可学习的流程节点网络
2.3 企业大脑不是更大的知识库，而是知识、记忆、能力、标准、反馈共同组成的决策与执行中枢；分水岭是能否根据运行反馈自我进化
2.4 人的位置：AI 承担更多执行，人保持作者性——每个 AI 节点的 DRI 责任制
3. 第一步不是做 Agent，而是画出两张流程图
3.1 第一张图 As-Is：画出"活的"流程，标记等待、返工、重复、断层四类摩擦点
3.2 第二张图 To-Be：不是"旧流程+AI"，而是按今天的条件从零重画
3.3 节点契约卡：输入、输出、完成判据、失败处理、DRI 与预算
3.4 五种构件选型：Workflow / Skill / MCP / Agent / 知识库——确定性优先于智能性
3.5 组织版强化学习：π₀ → π* 的策略迭代，流程图是版本化的活资产
3.2 第二张图 To-Be：不是"旧流程+AI"，而是按今天的条件从零重画
3.3 节点契约卡：输入、输出、完成判据、失败处理、DRI 与预算
3.4 五种构件选型：Workflow / Skill / MCP / Agent / 知识库——确定性优先于智能性
3.5 组织版强化学习：π₀ → π* 的策略迭代，流程图是版本化的活资产
4. 构建企业大脑的五层基建
4.1 知识与记忆层：知识库 + TeamMemory，唤醒沉睡数据并保留决策原因
4.2 可复用能力层：Skill / Workflow / MCP / Agent / CLI 能力套件；能力"发布一次、全员复用"
4.3 编排执行层：Claude Agent SDK × OpenAI Agents SDK 双引擎，Workflow 轨道、长短任务与统一测试
4.4 验证治理层：Harness 四体系落地——四类评测、全链路留痕、六级可见性、安全与成本治理
4.5 反馈进化层：安装、使用、Token、执行结果遥测，相似度检测、人工纠偏与淘汰机制
4.6 多模型底座与大厂工程共识：Claude / OpenAI / Google / DeepSeek 分工路由，六个稳定工程问题（Context / Tools / Orchestration / Tracing / Evals / Governance）
4.7 三笔实战学费：上下文污染、能力通胀、成本失控
4.2 可复用能力层：Skill / Workflow / MCP / Agent / CLI 能力套件；能力"发布一次、全员复用"
4.3 编排执行层：Claude Agent SDK × OpenAI Agents SDK 双引擎，Workflow 轨道、长短任务与统一测试
4.4 验证治理层：Harness 四体系落地——四类评测、全链路留痕、六级可见性、安全与成本治理
4.5 反馈进化层：安装、使用、Token、执行结果遥测，相似度检测、人工纠偏与淘汰机制
4.6 多模型底座与大厂工程共识：Claude / OpenAI / Google / DeepSeek 分工路由，六个稳定工程问题（Context / Tools / Orchestration / Tracing / Evals / Governance）
4.7 三笔实战学费：上下文污染、能力通胀、成本失控
5. 验证与进化：让业务场景构建企业大脑
5.1 三层验证：节点对不对、流程跑没跑、业务值不值——上线 ≠ 运行
5.2 四类反馈：结果、过程、人工纠偏、组织标准——场景是大脑的训练数据生产者
5.3 成功沉淀链：一次成功 → Skill → Workflow → 部门标准流程
5.4 失败沉淀链：重复失败 → 工具约束 / 门禁 / 反例 / 评测集
5.5 企业大脑飞轮：Map → Design → Run → Evaluate → Learn → Evolve
5.6 复利指标：能力复用率、标准化率、纠偏转规则周期、新场景接入周期
5.2 四类反馈：结果、过程、人工纠偏、组织标准——场景是大脑的训练数据生产者
5.3 成功沉淀链：一次成功 → Skill → Workflow → 部门标准流程
5.4 失败沉淀链：重复失败 → 工具约束 / 门禁 / 反例 / 评测集
5.5 企业大脑飞轮：Map → Design → Run → Evaluate → Learn → Evolve
5.6 复利指标：能力复用率、标准化率、纠偏转规则周期、新场景接入周期
听众收益：
1. 一张可对照的转型地图：用四阶段自查表定位自己的组织，看清"个人提效"与"组织效能"之间的缺口在哪里。
2. 一套可直接落地的方法：两张流程图画法、节点契约卡模板、五种构件选型原则，本周即可在一条真实流程上试点。
3. 一份大厂工程实践参照：生产级 Agent 的六个稳定工程问题与五层基建架构，以及上下文污染、能力通胀、成本失控三类典型踩坑的对策。
4. 一组替代虚荣指标的复利指标：能力复用率、标准化率、纠偏转规则周期、新场景接入周期，让转型成效可衡量、可汇报。
企业 AI 转型的分水岭，不是拥有多少 Agent，而是每一次 Agent 执行，是否都让企业大脑比上一次更懂业务、更会执行、更能判断对错。
姜子玥
阿里巴巴 QoderCLI 技术专家
.....
待定
待定
QoderCLI 一天一版背后的 Agentic Engineering：
产品持续演进的 Agent 自闭环实践
....
蔡明师
腾讯 TEG网络平台部 运营开发工程师
现任腾讯TEG网络平台部运营开发工程师，曾参与自研BPMN Workflow平台底层核心模块设计与开发，并先后负责流程端到端测试平台、智能体Agent开发与应用平台、网络工程师训练平台等内部关键系统的设计与开发，正致力于打造智能化的全球网络运营体系。
持续的输入才能有效地输出，目前对 AI DevOps, TDD、Workflow、Agent 以及构建 AI 原生研发体系有较深实践，同时持续跟进学术界和工业界在 AI 研究与应用领域的进展。
持续的输入才能有效地输出，目前对 AI DevOps, TDD、Workflow、Agent 以及构建 AI 原生研发体系有较深实践，同时持续跟进学术界和工业界在 AI 研究与应用领域的进展。
待定
待定
从 Vibe Coding 到 AI 原生研发体系：一套可落地的工程实践
议题背景：
行业现状：
AI Coding 在个人场景已证明提效价值，但进入企业真实研发后，核心问题不再是"能否生成代码"，而是如何在真实仓库、真实流程、真实质量要求下稳定交付，并让团队中非开发角色也能参与。
行业现状：
AI Coding 在个人场景已证明提效价值，但进入企业真实研发后，核心问题不再是"能否生成代码"，而是如何在真实仓库、真实流程、真实质量要求下稳定交付，并让团队中非开发角色也能参与。
我们遇到的真实痛点：
Vibe Coding 的"玩具困境"：运营同事各自用 AI 写页面，重复造轮子、数据不互通、鉴权口径不一、页面风格五花八门，时间一长沦为"历史遗产"。
"想做点正事"拦路虎太多：系统接口权限申请、文档不全、字段含义不清、鉴权方式各异，AI 没有上下文时大量 token 烧在排查基础设施问题上，效率极低。
AI 高频提交下代码腐化加速：传统团队半年才显现的代码腐化，AI 高频提交下一两周就出现，靠人定期 review 不可持续。
非开发者参与门槛高：运营同事想提需求，却不懂"侧边栏""面包屑"这类产品语言，也不了解系统已具备什么能力，沟通损耗大。
思考方向：
与其追求把 AI 能力上限推得更高（全自动 loop），不如先搭好一套企业级工程底座 + Harness 护栏，让 AI 守住质量下限、提高 token 效率，同时把研发参与门槛降到足够低，让整个团队（含非开发）都能参与建设——即"AI 原生的研发&运营团队"。
内容大纲：
1. 开场
1.1 自我介绍与项目背景：海外网络运营平台 Vibe Flowing
1.2 一个问题切入：个人用 AI 写代码挺爽，团队真实场景为什么搞不动？
1.3 本次分享的主线：从玩具到企业级，再到 AI 原生研发团队
1.2 一个问题切入：个人用 AI 写代码挺爽，团队真实场景为什么搞不动？
1.3 本次分享的主线：从玩具到企业级，再到 AI 原生研发团队
2. 问题在哪——Vibe Coding 的"玩具困境"
2.1 重复造轮子、数据不互通、只有自己说得清
2.1.1 各自调用后端接口、鉴权口径不一、数据散落孤岛
2.1.2 "超链接聚合页"沦为草台班子
2.1.2 "超链接聚合页"沦为草台班子
2.2 想正经做点事，拦路虎太多
2.2.1 接口权限申请、文档不全、字段不清、AI 排查烧 token
2.2.2 底层复杂性远超业务逻辑，AI 没上下文难以高效定位
2.2.2 底层复杂性远超业务逻辑，AI 没上下文难以高效定位
2.3 核心反思：缺的不是 AI 能力，而是一个专业开发先搭好的架子
2.3.1 出发点：先搭企业级底座，再让 AI 在上面持续开发
3.效果概览——AI 原生研发长什么样
3.1 场景一：AI 原生的研发整体流程（实战演示）
3.1.1 运营同事从 anydev 模板创建容器 → 与 AI 对齐需求 → AI 全栈开发并自测 → 推送 MR → 审批合并
3.1.2 演示：运营同事不写一行代码、不碰 git，完成一个"出口流量按 AS 聚合桑基图"功能
3.1.2 演示：运营同事不写一行代码、不碰 git，完成一个"出口流量按 AS 聚合桑基图"功能
3.2 场景二：AI 原生的 Agent 开发流程（实战演示）
3.2.1 给 AI 一个业务目标 → AI 探索代码仓库 → 写提示词/工具/注册 → 端到端验证 → 网页直接可用
3.2.2演示：从一句话需求到一个可用的"专线质量分析 Agent"
3.2.2演示：从一句话需求到一个可用的"专线质量分析 Agent"
3.3 小结：人只管定义"要什么"，AI 负责"怎么做"
4. 从玩具到企业级——基础设施建设
4.1 对接内部业务 SDK
4.1.1 Python 3.12 升级、submodule 集成、AI 自行探索接口能力
4.2 通用底层能力沉淀
4.2.1 日志、RBAC 权限、访问审计、开放 API、MCP 工具、定时任务（@cron_job 装饰器）、工作流（Durable Function）
4.2.2 设计理念：小平台内置这些能力，AI 能帮搞定，不必跨系统交互
4.3 Anydev 统一研发环境
4.3.1 7 步自动化初始化脚本：上报环境 → 系统依赖 → 工具链 → 注入规范 → 渲染 private.env → 装依赖 → 启动服务
4.3.2 3 分钟零人工介入，任何同事打开就能用
4.3.3 关键设计：每步独立可单独执行、失败即停原因清晰、幂等可重跑
4.3.2 3 分钟零人工介入，任何同事打开就能用
4.3.3 关键设计：每步独立可单独执行、失败即停原因清晰、幂等可重跑
5.Harness 工程实践——给 AI 立规矩、装技能
5.1 大仓组织形式
5.1.1 monorepo 前后端同仓、严格分层（controllers→services→models→source）、_framework/ 脚手架
5.1.2 前端组件化：SFC 500 行内、智能组件+展示组件、143 个 Storybook story
5.1.2 前端组件化：SFC 500 行内、智能组件+展示组件、143 个 Storybook story
5.2 用 Rules 和 Skills 给 AI 立规矩、装技能
5.2.1 三层 Rules：AGENTS.md（工程规范）+ anydev_rule（流程约束+用户保护）+ Memory（项目记忆）
5.2.2 Skills 技能包：Agent 创建、工作流、Changelog、前端设计、Vue 开发、工蜂、iWiki
5.2.3 关系：Rules 保底线（不犯错），Skills 提效率（干活快）
5.2.4 演示：anydev_rule 四条铁律 + AI 完成开发后交人验证的效果
5.2.2 Skills 技能包：Agent 创建、工作流、Changelog、前端设计、Vue 开发、工蜂、iWiki
5.2.3 关系：Rules 保底线（不犯错），Skills 提效率（干活快）
5.2.4 演示：anydev_rule 四条铁律 + AI 完成开发后交人验证的效果
5.3 TDD 实践与取舍
5.3.1 后端 pytest、前端 vitest + Playwright E2E
5.3.2 静态检查兜底：ruff + ty / oxlint + vue-tsc
5.3.3 取舍：核心逻辑必须有后端单测，E2E 覆盖关键流程，覆盖率 70% 作参考不阻断
5.3.4 更看重"验收"而非"测试"
5.3.2 静态检查兜底：ruff + ty / oxlint + vue-tsc
5.3.3 取舍：核心逻辑必须有后端单测，E2E 覆盖关键流程，覆盖率 70% 作参考不阻断
5.3.4 更看重"验收"而非"测试"
5.4 轻量 SDD（规格驱动开发）
5.4.1 极简文件命名约定实现工作流：draft_ → ready_ → done/
5.4.2 文档命名约定就是工作流，不用额外项目管理工具
5.4.2 文档命名约定就是工作流，不用额外项目管理工具
5.5 封装 CLI 工具
5.5.1 flow-db-exec（DB 变更唯一入口，高危拦截+留痕+dry-run）
5.5.2 flow-config（业务配置管理，轻量透明 AI 友好）
5.5.3 run-cron（定时任务独立进程）
5.5.4 理念：高频运营操作封装成"安全、留痕、可重复"的命令
5.5.2 flow-config（业务配置管理，轻量透明 AI 友好）
5.5.3 run-cron（定时任务独立进程）
5.5.4 理念：高频运营操作封装成"安全、留痕、可重复"的命令
5.6 让 AI 看见问题（四层质量反馈）
5.6.1 静态检查即反馈 → AGENTS.md 汇总规则 → 开发服务 AI 自主管理 → Playwright 验证
5.7 DB 变更管控
5.7.1 极简（一个入口）、透明（changelog.sql 留痕）、可验证（按风险分级处理）
5.7.2 时间字段统一 DATETIME，禁止 BIGINT 时间戳
5.7.2 时间字段统一 DATETIME，禁止 BIGINT 时间戳
5.8 Agent 工作流：AI 原生的 Agent 研发方式
5.8.1 传统"平台+后台配置" vs 我们的"代码即配置"
5.8.2 ReactAgent 基类 + 注册机制，AI 端到端完成 Agent 创建
5.8.3 设计细节：SSE 流式断连重连、工具返回 markdown 省 token
5.8.4 演示：Agent 创建 Skill 部分内容
5.8.2 ReactAgent 基类 + 注册机制，AI 端到端完成 Agent 创建
5.8.3 设计细节：SSE 流式断连重连、工具返回 markdown 省 token
5.8.4 演示：Agent 创建 Skill 部分内容
6. AI 驱动的代码去腐化
6.1 问题：AI 高频提交下代码腐化加速，一两周就显现
6.2 code-rot-scan：定期体检 + 建 issue
6.2 code-rot-scan：定期体检 + 建 issue
6.2.1 静态工具优先（ruff/ty/oxlint/vue-tsc/pytest）+ 自定义结构性腐化检测
6.2.2 产出按严重度分组的 Markdown 报告，精确到文件路径+行号
6.2.3 批量工蜂建 issue，1~3 小时能修完的小颗粒度
6.2.2 产出按严重度分组的 Markdown 报告，精确到文件路径+行号
6.2.3 批量工蜂建 issue，1~3 小时能修完的小颗粒度
6.3 code-rot-fix：强 TDD 修复 + 闭环关单
6.3.1 7 步流程：拉 issue → 评估测试 → 盘活测试 → 实施修复 → 全套验证 → 评论关单 → 提交
6.3.2 多 worktree 并行修复，一轮处理 4~5 个 issue
6.4 为什么有效：高频小批量 + 闭环可追溯
7. 开发与产品协同
7.1 页面评论到自主开发
7.1.1 页面级评论系统（记录路径/元素定位/截图）→ 评论状态流转 → 复杂需求走 SDD
7.1.2 开发容器自助注册，运营同事提前验收
7.1.3 核心价值：需求提报门槛降到最低
7.1.2 开发容器自助注册，运营同事提前验收
7.1.3 核心价值：需求提报门槛降到最低
7.2 给非开发者一张"能力地图"
7.2.1 结构化文档把功能模块/Agent/定时任务/API 按业务域分类
7.2.2 AI 几分钟生成，运营同事读一遍后提需求更"有的放矢"
7.2.2 AI 几分钟生成，运营同事读一遍后提需求更"有的放矢"
8. Lessons from AI Coding
8.1 避免廉价习得感
8.1.1 "我也会编程"的错觉是危险的
8.1.2 运营同事需学习基本开发术语（分层架构、ORM、中间件、SSE），才能给出有质量的反馈
8.1.2 运营同事需学习基本开发术语（分层架构、ORM、中间件、SSE），才能给出有质量的反馈
8.2 省 token 的工程实践
8.2.1 AGENTS.md 集中规则、工具返回 markdown、CLI 替代临时脚本、大仓+语义搜索、SDD 文档驱动、组件化+Storybook
8.2.2 RTK 等压缩工具的踩坑：偶尔出 bug、语义混淆，得不偿失
8.2.2 RTK 等压缩工具的踩坑：偶尔出 bug、语义混淆，得不偿失
9. 总结与展望
9.1 三层事情归纳：基础设施 → 工程护栏 → 协作机制
9.2 正向循环：基础设施越好 → AI 产出质量越高 → 人审查负担越轻 → 人有更多精力优化基础设施
9.3 正在做的事：按这套方案为存量项目构建大仓、搭 Harness 骨架
9.4 方向：不是让 AI 替代人，而是搭好让 AI 和人都能高效发挥的体系，把团队带到"AI 原生的研发&运营团队"
9.5 Q&A
9.2 正向循环：基础设施越好 → AI 产出质量越高 → 人审查负担越轻 → 人有更多精力优化基础设施
9.3 正在做的事：按这套方案为存量项目构建大仓、搭 Harness 骨架
9.4 方向：不是让 AI 替代人，而是搭好让 AI 和人都能高效发挥的体系，把团队带到"AI 原生的研发&运营团队"
9.5 Q&A
听众收益：
1. 拿到一套可复制的 Harness 工程落地清单：包括大仓分层约定、三层 Rules 体系（AGENTS.md + anydev_rule + Memory）、Skills 技能包、CLI 工具封装、DB 变更管控、TDD 取舍、SDD 文档驱动等具体做法，听众回去就能在自己的存量项目上落地，不必从零摸索。
2. 理解 AI 原生研发的组织协同新范式：不止是"开发用 AI 写代码"，而是如何通过页面评论提需求、Anydev 统一研发环境、能力地图等机制，让产品/运营等非开发角色也能参与研发闭环，把"AI 提效"从个人层面上升到团队层面。
3. 掌握 AI 高频提交下的代码去腐化工程实践：听到一套"scan 只发现建 issue、fix 强 TDD 修复关单、多 worktree 并行"的闭环机制，以及 token 经济学（工具返回 markdown、渐进式披露、大仓语义搜索）等实战经验，解决"AI 写得快但代码烂得也快"的普遍焦虑。
1. 拿到一套可复制的 Harness 工程落地清单：包括大仓分层约定、三层 Rules 体系（AGENTS.md + anydev_rule + Memory）、Skills 技能包、CLI 工具封装、DB 变更管控、TDD 取舍、SDD 文档驱动等具体做法，听众回去就能在自己的存量项目上落地，不必从零摸索。
2. 理解 AI 原生研发的组织协同新范式：不止是"开发用 AI 写代码"，而是如何通过页面评论提需求、Anydev 统一研发环境、能力地图等机制，让产品/运营等非开发角色也能参与研发闭环，把"AI 提效"从个人层面上升到团队层面。
3. 掌握 AI 高频提交下的代码去腐化工程实践：听到一套"scan 只发现建 issue、fix 强 TDD 修复关单、多 worktree 并行"的闭环机制，以及 token 经济学（工具返回 markdown、渐进式披露、大仓语义搜索）等实战经验，解决"AI 写得快但代码烂得也快"的普遍焦虑。
李争鹏
群核科技 开发专家
10年互联网企业工程效率/稳定性领域工作经验，技术专家，长期工作在一线，专注于研发效能提升、敏捷与DevOps平台工程实践落地，目前聚焦 AI Native Dev、AI Coding 基础设施、研发工具链和 DevOps 服务治理。2026 H1 牵头推进公司级 AI Coding 工程化落地，覆盖 AI 编程工具选型、仓库级 AI 研发工作流、MCP / Skills 工具链、本地质量闭环、AI 代码评审治理、Code Agent 评测体系和研发效能数据分析。
待定
待定
生产级 AI Coding 实战：从个人提效到组织级交付闭环
议题背景：
AI Coding 在个人场景中已经证明了提效价值，但进入企业真实研发后，核心问题不再是“能否生成代码”，而是如何在真实仓库、真实流程和真实质量要求下稳定交付。我们在上半年推进公司级 AI Coding 落地时，重点建设了一套面向生产研发的工程底座：将需求澄清、任务边界、工程规范、项目上下文、质量检查、交付证据和效能度量纳入日常研发流程；同时通过 Harness Engineering，把本地启动、接口 / UI 测试、日志报告、失败修复和评测反馈组织成可执行闭环。实践中，AI 代码评审采纳率达到 70%+，核心工具调用量显著增长。分享将重点复盘从工具试用到组织级交付闭环的关键做法、踩坑经验和可复制路径。
AI Coding 在个人场景中已经证明了提效价值，但进入企业真实研发后，核心问题不再是“能否生成代码”，而是如何在真实仓库、真实流程和真实质量要求下稳定交付。我们在上半年推进公司级 AI Coding 落地时，重点建设了一套面向生产研发的工程底座：将需求澄清、任务边界、工程规范、项目上下文、质量检查、交付证据和效能度量纳入日常研发流程；同时通过 Harness Engineering，把本地启动、接口 / UI 测试、日志报告、失败修复和评测反馈组织成可执行闭环。实践中，AI 代码评审采纳率达到 70%+，核心工具调用量显著增长。分享将重点复盘从工具试用到组织级交付闭环的关键做法、踩坑经验和可复制路径。
内容大纲：
1. 从个人提效到生产交付：AI Coding 落地问题的变化
1.1 个人使用阶段的收益与局限
AI IDE、命令行 Agent、Chat 工具已经能显著提升个人编码效率，但“写得快”不等于“交付稳”。当工具分散、上下文分散、经验只停留在个人习惯中时，团队协作、Review 和质量保障都会遇到新的问题。
1.2 企业真实研发中的核心挑战
在真实仓库中，Agent 往往不了解工程规范、接口约定、测试方式和 Review 偏好；需求边界不清会导致大 diff、误改和返工；前后端、多仓库、需求系统、文档、MR、部署平台之间也会形成上下文断点。质量反馈如果仍然滞后在 CI、测试环境和人工 Review，Agent 很难快速迭代。
AI IDE、命令行 Agent、Chat 工具已经能显著提升个人编码效率，但“写得快”不等于“交付稳”。当工具分散、上下文分散、经验只停留在个人习惯中时，团队协作、Review 和质量保障都会遇到新的问题。
1.2 企业真实研发中的核心挑战
在真实仓库中，Agent 往往不了解工程规范、接口约定、测试方式和 Review 偏好；需求边界不清会导致大 diff、误改和返工；前后端、多仓库、需求系统、文档、MR、部署平台之间也会形成上下文断点。质量反馈如果仍然滞后在 CI、测试环境和人工 Review，Agent 很难快速迭代。
2. 仓库级 AI 研发工作流：让 Agent 按工程规则交付
2.1 把关键上下文沉淀到仓库
将目录结构、接口格式、错误处理、权限校验、测试命令等工程规范沉淀到仓库；将目标、范围、out-of-scope、验收标准、风险点等任务上下文前置；将关键决策、验证结果、交付证据和复盘材料纳入过程记录。
2.2 任务分层与流程控制
小问题快速处理，不引入重流程；普通需求先明确 PRD 和验收标准，再进入实现；复杂任务补充设计、实施计划、子任务拆分和风险控制；高质量模块引入 TDD 或强测试约束，先验证问题再修复。
2.3 实践踩坑
不要一开始就追求全自动，应先稳定任务边界和验证路径；仓库规范不能靠“理想化文档”，必须从真实代码和 Review 反馈中沉淀；流程过重会降低采用率，需要按任务复杂度分层。
将目录结构、接口格式、错误处理、权限校验、测试命令等工程规范沉淀到仓库；将目标、范围、out-of-scope、验收标准、风险点等任务上下文前置；将关键决策、验证结果、交付证据和复盘材料纳入过程记录。
2.2 任务分层与流程控制
小问题快速处理，不引入重流程；普通需求先明确 PRD 和验收标准，再进入实现；复杂任务补充设计、实施计划、子任务拆分和风险控制；高质量模块引入 TDD 或强测试约束，先验证问题再修复。
2.3 实践踩坑
不要一开始就追求全自动，应先稳定任务边界和验证路径；仓库规范不能靠“理想化文档”，必须从真实代码和 Review 反馈中沉淀；流程过重会降低采用率，需要按任务复杂度分层。
3. Harness Engineering：把质量反馈前置到 Agent 可执行的位置
3.1 环境、API 与 UI Harness 建设
明确依赖安装、启动命令、环境变量、端口和健康检查，让 Agent 不只知道怎么启动，也知道什么叫启动成功；复用已有接口测试和 UI 自动化能力，明确测试入口、测试数据、报告路径、截图、trace、video 等调试产物，避免重复建设测试体系。
3.2 反馈 Harness 与本地质量闭环
将日志、测试报告、失败用例和常见错误归因结构化，支持 Agent 基于失败结果继续定位、修复和重新验证。从“写完代码等人测”升级为“本地验证、读取反馈、自动修复、输出证据”。
3.3 企业交付链路适配
串联需求来源、设计文档、历史方案、业务术语和规范文档；将 MR、commit、Review comment、变更说明纳入交付过程；接入测试环境创建、服务部署、探活和回归结果；处理前后端分离、多仓库和跨系统任务中的上下文断点。
明确依赖安装、启动命令、环境变量、端口和健康检查，让 Agent 不只知道怎么启动，也知道什么叫启动成功；复用已有接口测试和 UI 自动化能力，明确测试入口、测试数据、报告路径、截图、trace、video 等调试产物，避免重复建设测试体系。
3.2 反馈 Harness 与本地质量闭环
将日志、测试报告、失败用例和常见错误归因结构化，支持 Agent 基于失败结果继续定位、修复和重新验证。从“写完代码等人测”升级为“本地验证、读取反馈、自动修复、输出证据”。
3.3 企业交付链路适配
串联需求来源、设计文档、历史方案、业务术语和规范文档；将 MR、commit、Review comment、变更说明纳入交付过程；接入测试环境创建、服务部署、探活和回归结果；处理前后端分离、多仓库和跨系统任务中的上下文断点。
4. 质量与效能度量：从试点推广到组织级复盘
4.1 质量与效能数据体系
围绕模型用量、Token、成本、用户覆盖、MCP / Skill 调用量、任务完成量、工具链渗透率建立度量体系；同时将 MR 创建 / 更新、构建、部署、单测、静态扫描等指标纳入统一分析。实践中，AI 代码评审采纳率达到 70%+，构建成功率提升 3 个百分点以上。
4.2 Code Agent 评测体系
基于真实 MR 构建私有评测集，使用需求描述作为 Agent 指令，在 base commit 上重新实现，以测试通过和行为正确性作为评分标准，而不是 diff 相似度。同时收集执行轨迹、Token 消耗、成本和失败类型，形成“数据 -> 评测 -> 优化”的闭环。
4.3 试点策略与组织级落地经验
先选 1 个仓库、2-3 位开发者、3-5 个真实任务，优先选择风险可控、能本地验证、Review 反馈明确的任务，避开第一轮就做跨系统大改、强发布依赖和测试基础薄弱的任务。先让 Agent 稳定理解仓库，再追求复杂任务自动化；先跑通本地验证闭环，再谈大规模自治；先建立交付证据和数据度量，再评估 ROI。
围绕模型用量、Token、成本、用户覆盖、MCP / Skill 调用量、任务完成量、工具链渗透率建立度量体系；同时将 MR 创建 / 更新、构建、部署、单测、静态扫描等指标纳入统一分析。实践中，AI 代码评审采纳率达到 70%+，构建成功率提升 3 个百分点以上。
4.2 Code Agent 评测体系
基于真实 MR 构建私有评测集，使用需求描述作为 Agent 指令，在 base commit 上重新实现，以测试通过和行为正确性作为评分标准，而不是 diff 相似度。同时收集执行轨迹、Token 消耗、成本和失败类型，形成“数据 -> 评测 -> 优化”的闭环。
4.3 试点策略与组织级落地经验
先选 1 个仓库、2-3 位开发者、3-5 个真实任务，优先选择风险可控、能本地验证、Review 反馈明确的任务，避开第一轮就做跨系统大改、强发布依赖和测试基础薄弱的任务。先让 Agent 稳定理解仓库，再追求复杂任务自动化；先跑通本地验证闭环，再谈大规模自治；先建立交付证据和数据度量，再评估 ROI。
听众收益：
1. 获得一套企业级 AI Coding 落地框架
1. 获得一套企业级 AI Coding 落地框架
听众可以了解如何从个人工具试用，推进到仓库级工作流、质量闭环、交付证据和效能度量，避免 AI Coding 停留在零散经验和个人技巧层面。
2. 掌握 Harness Engineering 的具体落地方法
分享会拆解本地启动、接口测试、UI 测试、日志报告、失败修复等 Harness 如何建设，以及如何让 Agent 从“生成代码”进一步变成“能验证、能修复、能交付”的研发协作者。
3. 获得可复用的试点与度量经验
听众可以参考我们的试点选择、任务分层、规范沉淀、评测集建设和数据指标设计，用更低风险的方式在自己的团队中推进 AI Coding，并用质量和效能数据判断真实收益。
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
