AiDD研发数字峰会

论坛主席：丁辉

中兴通讯首席软件架构师，大模型专家，对分布式高并发架构设计、DDD、DSL架构设计、TLA+形式化建模等领域深耕多年；同时牵头中兴大模型研发改进，在大模型预训、精调、RAG、知识库建设等方面涉足较多，特别是在大模型在软件编码端到端应用方面具备丰富经验。

中兴通讯首席软件架构师/大模型专家

Agentic企业级代码生成

本论坛聚焦于智能编码方向的探索，在代码自动生成、编译纠错、测试代码等方向上的研究成果，针对代码大模型优化、多智能体，AI程序员、AI+低代码平台等热门方向，分享该领域最新研究成果，探讨多智能体落地应用场景。

AI数据自进化系统：
面向大模型与智能体的统一数据飞轮与Agent驱动基础设施

强美伊

元枢智汇联合创始人

内容简介：

当前AI基础设施正在发生深刻转变：数据不再是静态资产，而正在演化为由 Agent、Skills 与 Data Harness 驱动的可生成、可执行、可评估并持续优化的智能系统。在大模型能力快速扩展的背景下，AI系统的核心竞争正在从模型本身，转向以 Agent 为中心的任务执行能力与数据驱动的持续进化能力。传统以“采集-清洗-训练”为核心的数据 pipeline 已经难以支撑以 Agent 为核心的新一代AI应用形态，尤其是在复杂任务执行、多工具调用与多轮交互场景中，数据需要同时具备结构化、可执行与可反馈的能力。
本次分享将围绕 AI 数据自进化系统 DataFlow 展开，介绍如何构建一个以 Agent 为核心的数据与任务执行体系，将传统数据系统升级为“基于 Agent + Skills + Harness 的闭环式智能体网络”。在这一体系中，数据可以由 Agent 自动生成与扩展，通过 Skills / Harness 进行流程编排与执行，并由动态训练机制实时调度与优化，同时通过 Eval-driven feedback loop 持续提升系统整体能力。围绕这一理念，DataFlow 统一整合 Parsing & Acceleration System、Data Generation System、Dynamic Training System 以及 Evaluation & Feedback System，使数据、模型与 Agent 在同一自进化系统中形成协同闭环机制，最终构建覆盖 LLM 与 Agent 应用的统一数据飞轮，使整个系统具备持续自优化与自增长能力。

演讲提纲：
1.AI进入“Data-Centric & Agentic System时代”：AI竞争正在从模型规模转向数据系统能力与agentic execution能力，本质是数据是否具备持续生成、自组织与自进化能力。
2.Agent驱动的数据与任务执行系统：通过 Agent、Skills 与 Data Harness，将数据系统升级为可执行的任务编排与自动化执行体系，使数据不仅用于训练，也直接参与 Agent 的任务生成与行为优化。
3.DataFlow Self-Evolving Infra L0–L7：DataFlow构建从数据接入、解析、组织到评估反馈的全栈体系，形成 self-evolving data stack。低层负责结构化与加速，中层支撑 Agent 数据合成与调度，高层通过 eval-driven feedback loop 实现数据持续优化。
4.LLM / Agent 统一数据系统：二者共同构成统一数据基础设施底座。
5.AI数据自进化飞轮：数据驱动模型与智能体，评估反哺数据生成，形成持续增强的AI数据闭环系统。

听众收益：
1.理解AI基础设施正在从“数据管道”升级为“数据自进化系统”，数据不再是静态资源，而是可生成、可评估、可持续优化的核心生产要素。
2.掌握以 DataFlow 为代表的统一数据与 Agent 系统范式，理解如何支撑复杂任务执行、工具调用与多轮 Agent workflow。
3.理解数据如何从训练语料演进为 Agent 行为轨迹，并在解析、生成、执行与评估之间形成闭环优化机制。
4.获得一套面向下一代AI系统的数据基础设施设计框架，即“数据驱动AI飞轮”的核心方法论。

北大软微硕士，作为 GitHub 万星团队 OpenDCAI 核心开发者，累计发表 7 篇 CCF-A 顶会及期刊论文，深耕 AI 赛道的技术 + 商业落地复合型创业者。

基于多Agent协作与多层验证机制的开源组件全自动升级系统

牛治

中兴通讯安全技术教练

内容简介：

开源组件安全漏洞修复严重依赖人工升级第三方依赖，开发人员需要手动分析 changelog、评估 API 兼容性、处理编译/测试失败、反复修复回归问题。整个过程耗时数天到数周，且容易因遗漏 API变更导致线上故障。
本议题提出一套基于多 Agent 协作的开源组件全自动升级方案，核心创新在于"每次 LLM 交互必有验证"的安全设计理念。系统采用 DDD分层架构，通过三阶段流水线（组件分析→升级规划→执行验证）实现端到端自动化。在规划阶段，系统从包仓库和 GitHub Releases 实时获取 changelog 数据，由 LLM 结构化提取 API 变更，再与 OssRadar代码使用数据进行交叉对比，生成影响矩阵。在执行阶段，采用"确定性规则引擎→自动化迁移工具→LLM 修复"三级混合策略，减少 91% 的 LLM 调用，每次 LLM 输出均经过 Schema校验、编译验证、安全扫描（Bandit/gosec）、断言弱化检测、幻觉检测等多层防护。在置信度低于阈值时自动升级为人工介入，确保安全性与效率的平衡。该方案已覆盖 Python/Java/Go/Rust/JavaScript五种语言。

演讲提纲：
1. 问题与业界方案对比 — 开源组件升级的核心痛点、传统工具（Dependabot/Renovate）的局限、学术界（Sonatype/BigBag/SMT-LLM/Byam）与工业界（中信银行）的最佳实践启示

听众收益：
1. 获得一套可落地的 LLM 安全交互设计方法论：理解如何为 LLM Agent 系统的每个交互点设计输入校验→输出验证→结果检查的多层防护，防止 LLM 幻觉向代码系统扩散
2. 掌握确定性规则与 LLM 混合策略的工程实践：了解如何将已知迁移模式沉淀为确定性规则，实现零 token 消耗的自动修复，以及如何设计规则引擎与 LLM 的决策融合机制

就职于中兴通讯（ZTE），主要负企业安全治理、开源治理、代码检查与代码审计工作、AI agent开发等工作。拥有重庆大学硕士学位，并持有 CCSK、CISP-PTE、CISSP 等权威安全认证。
专业领域
深耕程序分析、开源治理、AI超级工程师、模型检测、静态代码分析、TLA+形式化验证，以及渗透测试与漏洞挖掘。在代码质量保障和安全审计方面具备一线实战经验。
代表性成果
发现并公开 CVE-2020-24804 漏洞（涉及 CMS 系统）。
在 ACM 等学术平台发表多篇论文，方向涵盖零信任安全策略的运行时模型检测、基于 TLA+ 的 ZooKeeper 验证、SDP 协议形式化验证，以及利用大模型提升静态分析代码质量等。详细可以参考如下网址：https://niuzhi.github.io/
核心关注
致力于将形式化方法、静态分析与渗透测试深度融合，提升企业级软件的安全性与可靠性，并持续探索 AI 技术在代码审计和漏洞检测中的创新应用。

Coding Agent：从个人赋能到组织进化

彭云鹏

百度工程效能副总经理

内容简介：

Coding Agent作为大模型落地最快，效果最好的方向，已经深入到大部分工程师的研发日常，而随着Agent Loop的演进，Memory、Rules、Skills等知识生态的繁荣，在Spec和Harness的保驾护航下，Coding Agent 正从软件生产工具向软件生产力转变，而在企业中，它的作用也从面向个人赋能，向组织级内化推进，在效率跃迁的同时，也带来组织模式的变革，本分享将重点围绕Coding Agent如何解决真实研发场景的复杂问题，以及百度是如何推进整个集团研发智能化变革展开阐述

演讲提纲：
1.行业趋势：Coding Agent正从软件生产工具想软件生产力转变
2.如何打造一个优秀的Coding Agent
-Agent Loop
-多维评测体系
3.Coding Agent解决真实研发场景问题的关键
-Memory
-Rules
-Skills
-Agent Team
-Spec
-Mission
-Automation
4.Coding Agent不只能Coding
-AI原生软件架构
-未来软件核心：Coding Agent + Skills
-Agent Dev Infra
5.百度研发智能化实践经验
-落地推广过程复盘
-实践经验分享

听众收益：
1.了解Coding Agent的核心架构和解决真实研发问题的关键技术方向
2.了解超万人大型企业落地研发智能化的实践和经验

百度工程效能副总经理，负责文心快码Comate智能代码助手、云IDE、代码分析、效能度量和效率云平台等业务和团队，在代码智能化、静态分析、开发工具、软件测试、研发数字化等领域申请国内外发明专利88个，已获授权专利44个，国家重点研发计划《基于编程现场大数据的软件智能开发方法和环境》技术骨干，国家高质量专项《基于大模型技术的工业领域智能化开发工具项目》技术骨干，OpenHarmony技术指导委员会IDE TSG成员。

AiDD峰会

K+峰会

联系我们