SDD落地实践与规约工程-AiDD研发数字峰会2026-深圳站

论坛主席：神秘嘉宾

敬请期待

SDD落地实践与规约工程

本论坛聚焦智能体时代的需求表达与规约设计，讨论如何把模糊自然语言转化为可执行、可验证、可追踪的工程输入。论坛将围绕需求结构化、各种层次的规约定义、闭环校验、业务规则约束、技术债治理等主题展开，探索从业务意图到软件交付的可靠路径。听众将掌握面向AI编码时代的规约工程与SDD实践方法。

SDD 驱动下的质量工程建设

徐实

瓴岳科技测试总监

内容简介：

Why
2026 年初开始，我们开始在团队推广 SDD + Coding Agent 得最佳实践，但经过半年实践，比最初 Vibe Coding 和古法编程有一定好转，Bug 密度由 SDD 推广前的 0.7，降至推广后 0.47；线上 Bug 密度持平。在对反馈 Bug 做运行分析时，发现 SDD 把意图正向展开为可执行产物（why → what → how）的 Guides (feedforward controls)，但 LLM 的概率性幻觉特性，正向链路易失真，单纯 TDD 中的 UT 又无法完全覆盖失真场景。缺少完整的 Sensors (feedback controls) 。所以构建完善的 feedback controls 能让 Agent 在交付 Loop 中能尽可能多闭环问题，提升交付质量。
具体发现数字：约 57% Bug 来自边界未覆盖，29% 来自 spec / plan / impl 各阶段偏移，14% 来自实现遗漏。
What
将测试 AGENT 能力进一步左移并重构 SDD 流程，将 Case Gen Agent + Automation Agent 集成进 SDD 提供反馈闭环能力（did / whether），同时通过 Impl-loop 打通 Implement -> verify 的自修复流程。让交付物进入人工 Review 之前，由 Agent 尽可能自行发现并纠正（Loop）。
测试即代码，与文档、功能代码一同交付并入库，作为测试资产上下文；相对单独的测试沉淀一次性 Browser Use，更稳且更省 Token。
设计测试策略，沉淀和构建Repo Test Harness，初始化仓库的自动化脚手架，打造专项测试 Agent/Skill。给 Agent 构建测试的可执行环境。
通过运营改进 + 评测的完善优化改进的闭环。
效果：
拦截效果：7 月运营中， Verify 拦截的问题 70% 都为有效的必须修复问题。
质量结果：线上 Bug 密度由 0.1 降低至 0.03。
过程质量：Bug 密度： SDD 推广前 0.7， SDD 推广后 0.47，集成 SDD + Verify 后 0.20，最近三个月在逐步完善 Harness 后 0.15。

演讲提纲：

1.一年演进：
测试团队质量工程从「独立 Test Agent」转向「嵌入研发流程的 Verify in SDD」——动因、阶段与踩坑。
2.问题与定位：
正向 SDD（why → what → how）的概率失真；用 Verify 闭环（did / whether）守住意图落地。
SDD 的流程变化
Test Case Agent：在 Spec & Plan 阶段后，基于确定好的需求 spec.md，设计 plan.md, 契约 contract 引入 Test Case Agent 确定验证能力锚点。
Verify Agent：在 Impl 后，集成 Inferential Verify (Clarify Agent, Code Review) + Computational Verify (Sonar, Linter , Build, UT, Contract, E2E Test 等其他专项验证) 能力，确保 Impl 按质量锚点完成全覆盖验证。
Impl-loop 通过 Workflow，衔接 Impl 和 Verify 的 Loop，完成 Coding Agent 发现问题后自修复的闭环
3.设计与落地：Verify + Test Harness——测试资产一等公民、Generator/Evaluator 对抗分离、Inferential / Computational 武器库与运营 / MetaHarness 的 feedback 反馈改进闭环。
测试资产沉淀的变化
测试即代码，与文档、功能代码一同交付并入库，作为测试资产上下文；相对单独的测试沉淀一次性 Browser Use，更稳且更省 Token。
测试的技巧，回归的策略沉淀到 Test Harness。在 AGENTS.md 明确 What（UT / E2E / API 策略）、Where（写哪里）、How（怎么写、怎么跑），使Coding Agent 在 SDD 流程真正能产出并执行合规高质量测试。
测试的职能变化
设计测试策略，沉淀和构建Repo Test Harness，初始化仓库的自动化脚手架，打造专项测试 Agent/Skill。给 Agent 构建测试的可执行环境。
运营改进 + 评测的闭环：
运营: 通过阿里云提供的 agent loop 基建，建设可观测能力，建设 harness feedback 能力对 tranjectory 中的积极信号和失败信号做迭代运营，基于迭代结果指导优化 Harness
评测：Deep-SWE Bench 还是通用的 Coding Agent 评测领域；但实际生产环境才是深水区，从业务中构建 instrument 完成符合业务特性的评测任务和能力。
4.下一步方向：
将需求和设计纳入体系，降低需求意图/设计问题；在多服务多端交互需求上进一步提升效果；完善测试分层结构，将更多人工

听众收益：

1.看清路径：理解测试团队如何从「独立 Test Agent」演进到「嵌入研发流程的 Verify in SDD」，以及如何建设并完善嵌入研发工作流的 Verify 改进闭环。
2.带走方法：掌握 Impl-loop + Test Harness 的设计要点（测试资产一等公民、Generator/Evaluator 对抗分离、Inferential / Computational 验证组合）及可落地的运营 + 评测的改进闭环。
3.组织变化：清晰岗位融合下测试同学的新价值——从手工测/写自动化，转向设计测试策略，为 Agent 构建执行环境。完善 CI 工作流、仓库 Harness、专项 Skill/Agent 与 Feedback 效果运营，评测改进的闭环。

曾任微软、360、百度、知乎积累十余年研发与质量工程行业经验，带领过上百人测试团队；现任职金融技术公司瓴岳科技，带领质量团队推进 Coding Agent 时代的质量工程与组织转型。

SDD和CodeWave NASL融合重塑AI研发流程

姜天易

网易 CodeWave&CoreAgent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

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。

AiDD峰会

K+峰会

联系我们