活动特惠
论坛主席：罗 慧
20年系统测试、质量管理、测试开发团队管理经验，先后负责过QQ秀、QQ会员、QQ音乐、电商、腾讯乘车码、区块链、证券、微信支付等业务的质量保障管理工作，涉及互联网、金融等多个领域。在业务高可用、资金安全、合规、效能建设、AI工作流套件及AI用例自动生成上有丰富的体系化实践经验。
腾讯 质量管理通道委员/资深质量专家
Harness驱动的质量闭环
本论坛聚焦通过Harness构建AI Agent可控执行框架，解决自主运行带来的安全、合规与稳定性问题。论坛将讨论沙箱隔离、质量门禁、知识注入、反馈回路、风险约束、持续治理等主题，强调如何让Agent在边界内输出高质量的代码、测试用例等，并保留可审计性。听众将理解如何搭建“人定目标、Agent执行、系统把关”的质量闭环。
AI时代，速度背后它驱动的质量可信么？
李 丽
腾讯 支付平台研发部质量团队负责人
内容简介：
AI生成测试用例已不是技术难题，但在资金场景下，"错一笔即事故"的零容忍特性，使得核心问题变为：AI的结果，敢不敢用来做放行决策？
本次分享将介绍一套从"能用"到"可信"的完整方法论——以L1-L4资金红线模型定义AI的能力边界，以"AI自测 + 资金门控"双阶段防线构建可信验证体系，并通过业务语义绑定、万级用例AI辅助迁移、支付规则端到端门控等真实实践，展示从模型设计到工程落地的关键决策。最终探讨：当AI重塑研发效率，质量工程师到底在守护什么。
演讲提纲：
本次分享将介绍一套从"能用"到"可信"的完整方法论——以L1-L4资金红线模型定义AI的能力边界，以"AI自测 + 资金门控"双阶段防线构建可信验证体系，并通过业务语义绑定、万级用例AI辅助迁移、支付规则端到端门控等真实实践，展示从模型设计到工程落地的关键决策。最终探讨：当AI重塑研发效率，质量工程师到底在守护什么。
演讲提纲：
1.命题：AI时代，速度背后它驱动的质量可信么？
AI生成用例已不是难题，难题是"敢不敢用AI的结果做放行决策"
资金场景的特殊性：错一笔 = 资损事故，不是bug是事件
2.模型：从"测什么"到"凭什么信"——L1-L4资金红线模型
四层约束结构：动帐类型→资金要求→测试要求→测试目标
核心思想：AI能力边界由领域知识约束定义，不是模型能力定义
3.体系：两阶段可信防线的设计
Phase1 AI自测：快速反馈，降低开发成本
Phase2 资金门控：自测后的强制校验，双门控（状态机+业务规则）
设计原则：自测解决"有没有测"，门控解决"测得够不够"
4.实践：从模型到工程的关键决策
规则声明用业务语义绑定，不绑代码结构——降维护成本
万级用例AI辅助迁移中的人机分工边界
一个真实案例：支付流水号规则的端到端门控落地
6.思考：质量工程的下一个命题
AI不会让测试消失，但会重新定义"测试工程师在守护什么"
从经验驱动到知识工程：让领域安全规则可编码、可传承、可度量
听众收益：
AI生成用例已不是难题，难题是"敢不敢用AI的结果做放行决策"
资金场景的特殊性：错一笔 = 资损事故，不是bug是事件
2.模型：从"测什么"到"凭什么信"——L1-L4资金红线模型
四层约束结构：动帐类型→资金要求→测试要求→测试目标
核心思想：AI能力边界由领域知识约束定义，不是模型能力定义
3.体系：两阶段可信防线的设计
Phase1 AI自测：快速反馈，降低开发成本
Phase2 资金门控：自测后的强制校验，双门控（状态机+业务规则）
设计原则：自测解决"有没有测"，门控解决"测得够不够"
4.实践：从模型到工程的关键决策
规则声明用业务语义绑定，不绑代码结构——降维护成本
万级用例AI辅助迁移中的人机分工边界
一个真实案例：支付流水号规则的端到端门控落地
6.思考：质量工程的下一个命题
AI不会让测试消失，但会重新定义"测试工程师在守护什么"
从经验驱动到知识工程：让领域安全规则可编码、可传承、可度量
听众收益：
1.拿到一个可复用的框架 —— L1-L4四层约束模型，可直接迁移到你的业务场景，用于定义AI生成内容的可信边界，尤其适用于资金、风控等高敏感领域。
2.看清人机协作的分工线 —— 通过万级用例迁移和支付规则门控两个真实案例，理解在AI辅助研发中，哪些环节交给AI提速、哪些环节必须人来兜底的实操判断标准。
3.获得质量工程转型的新视角 —— 从"经验驱动"到"知识工程"，理解如何将领域安全规则编码为可传承、可度量的工程资产，而非依赖个人经验口口相传。
2.看清人机协作的分工线 —— 通过万级用例迁移和支付规则门控两个真实案例，理解在AI辅助研发中，哪些环节交给AI提速、哪些环节必须人来兜底的实操判断标准。
3.获得质量工程转型的新视角 —— 从"经验驱动"到"知识工程"，理解如何将领域安全规则编码为可传承、可度量的工程资产，而非依赖个人经验口口相传。
腾讯支付平台研发部质量团队负责人，负责微信支付资金中台端的质量保障工作。2010年毕业于武汉大学，深耕支付领域质量工程16年。
长期聚焦资金安全与测试体系建设，主导设计了资金红线约束模型及"AI自测 + 资金门控"双阶段可信防线，将领域安全知识体系化编码为AI的能力边界，推动AI从"能生成用例"迈向"敢用于放行决策"的可信跃迁。当前致力于以知识工程思路重塑质量基础设施，探索AI时代质量工程师角色的重新定义。
长期聚焦资金安全与测试体系建设，主导设计了资金红线约束模型及"AI自测 + 资金门控"双阶段可信防线，将领域安全知识体系化编码为AI的能力边界，推动AI从"能生成用例"迈向"敢用于放行决策"的可信跃迁。当前致力于以知识工程思路重塑质量基础设施，探索AI时代质量工程师角色的重新定义。
AI Native 质量工程新范式：从“集中式管控”到“开发者自治
陈军成
阿里巴巴 技术应用开发专家
内容简介：
AI 正加快代码生产，却也放大技术债、隐蔽缺陷与验证滞后。本次分享围绕“谁变更、谁验证、谁负责”，阐述从集中式管控走向开发者自治的质量工程新范式；结合分层测试与存量守护、增量验证双循环，解析安全准入、流量隔离、跨应用知识图谱、覆盖归因与自修正等关键机制，说明如何让 AI 生成的验证结果可信、过程可控、资产可持续沉淀，构建“AI 提案、平台校验、人工决策”的人机共治闭环。
演讲提纲：
1. 背景与挑战：AI 编码提速，为什么质量治理必须重构？
1.1代码生产提速后的风险变化：技术债、隐蔽缺陷和依赖复杂度累积，人工审查与验证难以同步扩张。
1.2核心矛盾：代码增长速度超过人工理解与验证速度，仅增加用例数量或依赖发布前集中验收，难以解决验证滞后。
1.3测试资源与职责变化：岗位或投入减少不等于风险消失。讨论如何让质量责任随代码变更前移，而不是把风险留给发布环节。
2. 质量治理新范式：从集中式管控到有边界的开发者自治
2.1重划责任边界：“谁变更、谁验证、谁负责”。开发者承担日常验证与问题修复，平台提供规则、安全边界和基础能力，质量人员聚焦风险策略与资产治理。
2.2验证融入研发过程：在编码时快速反馈，在联调时验证业务链路，在构建与发布时执行风险准入，减少问题发现与修复之间的距离。
2.3自治不等于放任：统一规则与可追溯证据仍然必要；AI 负责提出和执行验证方案，平台约束操作，高风险事项由人工决策。
3. 分层测试与双循环：既守住存量，也验证增量
3.1分层职责：编码层提供快速原子验证，接口层承载复杂业务场景与跨应用链路，页面和客户端聚焦端侧交互；明确各层边界，避免重复建设。本次重点展开服务端与接口层。
3.2存量守护循环：维护核心业务的稳定回归基线，持续识别失效用例、数据漂移与断言不足，使存量资产保持可执行、可信赖。
3.3增量验证循环：围绕代码变化识别风险、生成并调试新用例；验证通过后经过评审和分级进入正式资产库，反哺后续回归，形成双飞轮。
4. 关键平台能力：让 AI 验证安全、精准、可信并可持续
4.1安全准入与流量隔离：通过读写分级、测试域校验和 Fail-Close（校验失败即拒绝执行）明确操作边界；结合流量染色与动态 Mock 隔离测试影响，让复杂数据构造与链路验证可控、可审计、可追溯。
4.2知识图谱与影响分析：连接代码、接口、数据与消息，识别跨应用的上下游依赖；将“改了哪里”转化为“可能影响什么、需要验证哪些场景”，为精准选测和风险分级提供依据。
4.3覆盖归因与自修正：结合流量染色、行级覆盖和断言结果，区分“执行了代码”与“验证了业务行为”，识别假覆盖；由 AI 在授权边界内调整参数、构造数据或注入 Mock，形成诊断、修正、重验闭环，而不是反复盲试。
4.4资产沉淀与双飞轮：建立生成、调试、评审、分级与入库机制，避免把临时验证直接当作正式资产；让增量用例补齐存量风险，让回归反馈推动用例、领域知识与规则持续优化。
4.5变更卡口与闭环治理：在构建、发布和上线前按变更风险调度用例；报告说明已验证范围、失败原因与剩余风险，驱动缺陷修复、用例优化和覆盖补齐，避免把“执行通过”直接等同于“可以放行”。
4.6串联讲解示例：以一次涉及跨应用调用与异步消息的业务规则变更为示例，串联影响识别、权限与测试域校验、用例生成执行、覆盖归因修正、卡口报告与人工决策、资产沉淀，展示完整验证路径。
5. 落地与演进：从局部试点走向人机共治
5.1分阶段落地：从边界清晰、风险可控的高价值场景试点，先建立安全底座与可信回归基线，再引入增量生成、精准选测和自修正。
5.2平台与业务协同：平台维护通用能力和安全规则，业务补充领域知识与关键断言，质量人员维护风险策略；共同治理测试资产，保留人工判断与责任边界。
5.3以价值而非数量衡量：关注风险发现、有效验证、反馈时效与资产复用，警惕用例数量和覆盖率的表面增长；建立“AI 提案、平台校验、人工决策、数据沉淀、持续优化”的人机共治体系。
听众收益：
1. 获得可迁移的质量治理框架：理解从集中式管控转向开发者自治的适用边界，明确开发者、平台与质量人员的职责，能够将“谁变更、谁验证、谁负责”融入现有研发流程，而非简单转移工作或削弱管控。
2. 掌握判断 AI 验证是否可信的关键方法：理解安全准入、流量隔离、影响分析、覆盖归因与自修正如何协同，识别“用例通过但未验证关键行为”的假覆盖，建立操作可控、证据可追溯的验证思路。
3. 形成从试点到持续演进的落地路径：借鉴分层测试与存量守护、增量验证双循环，设计用例评审入库、风险选测和变更卡口的接入顺序，以风险发现、有效验证和资产复用衡量价值，避免只追求用例数量增长。
演讲提纲：
1. 背景与挑战：AI 编码提速，为什么质量治理必须重构？
1.1代码生产提速后的风险变化：技术债、隐蔽缺陷和依赖复杂度累积，人工审查与验证难以同步扩张。
1.2核心矛盾：代码增长速度超过人工理解与验证速度，仅增加用例数量或依赖发布前集中验收，难以解决验证滞后。
1.3测试资源与职责变化：岗位或投入减少不等于风险消失。讨论如何让质量责任随代码变更前移，而不是把风险留给发布环节。
2. 质量治理新范式：从集中式管控到有边界的开发者自治
2.1重划责任边界：“谁变更、谁验证、谁负责”。开发者承担日常验证与问题修复，平台提供规则、安全边界和基础能力，质量人员聚焦风险策略与资产治理。
2.2验证融入研发过程：在编码时快速反馈，在联调时验证业务链路，在构建与发布时执行风险准入，减少问题发现与修复之间的距离。
2.3自治不等于放任：统一规则与可追溯证据仍然必要；AI 负责提出和执行验证方案，平台约束操作，高风险事项由人工决策。
3. 分层测试与双循环：既守住存量，也验证增量
3.1分层职责：编码层提供快速原子验证，接口层承载复杂业务场景与跨应用链路，页面和客户端聚焦端侧交互；明确各层边界，避免重复建设。本次重点展开服务端与接口层。
3.2存量守护循环：维护核心业务的稳定回归基线，持续识别失效用例、数据漂移与断言不足，使存量资产保持可执行、可信赖。
3.3增量验证循环：围绕代码变化识别风险、生成并调试新用例；验证通过后经过评审和分级进入正式资产库，反哺后续回归，形成双飞轮。
4. 关键平台能力：让 AI 验证安全、精准、可信并可持续
4.1安全准入与流量隔离：通过读写分级、测试域校验和 Fail-Close（校验失败即拒绝执行）明确操作边界；结合流量染色与动态 Mock 隔离测试影响，让复杂数据构造与链路验证可控、可审计、可追溯。
4.2知识图谱与影响分析：连接代码、接口、数据与消息，识别跨应用的上下游依赖；将“改了哪里”转化为“可能影响什么、需要验证哪些场景”，为精准选测和风险分级提供依据。
4.3覆盖归因与自修正：结合流量染色、行级覆盖和断言结果，区分“执行了代码”与“验证了业务行为”，识别假覆盖；由 AI 在授权边界内调整参数、构造数据或注入 Mock，形成诊断、修正、重验闭环，而不是反复盲试。
4.4资产沉淀与双飞轮：建立生成、调试、评审、分级与入库机制，避免把临时验证直接当作正式资产；让增量用例补齐存量风险，让回归反馈推动用例、领域知识与规则持续优化。
4.5变更卡口与闭环治理：在构建、发布和上线前按变更风险调度用例；报告说明已验证范围、失败原因与剩余风险，驱动缺陷修复、用例优化和覆盖补齐，避免把“执行通过”直接等同于“可以放行”。
4.6串联讲解示例：以一次涉及跨应用调用与异步消息的业务规则变更为示例，串联影响识别、权限与测试域校验、用例生成执行、覆盖归因修正、卡口报告与人工决策、资产沉淀，展示完整验证路径。
5. 落地与演进：从局部试点走向人机共治
5.1分阶段落地：从边界清晰、风险可控的高价值场景试点，先建立安全底座与可信回归基线，再引入增量生成、精准选测和自修正。
5.2平台与业务协同：平台维护通用能力和安全规则，业务补充领域知识与关键断言，质量人员维护风险策略；共同治理测试资产，保留人工判断与责任边界。
5.3以价值而非数量衡量：关注风险发现、有效验证、反馈时效与资产复用，警惕用例数量和覆盖率的表面增长；建立“AI 提案、平台校验、人工决策、数据沉淀、持续优化”的人机共治体系。
听众收益：
1. 获得可迁移的质量治理框架：理解从集中式管控转向开发者自治的适用边界，明确开发者、平台与质量人员的职责，能够将“谁变更、谁验证、谁负责”融入现有研发流程，而非简单转移工作或削弱管控。
2. 掌握判断 AI 验证是否可信的关键方法：理解安全准入、流量隔离、影响分析、覆盖归因与自修正如何协同，识别“用例通过但未验证关键行为”的假覆盖，建立操作可控、证据可追溯的验证思路。
3. 形成从试点到持续演进的落地路径：借鉴分层测试与存量守护、增量验证双循环，设计用例评审入库、风险选测和变更卡口的接入顺序，以风险发现、有效验证和资产复用衡量价值，避免只追求用例数量增长。
2014年加入阿里巴巴，先后在数字娱乐事业群、人工智能实验室、优酷、1688等部门从事质量保障与研发效能工作。长期关注复杂业务场景下的质量治理、自动化测试与研发流程优化。当前聚焦 AI Native 质量工程，探索以平台治理支撑开发者自治，将 AI 能力融入编码、联调和发布过程，在安全边界内实现可信验证与测试资产持续沉淀，推动研发效率与质量稳定性的协同提升。
AI Agent 受控运行与质量内建：大型软件企业的 E2E Agent team 可信落地实践
刘洪旭
中兴通讯 有线研究院AI教练
内容简介：
AI 提效存在张力：放任AI自主则导致错误传导、质量难以保障；逐环节人工确认又削弱自主性，回退传统手工模式。 本议题重点讨论如何在 AI 受控、质量内建前提下，以 Agent Harness 构建总控编排、管理管控、角色执行三类智能体协同提效： 1、通过架构解耦与逆向工程，厘清影响面、沉淀可复用组件，扩大放权； 2、知识资产持续运营，经挖掘飞轮进化，防范过时知识风险； 3、事前准入、事中评审、事后 DOD 加审计溯源，加强质量内建。 4、按需求分类放权，平衡自主与可靠，使提效可落地可审计。
演讲提纲：
1. 背景与问题：介绍AI 重塑软件研发流程的探索历程。识别"放任自主"与"过度管控""两类做法的局限性。
2. 核心理念：以AI受控运行和质量内建为前提，通过分类放权在自主性与质量之间取得平衡。
3. 落地机制：以 Agent Harness 承载架构解耦、规则约束、知识注入、质量护栏与审计服务，替代人工把关，由多智能体在受控边界内承接重复工作，形成人机分工协同制度。
4. 实践与展望：端到端工程化落地路径、组织与能力建设，以及当前持续探索的演进方向。
1. 背景与问题：介绍AI 重塑软件研发流程的探索历程。识别"放任自主"与"过度管控""两类做法的局限性。
2. 核心理念：以AI受控运行和质量内建为前提，通过分类放权在自主性与质量之间取得平衡。
3. 落地机制：以 Agent Harness 承载架构解耦、规则约束、知识注入、质量护栏与审计服务，替代人工把关，由多智能体在受控边界内承接重复工作，形成人机分工协同制度。
4. 实践与展望：端到端工程化落地路径、组织与能力建设，以及当前持续探索的演进方向。
听众收益：
1. 建立"自主与质量平衡"的判断框架：理解质量是提效前提、管控不能靠人盯，识别放任自主与过度管控两类失败模式。
2. 掌握分类放权的机制设计：理解 Agent Harness 承载架构、知识、质量护栏与留痕审计的机制，替代人工盯守，按需求复杂度差异化放权，同时保住自主性与质量。
3. 借鉴 Agent team 可信落地经验：自动化质量卡点、全链路留痕审计、组织信任建设的具体做法，以及落地阻力的化解路径。
1. 建立"自主与质量平衡"的判断框架：理解质量是提效前提、管控不能靠人盯，识别放任自主与过度管控两类失败模式。
2. 掌握分类放权的机制设计：理解 Agent Harness 承载架构、知识、质量护栏与留痕审计的机制，替代人工盯守，按需求复杂度差异化放权，同时保住自主性与质量。
3. 借鉴 Agent team 可信落地经验：自动化质量卡点、全链路留痕审计、组织信任建设的具体做法，以及落地阻力的化解路径。
中兴通讯有线研究院敏捷教练、AI 研发提效负责人。近两年来深耕 AI 技术在软件研发流程的落地应用，重点聚焦研发流程端到端的提效提质突破。主导公司内部多项 AI 研发提效核心课题，实践成果已成功横向推广至多个业务单位并落地见效。
从告警到证明：Code Security Harness——超大规模代码仓的安全智能体工程实践
周迪之
安势信息CTO
内容简介：
本演讲分享一条区别于"规则扫描增强"与"纯大模型问答"的第三条路线：以 Harness 为工程核心的代码安全智能体（Code Security Harness）。在超大规模代码仓中，我们让大模型负责语义理解与任务规划，让符号执行、静态分析等确定性工具负责路径可达性证明与漏洞验证，二者通过"假设—验证"闭环协同：Agent 先基于分层代码地图完成威胁建模、提出攻击路径假设，再调度确定性分析自动构造 PoC、验证可达性，把传统扫描的"疑似告警"升级为"可复现、可证明"的结论，并自动生成与回归验证修复补丁。演讲将拆解四项我们自己的工程实践：面向超大规模仓的分层代码地图与增量上下文工程、神经-符号双引擎编排、假设驱动的漏洞验证闭环，以及覆盖召回率/误报率/可验证率的安全 Agent 评测体系与 Token-算力调度策略，最后分享从 PoC 走向规模化生产的真实指标、踩坑与能力边界。
演讲提纲：
演讲提纲：
1.范式之辨：规则扫描与纯 LLM 方案在超大规模代码仓各自的天花板——为什么代码安全 Agent 的核心竞争力在 Harness 工程，而不在模型本身。
2.神经-符号双引擎（特有方法一）：LLM 负责语义理解与任务规划、符号执行/静态分析负责确定性证明的接口契约、任务分工、结果仲裁与失败回退机制。
3.超大规模仓上下文工程（特有方法二）：仓库—模块—函数—调用链四层代码地图、代码变更触发的增量分析、上下文按需装配与 Token 预算调度，如何把"喂不下的仓库"变成"可导航的地图"。
4.假设—验证闭环（特有方法三）：从威胁建模、攻击路径假设，到自动构造 PoC、可达性证明、风险研判，再到修复补丁生成与测试回归的端到端闭环，如何用确定性验证系统性消除误报。
5.评测驱动规模化落地：基于历史漏洞回归集的安全 Agent 评测基准（召回率、误报率、可验证率、修复正确率）、人机协同研判模式，以及生产环境的真实数据、典型失败案例与当前能力边界。
听众收益：
2.神经-符号双引擎（特有方法一）：LLM 负责语义理解与任务规划、符号执行/静态分析负责确定性证明的接口契约、任务分工、结果仲裁与失败回退机制。
3.超大规模仓上下文工程（特有方法二）：仓库—模块—函数—调用链四层代码地图、代码变更触发的增量分析、上下文按需装配与 Token 预算调度，如何把"喂不下的仓库"变成"可导航的地图"。
4.假设—验证闭环（特有方法三）：从威胁建模、攻击路径假设，到自动构造 PoC、可达性证明、风险研判，再到修复补丁生成与测试回归的端到端闭环，如何用确定性验证系统性消除误报。
5.评测驱动规模化落地：基于历史漏洞回归集的安全 Agent 评测基准（召回率、误报率、可验证率、修复正确率）、人机协同研判模式，以及生产环境的真实数据、典型失败案例与当前能力边界。
听众收益：
1.掌握一套可复用的神经-符号 Harness 架构：明确代码安全链路中哪些环节该交给 LLM、哪些必须交给确定性工具，避免"All in LLM"的工程陷阱。
2.获得超大规模代码仓上下文工程、Token-算力成本控制与 Agent 评测的具体方法和指标口径，可直接对照自身场景落地。
3.了解安全 Agent 从 PoC 到生产的真实路径：自动验证如何消除误报、人机如何协同研判、哪些环节今天仍必须人工兜底。
2.获得超大规模代码仓上下文工程、Token-算力成本控制与 Agent 评测的具体方法和指标口径，可直接对照自身场景落地。
3.了解安全 Agent 从 PoC 到生产的真实路径：自动验证如何消除误报、人机如何协同研判、哪些环节今天仍必须人工兜底。
安势信息CTO，负责公司新一代Code Intelligence Agent产品研发、公司研发团队AI转型。计算机科学博士学位，曾在华为、Synopsys、Nokia等大厂担任技术专家、Technical Leader等高级技术职位，有丰富的软件工程管理和实践经验
AiDD峰会
K+峰会
联系我们
购票热线：4006-998-758
媒体合作：柚子
媒体合作：柚子
联系电话：15601343666 邮箱：fengsh@keylinking.com
赞助合作：一竹
联系电话：18515447737 邮箱：sunyz@keylinking.com
票务合作：Anny
联系电话：17778017751 邮箱：zhangp@keylinking.com
联系电话：18515447737 邮箱：sunyz@keylinking.com
票务合作：Anny
联系电话：17778017751 邮箱：zhangp@keylinking.com
关注主办方
