从AI工具到研发工作流｜李明宇-AiDD深圳站2026

议题提交

2026.11.21 · 深圳湾万丽酒店

演讲嘉宾：李明宇 · AI 大模型落地实战专家/企业智能化转型首席顾问

时长 60分钟

从AI工具到研发工作流：工业研发智能体的工程化实践

所属论坛：AI+工业软件开发

李明宇

AI 大模型落地实战专家/企业智能化转型首席顾问

内容简介：

工业软件开发与软硬协同研发涉及大量领域知识、复杂工具链和严格的验证要求。随着AI逐步进入需求分析、设计、编码和测试环节，企业面临的问题也更加具体：如何让智能体准确理解工程约束？如何连接现有研发工具并完成任务？如何发现和纠正执行错误？如何将个人探索沉淀为团队可以持续使用的能力？
本分享以典型研发变更任务为线索，围绕“任务定义—知识准备—工具执行—结果验证—反馈改进”展开，介绍可验收任务规格、工程上下文组织、Skill封装及智能体协同的方法。结合需求歧义、知识版本冲突、工具执行失败和验证遗漏等问题，讨论如何建立自动检查与人工评审相结合的质量保障机制，并通过FDE协同、资产维护和效果度量，推动研发智能体从样板实践走向团队应用。

演讲提纲：
1．工业研发的AI应用：从单点能力到完整任务
1.1 工业研发任务的特点：领域约束、工具依赖与验证成本
1.2 场景选择：变更分析、设计检查、测试补充与缺陷定位
1.3 任务边界：智能体承担什么，工程师负责什么
2．任务规格与工程知识：让智能体获得可靠输入
2.1 从模糊需求到可验收的任务规格：目标、约束与成功条件
2.2 组织需求、接口、设计规范、代码与历史缺陷等上下文
2.3 处理知识版本、适用范围、信息冲突与来源追溯
2.4 将工程经验沉淀为操作指引、Skill与检查规则
3．工具链与智能体协同：构建可执行的研发工作流
3.1 通过API、CLI及插件连接现有开发与验证工具
3.2 单Agent、多Agent与确定性脚本的任务分工
3.3 研发变更任务串联：影响分析、候选修改、测试补充与执行
3.4 执行过程中的状态记录、失败重试与人工介入
4．工程验证与反馈：让结果可检查、问题可追溯
4.1 区分任务完成、工具执行成功与业务结果正确
4.2 结合规则检查、编译、测试及适用的仿真手段验证产出
4.3 设置人工评审点，防止错误假设和无效断言被继续传递
4.4 将失败原因回写到任务规格、知识、Skill或检查机制
5．团队应用与持续改进：把样板变成可复用能力
5.1 FDE与领域专家、开发、测试及工具团队的协作方式
5.2 知识与工作流资产的维护责任、版本管理和复用条件
5.3 评价实际效果：任务周期、返工、缺陷检出及人工维护成本

听众收益：
1. 掌握场景筛选方法：判断哪些工业研发任务适合优先引入智能体，明确实施条件和人机分工。
2. 理解工程知识的组织方式：将分散的文档、规范与项目经验转化为智能体可使用、可追溯的任务上下文。
3. 获得工作流构建思路：理解工具接入、Skill封装和智能体协同的关键设计，能够规划一个最小可行的研发样板。
4. 建立结果验证意识与方法：识别“操作成功但结果错误”等常见问题，设计自动检查、人工评审及失败反馈机制。
5. 明确团队推广的关键条件：理解FDE协同、资产维护与效果度量如何支撑持续应用，评估试点是否具备扩展价值。

历任中科院计算所副教授、国家级重点实验室课题组长，具有创业公司 CTO、上市公司事业群技术总监及首席技术专家等跨科研、产品与产业实践经历，曾获中国软件行业协会“优秀 CTO”等荣誉。
长期聚焦大模型、智能体、AI Coding、软件工程及企业 AI 转型，拥有从技术研发、产品建设到组织级落地的完整实践经验。近年来深入制造业、汽车电子、金融及科技研发型企业一线，围绕真实研发项目开展 AI Coding、Agentic Engineering、研发流程重塑、种子团队培养和组织效能提升实践，致力于推动 AI 从个人效率工具升级为企业可度量、可治理、可规模化的研发能力。