Agentic研发流程重塑-AiDD研发数字峰会2026-深圳站

论坛主席：黄胜鲁

中兴通讯有线院教练组组长、公司级AI应用教练、项目管理资深专家，现任有线院AI应用负责人/FM中心研发改进总工，重点探索大模型与Agents在研发全流程的赋能，主导大模型在研发领域的工程化应用与推广。拥有十余年大规模团队项目管理与效能提升经验，擅长组织敏捷转型、软件工程能力建设及端到端研发全流程效能提升，曾带领多个项目通过CMMI L5和信通院DevOps L3认证。

中兴通讯有线研究院 AI工程应用负责人

Agentic研发流程重塑

本论坛重塑聚焦人机协同与多智能体协作下的研发流程再设计，讨论如何从传统线性流程转向可感知、可拆解、可反馈的智能流程体系。论坛将围绕意图理解、任务分解、协同协议、瓶颈识别、自动校验、持续改进等主题展开，重点分析研发流程如何在Agent参与后实现更高弹性与更强适配性。听众将掌握重构研发流程、提升交付效率的方法。

从线性流水线到螺旋收敛—Agentic 研发流程的确定性重塑

冀博

绿盟科技技术研发经理

内容简介：

本议题分享绿盟科技 IronHive（1+3+X+V 多智能体框架）如何把研发流程重塑为一个"可感知、可拆解、可反馈、可续传"的确定性系统，核心讲三件事：一是中心化编排——Orchestrator只调度不执行，用"任务分解→代理调度→上下文传递→螺旋控制"的协议，把研发过程变成可观测的指令流；二是螺旋收敛——用可量化的进展分驱动多轮迭代，三轮内收敛或触发成本/时间/质量三熔断线，用"瓶颈识别"取代拍脑袋返工；三是状态机续传——meta.yaml 驱动 19 阶段流水线，断点续传、中断恢复，复杂度按Minimal/Standard/Comprehensive 三档匹配成本。
核心主张：流程重塑的关键不是让 AI 更聪明，而是让每一步可拆解、可判定、可续传。

演讲提纲：

开场· 线性流水线的失效时刻
1.一个模糊需求进来，传统流程如何转不动；Agent 参与后又如何失控
2.核心矛盾：弹性（AI 拆解/并行）与失控（过程黑盒）同源
3.全片总问题：如何让研发流程既灵活、又可控、可追溯？
第一章 why· 线性流水线为什么装不下 Agent
1.传统流程的三个隐含假设被打破：环节固定 / 顺序执行 / 人负责兜底
2.Agent 带来的三个新问题：任务拆解无边界、多角色并行无协同、过程黑盒难回溯
3.业界的编排方式与共性缺口
第二章 what· 1+3+X+V 的编排协议
1.中心化编排：Orchestrator 只调度不执行——"只调度"是克制，不是缺陷
2.调度协议四步：任务分解 → 代理调度 → 上下文传递 → 螺旋控制
3.1+3 角色：生成-评估分离，对抗讨好型人格与长上下文注意力稀释
4.X 层 Skill 按需加载 + V 层验证横切（内禀，非第五个 Agent）
第三章 how· 螺旋收敛与状态机续传
1.螺旋迭代：进展分 0.30 → 0.70 → 收敛的三轮实例
2.三熔断线：成本 / 时间 / 质量——三轮内收敛，否则 HALT
3.meta.yaml 状态机：断点续传、中断恢复
4.复杂度分档：Minimal 5 / Standard 14 / Comprehensive 19 阶段
5.证据：真实运行截图 + 审计账本（每项机制给证据）
收束· 流程重塑的确定性
1.一句话：把"AI 会跑偏"的不确定性，转化为"跑偏会被判定并收敛"的确定性
2.三步落地建议（轻量试点 → 单点调度 → 状态机全量）

听众收益：

1. 一套可落地的编排协议：拿到"任务分解→代理调度→上下文传递→螺旋控制"四步调度法的完整设计与取舍理由，可直接迁移到自身
Coding Agent 体系。
2. "为什么中心化编排比全自治更稳"的判断力：理解 Orchestrator"只调度不执行"背后的克制逻辑，避免多 Agent
系统滑向沟通指数级膨胀的经典反模式。
3. 量化收敛的抓手：用进展分 + 三熔断线替代"拍脑袋返工"，掌握螺旋迭代的度量方法与收敛判据。
4. 成本可控的复杂度分档：Minimal/Standard/Comprehensive 三档工作流，既不大炮打蚊子，也不放过高风险变更。
5. 与主流框架的对比坐标系：获得 MetaGPT / LangGraph / CrewAI 的编排对照结论，具备选型与二次开发的判断基准。

绿盟科技研发技术经理，作为架构师与核心开发者主导绿盟多智能体Harness系统—IronHive的设计与工程落地。长期专注AI赋能软件研发、多智能体协作与研发效能工程化，致力于用系统化、可验证的工程方法，攻克大模型在企业级研发中的信任、质量与规模化交付难题。

SDD和CodeWave NASL融合重塑AI研发流程

姜天意

网易智企 CodeWave 技术负责人

内容简介：

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"，引入驾驭工程来解决长程任务稳定运行的问题，将 CodeWave 底座与 SDD 结合，构建从需求标准化→技术设计→ 代码生成的完整 AI 软件工厂。技术上通过驾驭工程、知识工程、渐进式上下文披露、沙箱隔离等手段保障长程任务稳定性和准确性，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。

演讲提纲：

1. 为什么要用 SDD 来解决 Vibe Coding 的问题

1.1 AI Coding发展很快，但Vibe Coding 方式缺少必要的约束，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 AI Coding IDE 工具的问题与驾驭工程、环工程引入

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

2.2 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。

2.3 SDD 核心：分治能力的介绍。

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 基于底座+AI 周边的 SDD 全链路介绍

-需求标准化与：上百页需求如何塞进上下文窗口

-多模态支持：UI 理解与图片意图判断

-技术设计：如何生成给架构师看的完整文档

-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

-知识工程：让 AI 越跑越精准

3.4 SDD标准pipeline和编排能力介绍

-沙箱技术：智能体运行时核心（Bubblewrap）

-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 AI Infra与评测平台：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

6. 未来规划

听众收益：
Spec Driven解决AI Coding不受控问题的思考和实践
Coding Agent 的设计与优化方案
大规模需求管理的需求工程思路
复杂 AI Agent 的 Harness engineering 实践

目前负责网易智企智能开发平台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。

从运行时自适应到研发时智能化：终端灵动架构的 AI 工程实践

冯军

蚂蚁集团 IoT 终端架构与跨端工程负责人

内容简介：

终端业务同时面临设备算力差异、网络持续波动、故障恢复和多平台交付四类不确定性，单点性能优化或简单的 AI 代码生成难以持续保障业务可用。本议题将介绍一套面向终端系统的灵动架构：运行时通过设备与模型画像选择算力路径，通过网络质量评估、选路建议与分通道保障连接连续性，并以业务恢复结果闭合容灾流程；研发时以 KMP、Rust 和模块化边界沉淀共享能力，再通过结构化工程上下文、Dev-Agent 与 Verify-Agent 协作、确定性构建、分层测试和真机验证，形成从需求理解、迁移编码到运行反馈的 AI 工程闭环。分享将结合十万行级工程实践，重点讨论关键机制、实际效果、失败经验及适用边界

演讲提纲：

1. 从四类不确定性出发，建立统一架构视角
终端业务为什么不能只解决单点性能问题；如何把资源、网络、故障和平台差异组织为相互关联的系统问题；灵动架构“感知、决策、执行、验证”的总体闭环。
2. 从运行时自适应到工程挑战：专项能力为何难以规模化复制
以算力路径选择、网络分通道迁移和容灾恢复验证为例，提炼“感知、决策、执行、验证”的共同机制；进一步分析这些能力在规模化落地时面临的平台差异、模块依赖、生命周期和真实运行状态等问题，说明为什么单平台重复开发难以保持行为一致，并由此引出能力沉淀与持续验证的工程需求。
3. 将运行机制沉淀为可复用架构：共享核心与平台适配分层
针对上述能力复制与行为一致性问题，使用 KMP 薄桥接、Rust 共享核心、Bundle 模块边界和依赖驱动的启动编排，将已经验证的专项机制沉淀为可迁移、可组合、可验证的基础能力，同时控制平台差异、依赖关系和交付产物的持续分叉，为 AI 参与研发建立清晰边界。
4. 在明确边界上构建 AI 研发闭环：从生成代码到真机验收
在共享核心、平台适配和模块职责已经明确的基础上，将需求、架构、源码、领域 Skills 和运行结果组织成结构化工程上下文；Dev-Agent 完成调用链理解、任务拆解和跨语言实现，Verify-Agent 通过确定性构建、四层测试和真机运行进行独立验证，再将失败结果反馈到下一轮开发，使 AI 从代码生成延伸到可验收交付。
5. 实践结果、失败经验与适用边界
结合 KMP + RustEngine 工程以及端到端和单元测试实践，验证 AI 工程化在迁移效率、问题发现和多端复制中的实际作用；

听众收益：

1.掌握 AI 进入大型存量工程的可落地路径，包括结构化上下文、任务拆解、跨语言迁移、确定性构建、分层测试、真机验证和失败反馈，而不局限于代码补全或一次性生成。
2.了解灵动架构实践中的关键判断与常见误区，并可复用共享核心与平台适配分层、建议与执行分层、恢复结果验证以及 Dev-Agent / Verify-Agent 协作等工程方法。

长期从事 IoT 终端基础架构、设备连接、稳定性治理和跨平台工程建设，参与并推动终端灵动架构及 AI 工程化体系落地。当前重点负责智能终端跨端运行架构、模块化能力建设和多平台交付，并探索 AI 在大型存量工程中的调用链理解、跨语言迁移、自动化测试与真机验证实践。相关工作覆盖十万行级跨语言工程、多个基础模块以及 Android、Windows、Linux 等平台，关注如何将运行时自适应能力与可验证、可持续的 AI 研发流程结合起来。

测试共生伙伴-AI融入测试交付的实践

殷浩翔

中兴通讯有线院数据中心 AI应用开发专家

内容简介：

数通产品测试交付正面临需求增长、质量加码与人力缩减的多重压力，而测试开发中最耗时的脚本编写与调试高度依赖专家经验，知识建设成本高、落地难成为智能体方案提效的瓶颈。本主题分享有线研究院“测试共生伙伴”的测试交付智能化实践：通过知识定义标准化、知识生产低投入、知识消费智能化、知识沉淀流程中四步破局，结合知识逆向重构、AI+Web 融合、测试仪统一 API 界面化等关键技术，构建人机协同的测试设计与执行模式。目前方案已覆盖 900+ 需求、8K+ 用例，AI 累计生成代码 200W+ 行，脚本生成采纳率超 85%，需求交付效率提升 30%，因脚本问题泄露的故障为零。

演讲提纲：

1.问题与挑战：测试交付“更快更好”的持续压力，以及知识建设 363 人月成本高、语义歧义落地难的真凶剖析
2.解决思路：让人能独立工作、让工具延伸人的能力——把专家经验变成“乐高”，让新知识像搭积木一样按规则拼装
3.实践方案：“测试共生伙伴”作为测试交付域端到端唯一触点，四步破局：知识标准化、低成本生产、智能消费、流程内沉淀
4.关键技术：知识逆向重构“减熵”、AI+Web 融合（页面即上下文、对话即操作）、多厂商测试仪统一 API 界面化、知识一处修改全局同步
5.效果与展望：效率与质量数据复盘（交付效率 +30%、自动化覆盖率 +25%），以及知识飞轮与智能体网络的演进方向

听众收益：

1.一套低成本知识工程落地方法：掌握“机器提取初稿 + 人工审核终稿”的知识生产模式，以及“显式>隐式、结构化>非结构化、自动>手工”的知识治理原则，避开知识库建设投入大、难持续的行业通病
2.一种 AI 融入现有工作流的协同范式：学习如何以业务 Web 页面为载体、将页面状态注入大模型上下文，实现“页面即上下文、对话即操作”，让 AI 精准赋能而非另起炉灶
3.一条可对照的提效度量路径：获得从多智能体 SOP 到端到端触点的方案演进经验，以及脚本采纳率、自动化覆盖率、故障泄露等可量化对照的落地效果指标体系

中兴通讯有线院数据中心 AI 应用开发专家。从事 AI应用开发 3 年，深耕测试领域研发提效，先后完成脚本知识库建设与多项提效 AI 工具研发。作为“测试共生伙伴”项目 AI 融入测试平台的方案设计者与落地开发者，主导 RAG 知识库建设、Skill/MCP 能力封装，打通内部平台，支撑 AI 应用覆盖 900+ 需求、累计生成代码 200W+ 行、脚本生成采纳率超 85%。

AiDD峰会

K+峰会

联系我们