活动特惠
论坛主席：刘琛梅
绿盟科技研发技术总监，负责绿盟科技“清⻛卫”AI安全产品，防⽕墙产品，进⾏智能体安 全、⼤模型安全、AI围栏，⽹络安全的研发⼯作。绿盟科技合伙⼈。 曾在华为就职8年，担任测试架构师。 《测试架构师修炼之道》作者，总发⾏量超过2.4万册，合著《现代软件测试技术权威指南》，《软件测试之道：那些值得借鉴的实战案例》，是《IOS取证实战》的译者。
绿盟科技研发技术总监
AI Agent评测和质量保障
本论坛聚焦AI Agent的评测与质量保障，致力于构建智能体应用的可信体系。论坛涵盖Agent能力评估、性能基准测试、安全性验证、可靠性保障等核心技术。通过深入探讨多维度评测框架、自动化测试策略、质量门禁设计等关键议题，我们将共同见证质量保障从"人工验证"向"智能评测"的范式升级，确保AI Agent在生产环境的高可靠与高安全。
通用Agent评测探索与实践
王 啸
美团 基础研发Agent平台部CatPaw评测负责人
内容简介：
随着大模型Agent能力快速演进，如何科学评估其真实水平成为行业焦点。本次分享围绕"通用Agent评测探索与实践"展开，从评测定义出发，系统梳理Agent核心能力方向与关键指标体系，阐述自建评测集的必要性与设计思路；随后聚焦长程任务评测的挑战与解法，深入探讨Harness评测的对比优化，以及Harness与模型联合优化的闭环实践；最后分享Advisor技术评测的前沿探索。听众将获得通用Agent评测业界概览、Harness能力拆解与关键评测洞察，以及Advisor技术评测的实战经验。
演讲提纲：
1.什么是agent评测；
2.agent评测主要包含哪些能力方向&关键评测指标；
3.自建评测集；
4.长程任务评测；
5.harness评测对比与优化；
6.harness&模型联合优化；
7.advisor技术评测。
听众收益：
1.通用Agent评测业界概览
2.针对Harness能力的拆解与关键评测洞察
3.Advisor技术评测
演讲提纲：
1.什么是agent评测；
2.agent评测主要包含哪些能力方向&关键评测指标；
3.自建评测集；
4.长程任务评测；
5.harness评测对比与优化；
6.harness&模型联合优化；
7.advisor技术评测。
听众收益：
1.通用Agent评测业界概览
2.针对Harness能力的拆解与关键评测洞察
3.Advisor技术评测
美团基础研发Agent平台部CatPaw系列产品评测负责人，先后在华为、蚂蚁、美团从事测试领域相关工作，在大模型评测，智能体评测，测试领域智能体构建等领域有超3年项目经验。
从SDD到确定性质量门禁：AI 驾驭技术跃迁
冀 博
绿盟科技“铁律蜂巢”AI研发效能 研发技术经理
内容简介：
AI 辅助编码已普及，但多停留在“个人提效”，组织层面收效不够——团队花了很多token费用，但是未见明显的增效，产出比不明显，——单点个人优化难以沉淀为组织能力，团队深陷工具、流程、资产三大碎片化。本议题分享源自绿盟科技多智能体 Harness 系统 IronHive：以“1+3+X+V”工业蜂巢体系为核心，用 Orchestrator 调度、研究/开发/评审三角制衡、70+ 数字契约 Skill 池与 10 域验证免疫网，将专业理性编译为 AI 不可违背的运行时指令；配合 Gatekeeper 硬门禁与 SDD 双轨管线，让 AI 红利从个人放大为组织级提效，实现从单兵作战到蜂巢协作的范式跃迁。
演讲提纲：
1.AI 研发的困境与破局 ——「个人提效的天花板」
1.1三大碎片化困境（本质：个人提效无法沉淀为组织能力）：①工具碎片化（Copilot/Claude/Cursor 频繁切换，上下文丢失、思路割裂）②流程碎片化（AI 生成5秒、人工调试验收3小时，缺乏质量门禁，抵消效率红利）③资产碎片化（每次对话从零开始，知识无法沉淀复用，团队反复踩坑）
1.2 一个真实“翻车”案例（约1分钟，困境的具象化引子）
1.3范式跃迁：Prompt 工程（个人·怎么写，单点优化）→ Harness 工程（组织·怎么管：管角色分工/管质量门禁/管经验沉淀）；核心洞察：AI 能写代码 ≠ AI 值得信任，个人能跑通 ≠ 组织能复用
2.架构全貌：1+3+X+V 工业蜂巢体系 ——「组织级协作的骨架」
总览：四层各司其职——1 调度 + 3 分工 + X 技能 + V 验证
2.1 中枢 Orchestrator：意图识别→任务分解→代理路由→螺旋控制；“只调度、不执行”
2.2 角色 Agents 三角制衡：Researcher（只读+联网）/ Developer（读写+终端执行，自测不能自评）/ Reviewer（只读+一票否决）；Generator-Evaluator 物理隔离，打断“生成-自评估”幻觉闭环
2.3X 技能 70+ Skills：工程规范编译为“数字契约”，按需加载、用完卸载（spec-driven：先写 Spec 再动手，不可逾越的红线）——把个人经验沉淀为组织资产
2.4V 验证 10 域：Gatekeeper 硬门禁 + L0–L3 三层记忆栈 + 11 横切面；本质：把专业理性翻译为 AI 不可违背的运行时指令
3.核心机制与安全闭环 ——「让提效可信任、可规模化」
3.1 V 层联动闭环：V8 跨产物一致性（逻辑覆盖度35% + 追溯链闭环40% + 交付确定性25%）/ V9 失效模式主动检测14类（对齐 MAST, NeurIPS 2025）/ V10 自迭代修复闭环（检出 Critical 触发 Ralph Loop，单轮 ≤5 次强制收敛）
3.2Gatekeeper：从“软建议”到“硬门禁”——跳过 Spec Review 直接改代码 → PreToolUse Hook 拦截 → V7 审计日志永久追溯
3.3 SDD 双轨管线（Spec 为唯一真相源）：绿地轨5阶段 / 存量轨三档（Minimal 极速 / Standard 14阶段 / Comprehensive 19阶段）；“不用大炮打蚊子”
4.工程数据洞察与避坑指南 ——「让组织能力可度量、可治理」
4.1 Skill 健康度模型（活跃→观察→陈旧→归档）+ Pass^k 可靠性熔断（降幅 >15% 阻断带病上线）
4.2 14 种失效模式分布：核心洞察——AI 的问题不是“能力不足”而是“伪装胜任”，虚报/伪造占比主导
4.3 八大研发反模式速查：Skip Research/Spec、Self-Evaluate、Infinite Spiral、Context Dump、Scope Creep 等
4.4IPD 在 AI 时代的变与不变：DCP/TR/MR 管理评审不变；技术评审 AI 提效、决策数据化——IPD 把方向，IronHive 管执行
5.组织落地与未来展望 ——「从工具到体系」
5.1落地三形态：多智能体框架 / 多智能体指令集 / 多智能体 SDD 流水线，支持 GitHub Copilot、Trae、Claude Code 、opencode落地
5.2 四根支柱（可控/可验/可治理/可演进）+ PROVE 标准（Predictable/Reproducible/Operable/Verifiable/Evolvable）
5.3七层纵深防御（对标 OWASP Top 10 for LLM 2025）
5.4模型无关性：AI 时代的“智能操作系统”——模型越强、平台越强
6.总结：从单兵作战到蜂巢协作，本质是让 AI 的效率红利从个人跃迁为组织级提效——用工程化的专业理性，把“看着够好”变成“真正可信、可复用、可治理”。
听众收益：
1. 掌握用系统化管控破解大模型信任与可靠性难题的方法论视角。
2. 可复用参考架构：获得一套经绿盟科技实战检验的“1+3+X+V”多智能体 Harness 参考架构（调度中枢/角色制衡/技能契约/验证免疫四层），可直接借鉴到本企业的 AI 研发体系建设。
3. 可落地的工程抓手与避坑清单：拿到 8 大研发反模式、14 种 Agent 失效模式检测、Gatekeeper 硬门禁与 SDD 双轨管线等可工程化手段，以及 Skill 健康度 + Pass^k 可靠性度量体系。
演讲提纲：
1.AI 研发的困境与破局 ——「个人提效的天花板」
1.1三大碎片化困境（本质：个人提效无法沉淀为组织能力）：①工具碎片化（Copilot/Claude/Cursor 频繁切换，上下文丢失、思路割裂）②流程碎片化（AI 生成5秒、人工调试验收3小时，缺乏质量门禁，抵消效率红利）③资产碎片化（每次对话从零开始，知识无法沉淀复用，团队反复踩坑）
1.2 一个真实“翻车”案例（约1分钟，困境的具象化引子）
1.3范式跃迁：Prompt 工程（个人·怎么写，单点优化）→ Harness 工程（组织·怎么管：管角色分工/管质量门禁/管经验沉淀）；核心洞察：AI 能写代码 ≠ AI 值得信任，个人能跑通 ≠ 组织能复用
2.架构全貌：1+3+X+V 工业蜂巢体系 ——「组织级协作的骨架」
总览：四层各司其职——1 调度 + 3 分工 + X 技能 + V 验证
2.1 中枢 Orchestrator：意图识别→任务分解→代理路由→螺旋控制；“只调度、不执行”
2.2 角色 Agents 三角制衡：Researcher（只读+联网）/ Developer（读写+终端执行，自测不能自评）/ Reviewer（只读+一票否决）；Generator-Evaluator 物理隔离，打断“生成-自评估”幻觉闭环
2.3X 技能 70+ Skills：工程规范编译为“数字契约”，按需加载、用完卸载（spec-driven：先写 Spec 再动手，不可逾越的红线）——把个人经验沉淀为组织资产
2.4V 验证 10 域：Gatekeeper 硬门禁 + L0–L3 三层记忆栈 + 11 横切面；本质：把专业理性翻译为 AI 不可违背的运行时指令
3.核心机制与安全闭环 ——「让提效可信任、可规模化」
3.1 V 层联动闭环：V8 跨产物一致性（逻辑覆盖度35% + 追溯链闭环40% + 交付确定性25%）/ V9 失效模式主动检测14类（对齐 MAST, NeurIPS 2025）/ V10 自迭代修复闭环（检出 Critical 触发 Ralph Loop，单轮 ≤5 次强制收敛）
3.2Gatekeeper：从“软建议”到“硬门禁”——跳过 Spec Review 直接改代码 → PreToolUse Hook 拦截 → V7 审计日志永久追溯
3.3 SDD 双轨管线（Spec 为唯一真相源）：绿地轨5阶段 / 存量轨三档（Minimal 极速 / Standard 14阶段 / Comprehensive 19阶段）；“不用大炮打蚊子”
4.工程数据洞察与避坑指南 ——「让组织能力可度量、可治理」
4.1 Skill 健康度模型（活跃→观察→陈旧→归档）+ Pass^k 可靠性熔断（降幅 >15% 阻断带病上线）
4.2 14 种失效模式分布：核心洞察——AI 的问题不是“能力不足”而是“伪装胜任”，虚报/伪造占比主导
4.3 八大研发反模式速查：Skip Research/Spec、Self-Evaluate、Infinite Spiral、Context Dump、Scope Creep 等
4.4IPD 在 AI 时代的变与不变：DCP/TR/MR 管理评审不变；技术评审 AI 提效、决策数据化——IPD 把方向，IronHive 管执行
5.组织落地与未来展望 ——「从工具到体系」
5.1落地三形态：多智能体框架 / 多智能体指令集 / 多智能体 SDD 流水线，支持 GitHub Copilot、Trae、Claude Code 、opencode落地
5.2 四根支柱（可控/可验/可治理/可演进）+ PROVE 标准（Predictable/Reproducible/Operable/Verifiable/Evolvable）
5.3七层纵深防御（对标 OWASP Top 10 for LLM 2025）
5.4模型无关性：AI 时代的“智能操作系统”——模型越强、平台越强
6.总结：从单兵作战到蜂巢协作，本质是让 AI 的效率红利从个人跃迁为组织级提效——用工程化的专业理性，把“看着够好”变成“真正可信、可复用、可治理”。
听众收益：
1. 掌握用系统化管控破解大模型信任与可靠性难题的方法论视角。
2. 可复用参考架构：获得一套经绿盟科技实战检验的“1+3+X+V”多智能体 Harness 参考架构（调度中枢/角色制衡/技能契约/验证免疫四层），可直接借鉴到本企业的 AI 研发体系建设。
3. 可落地的工程抓手与避坑清单：拿到 8 大研发反模式、14 种 Agent 失效模式检测、Gatekeeper 硬门禁与 SDD 双轨管线等可工程化手段，以及 Skill 健康度 + Pass^k 可靠性度量体系。
绿盟科技技术研发经理，作为架构师与核心开发者主导绿盟多智能体 Harness 系统——IronHive 的设计与工程化落地。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，破解大模型在企业级研发中的信任、质量与规模化交付难题。
软+硬件复杂开发环境下的AI质量保证实践
蔡后祥
独立架构师
内容简介：
在实际工程中的问题，解决随着大模型技术的发展，AI 编程助手已经在前端开发、通用后台开发等场景展现出显著的效率提升。但在 DPU、云网络、VPC 等复杂软硬件结合领域，AI 的应用仍面临挑战：一方面，企业核心代码、架构设计和业务知识通常无法直接被通用模型获取；另一方面，大量硬件架构、性能优化经验和系统设计知识难以通过代码本身表达，导致模型缺乏对整体系统的理解。
本次分享将结合实际工程场景，探讨如何通过知识工程、上下文增强等方式，让 AI 更好地理解企业私有知识与复杂技术体系，探索 AI 在基础设施研发中的落地路径。
演讲提纲：
1.背景：大模型时代企业研发效率提升的新挑战
1.1大模型正在改变软件研发模式，从传统代码补全逐步走向 AI Agent 辅助的软件工程。
1.2在前端开发、通用后台开发等场景中，AI 已经能够显著提升开发效率，但在 DPU、云网络、基础设施等复杂软硬件结合领域，AI 的落地仍面临较大挑战。
1.3 企业级研发场景不同于从零开始的新项目，更多面对的是已有系统、历史代码和复杂技术栈，如何让 AI 理解并参与已有工程体系成为关键问题。
2.企业级 AI 应用面临的核心问题
2.1企业知识腐化问题（Knowledge Decay）
2.1.1 企业并非缺少文档，而是缺少持续可信的知识体系。
2.1.2随着系统长期演进，设计文档、代码实现、运行环境和工程经验逐渐产生偏差。
2.1.3传统 Wiki、文档库等方式难以保证知识的实时性和准确性。
2.1.4当 AI 基于过期或错误知识进行推理时，会导致代码生成质量下降和工程决策偏差。
2.2大模型缺少系统上下文理解能力
2.2.1大模型具备强大的代码生成能力，但缺少企业内部系统背景。
2.2.2在复杂软硬件系统中，大量关键知识无法直接体现在代码中，例如：
硬件架构设计；
数据流和网络拓扑；
性能优化约束；
历史设计决策。
大模型更像一个“高智商但缺少企业经验的开发工程师”，需要通过 Context Engineering 构建完整的系统认知。
2.3Agent 缺少完整工程闭环
2.3.1单纯代码生成无法满足真实研发流程。
2.3.2企业研发需要完整闭环：
理解需求；
修改代码；
编译构建；
测试验证；
运行分析；
持续优化。
2.3.3AI Agent 需要具备执行环境和反馈机制，才能真正参与工程开发。
3.从 RAG 到 Engineering Knowledge System：构建可信知识体系
3.1分析传统知识库方案的局限：
3.1.1简单文档检索无法理解复杂工程关系；
3.1.2文档和代码生命周期分离；
3.1.3缺少知识更新和质量管理机制。
3.2探索将知识系统融入代码仓库：
3.2.1Repository 不只是代码存储空间，而成为 AI 理解工程系统的知识载体。
3.2.2建立包含以下内容的工程知识体系：
系统架构模型；
模块依赖关系；
数据流和调用关系；
硬件架构知识；
设计决策记录；
开发规范和约束。
4.Harness 实践：让 AI 具备工程能力
4.1基于代码仓库构建 AI Agent 工作环境。
4.2通过 Agent 角色拆分提升工程协作能力：
4.2.1 Developer Agent：负责代码分析和功能开发；
4.2.2Tester Agent：负责测试设计和质量验证；
4.2.3Explain Agent：帮助新人理解系统和代码逻辑。
4.3通过 Skill 扩展 Agent 执行能力：
编译环境；
运行环境；
测试环境；
性能分析工具。
4.4构建从代码生成到验证反馈的完整闭环：
需求理解 → 系统分析 → 代码修改 → 编译执行 → 测试验证 → 结果反馈 → 持续优化。
5.工程落地中的关键问题与实践探索
5.1如何防止知识腐化：
5.1.1知识与代码绑定；
5.1.2代码变化触发知识更新；
5.1.3建立知识生命周期管理。
5.2如何实现知识增量更新：
5.2.1分析代码变化影响范围；
5.2.2更新相关知识节点；
5.2.3避免全量维护成本。
5.3如何建立知识质量门禁：
5.3.1类似代码 CI/CD 流程，对知识进行验证；
5.3.2保证架构描述、代码实现和运行状态保持一致。
6. 总结与未来展望
6.1AI 在企业研发中的核心挑战，不只是模型能力，而是企业知识如何被 AI 理解和使用。
6.2随着大模型能力持续增强，高质量工程知识体系的重要性会进一步提升。
6.3未来的软件工程模式将从：
人理解系统、编写代码、验证结果
逐步演进为：
人构建知识体系，AI 理解系统并参与工程闭环。
6.4企业真正的 AI 竞争力，将来自模型能力、领域知识和工程体系的结合。
听众收益：
1. 了解大模型在企业级软件研发场景落地过程中面临的真实挑战，认识到复杂软硬件系统中知识管理、上下文构建和工程闭环的重要性。
2. 掌握构建 AI Engineering Harness 的核心思路，了解如何通过知识工程、代码仓库知识体系、Agent 和工具链建设，让大模型更好地理解企业私有系统并提升研发效率。
3. 获得 AI 辅助基础设施研发的实践思路，探索如何将 AI 从简单代码生成工具，演进为具备系统理解、开发执行和自动验证能力的复杂工程的智能助手。
本次分享将结合实际工程场景，探讨如何通过知识工程、上下文增强等方式，让 AI 更好地理解企业私有知识与复杂技术体系，探索 AI 在基础设施研发中的落地路径。
演讲提纲：
1.背景：大模型时代企业研发效率提升的新挑战
1.1大模型正在改变软件研发模式，从传统代码补全逐步走向 AI Agent 辅助的软件工程。
1.2在前端开发、通用后台开发等场景中，AI 已经能够显著提升开发效率，但在 DPU、云网络、基础设施等复杂软硬件结合领域，AI 的落地仍面临较大挑战。
1.3 企业级研发场景不同于从零开始的新项目，更多面对的是已有系统、历史代码和复杂技术栈，如何让 AI 理解并参与已有工程体系成为关键问题。
2.企业级 AI 应用面临的核心问题
2.1企业知识腐化问题（Knowledge Decay）
2.1.1 企业并非缺少文档，而是缺少持续可信的知识体系。
2.1.2随着系统长期演进，设计文档、代码实现、运行环境和工程经验逐渐产生偏差。
2.1.3传统 Wiki、文档库等方式难以保证知识的实时性和准确性。
2.1.4当 AI 基于过期或错误知识进行推理时，会导致代码生成质量下降和工程决策偏差。
2.2大模型缺少系统上下文理解能力
2.2.1大模型具备强大的代码生成能力，但缺少企业内部系统背景。
2.2.2在复杂软硬件系统中，大量关键知识无法直接体现在代码中，例如：
硬件架构设计；
数据流和网络拓扑；
性能优化约束；
历史设计决策。
大模型更像一个“高智商但缺少企业经验的开发工程师”，需要通过 Context Engineering 构建完整的系统认知。
2.3Agent 缺少完整工程闭环
2.3.1单纯代码生成无法满足真实研发流程。
2.3.2企业研发需要完整闭环：
理解需求；
修改代码；
编译构建；
测试验证；
运行分析；
持续优化。
2.3.3AI Agent 需要具备执行环境和反馈机制，才能真正参与工程开发。
3.从 RAG 到 Engineering Knowledge System：构建可信知识体系
3.1分析传统知识库方案的局限：
3.1.1简单文档检索无法理解复杂工程关系；
3.1.2文档和代码生命周期分离；
3.1.3缺少知识更新和质量管理机制。
3.2探索将知识系统融入代码仓库：
3.2.1Repository 不只是代码存储空间，而成为 AI 理解工程系统的知识载体。
3.2.2建立包含以下内容的工程知识体系：
系统架构模型；
模块依赖关系；
数据流和调用关系；
硬件架构知识；
设计决策记录；
开发规范和约束。
4.Harness 实践：让 AI 具备工程能力
4.1基于代码仓库构建 AI Agent 工作环境。
4.2通过 Agent 角色拆分提升工程协作能力：
4.2.1 Developer Agent：负责代码分析和功能开发；
4.2.2Tester Agent：负责测试设计和质量验证；
4.2.3Explain Agent：帮助新人理解系统和代码逻辑。
4.3通过 Skill 扩展 Agent 执行能力：
编译环境；
运行环境；
测试环境；
性能分析工具。
4.4构建从代码生成到验证反馈的完整闭环：
需求理解 → 系统分析 → 代码修改 → 编译执行 → 测试验证 → 结果反馈 → 持续优化。
5.工程落地中的关键问题与实践探索
5.1如何防止知识腐化：
5.1.1知识与代码绑定；
5.1.2代码变化触发知识更新；
5.1.3建立知识生命周期管理。
5.2如何实现知识增量更新：
5.2.1分析代码变化影响范围；
5.2.2更新相关知识节点；
5.2.3避免全量维护成本。
5.3如何建立知识质量门禁：
5.3.1类似代码 CI/CD 流程，对知识进行验证；
5.3.2保证架构描述、代码实现和运行状态保持一致。
6. 总结与未来展望
6.1AI 在企业研发中的核心挑战，不只是模型能力，而是企业知识如何被 AI 理解和使用。
6.2随着大模型能力持续增强，高质量工程知识体系的重要性会进一步提升。
6.3未来的软件工程模式将从：
人理解系统、编写代码、验证结果
逐步演进为：
人构建知识体系，AI 理解系统并参与工程闭环。
6.4企业真正的 AI 竞争力，将来自模型能力、领域知识和工程体系的结合。
听众收益：
1. 了解大模型在企业级软件研发场景落地过程中面临的真实挑战，认识到复杂软硬件系统中知识管理、上下文构建和工程闭环的重要性。
2. 掌握构建 AI Engineering Harness 的核心思路，了解如何通过知识工程、代码仓库知识体系、Agent 和工具链建设，让大模型更好地理解企业私有系统并提升研发效率。
3. 获得 AI 辅助基础设施研发的实践思路，探索如何将 AI 从简单代码生成工具，演进为具备系统理解、开发执行和自动验证能力的复杂工程的智能助手。
拥有近十年云计算与网络技术研发经验，曾就职于腾讯、英特尔等企业，长期从事云网络、高性能网络架构及基础设施相关研发工作。具备从底层网络技术到云计算平台的工程实践经验。
近年来持续关注人工智能技术发展，重点探索大模型、AI Agent 及智能应用工程落地方向，并结合自身技术背景开展 AI 相关学习、实践与分享，致力于推动 AI 技术在开发者和产业场景中的应用创新。
近年来持续关注人工智能技术发展，重点探索大模型、AI Agent 及智能应用工程落地方向，并结合自身技术背景开展 AI 相关学习、实践与分享，致力于推动 AI 技术在开发者和产业场景中的应用创新。
Agent 驱动的 AI Native软件生命周期端到端质量保障体系建设
唐 亮
顺丰科技 效能运营
内容简介：
人人用AI提效，团队质量为何没跟上？从「个人提效≠组织提效」根命题出发，拆解规模管控、测试盲区、底座缺失、价值悖论四组困境；提出「把Agent当人管」理念，迁移六个管理动作，落地门禁2.0与ROI度量；以三层架构×生命周期二维落地，用Graph六模式、知识库docs-as-code、系统级三回路把个人红利收拢为组织能力；四案例佐证团队级提效硬数据；给辅助→共生→自治三阶跃迁与管理者五抓手。
演讲提纲：
1.困境：个人提效≠组织提效
1.1根命题——参差的技术前沿（HBS/BCG 758人田野实验：前沿内+40%但人低估只用60%潜力；前沿外+19pp错误率且对错误答案更有信心）+技能压缩（新手+35%、老手≈0）
1.2三重漏电机理——任务耦合漏电（TOC瓶颈转移，7h→4h而非1.75h）、质量漏电（做完≠做对）、能力折旧漏电（判断外包即去训练unlearning，三年结账）
1.3四组困境——规模管控失衡（4077 Agent、仅5%进生产）、AI测试能力盲区（四类）、底座缺失（根因）、价值证明悖论（预防悖论，收口）
2.理念：把Agent当人管
2.1个人vs组织六维对照+三层脱节（45%高管无AI战略、60%员工缺规划、66%领导拒录无AI技能者）
2.2Agent as Employee六动作迁移；门禁2.0（条件边三态+HITL+Checkpoint+客观验证层）；度量升级（决策型+执行型+ROI分级，标杆3.0以上、可用1-3、淘汰0.5以下）
3.实践：三层架构×生命周期
3.1三层架构即Agent组织架构（执行层/资源层/跨切层）；执行层演进链Prompt→Context→Harness→Loops→Graph；资源层五类（Tool/Skill/知识库/Memory/Eval）
3.2Graph六模式+真实平台落地实例（7个Agent×19个交付物即Pipeline+Supervisor编队，门禁引擎作Evaluator条件边跑T4规范+T2业务校验，不过则退回）
3.3Node三约束（防污染/防超量/防越界）；端到端质量流水线（6阶段×门禁）；知识库docs-as-code（二维矩阵，C3解法）；系统级三回路修复三重漏电；Token治理四招
4.案例：四个脱敏佐证
数字员工调度（门禁2.0/客观验证层）、拦截类（门禁挡住逃逸缺陷）、AIOps运行层闭环（34人天/月，意图识别53→82%，ROI≥300%）、知识管理（二维矩阵+90天废弃，C3解法）
5.总结：辅助→共生→自治三阶演进+管理者五抓手；金句——质量团队做加速器上的刹车片，不是马路边的交警
1.困境：个人提效≠组织提效
1.1根命题——参差的技术前沿（HBS/BCG 758人田野实验：前沿内+40%但人低估只用60%潜力；前沿外+19pp错误率且对错误答案更有信心）+技能压缩（新手+35%、老手≈0）
1.2三重漏电机理——任务耦合漏电（TOC瓶颈转移，7h→4h而非1.75h）、质量漏电（做完≠做对）、能力折旧漏电（判断外包即去训练unlearning，三年结账）
1.3四组困境——规模管控失衡（4077 Agent、仅5%进生产）、AI测试能力盲区（四类）、底座缺失（根因）、价值证明悖论（预防悖论，收口）
2.理念：把Agent当人管
2.1个人vs组织六维对照+三层脱节（45%高管无AI战略、60%员工缺规划、66%领导拒录无AI技能者）
2.2Agent as Employee六动作迁移；门禁2.0（条件边三态+HITL+Checkpoint+客观验证层）；度量升级（决策型+执行型+ROI分级，标杆3.0以上、可用1-3、淘汰0.5以下）
3.实践：三层架构×生命周期
3.1三层架构即Agent组织架构（执行层/资源层/跨切层）；执行层演进链Prompt→Context→Harness→Loops→Graph；资源层五类（Tool/Skill/知识库/Memory/Eval）
3.2Graph六模式+真实平台落地实例（7个Agent×19个交付物即Pipeline+Supervisor编队，门禁引擎作Evaluator条件边跑T4规范+T2业务校验，不过则退回）
3.3Node三约束（防污染/防超量/防越界）；端到端质量流水线（6阶段×门禁）；知识库docs-as-code（二维矩阵，C3解法）；系统级三回路修复三重漏电；Token治理四招
4.案例：四个脱敏佐证
数字员工调度（门禁2.0/客观验证层）、拦截类（门禁挡住逃逸缺陷）、AIOps运行层闭环（34人天/月，意图识别53→82%，ROI≥300%）、知识管理（二维矩阵+90天废弃，C3解法）
5.总结：辅助→共生→自治三阶演进+管理者五抓手；金句——质量团队做加速器上的刹车片，不是马路边的交警
听众收益：
1. 拿到一套「把Agent当人管」的可执行管理清单——六个管理动作如何逐项落地到Agent工程，缺哪件乱哪件，回去即可对照自查团队。
2. 掌握Agent驱动质量保障的技术底座——三层架构、Graph六模式、门禁2.0条件边三态、知识库docs-as-code，知道从「能跑」到「可控」该建什么。
3. 学会用ROI分级度量破解预防悖论——把「数拦截bug」的成本中心指标改成加速器指标，向决策层证明质量团队价值。
1. 拿到一套「把Agent当人管」的可执行管理清单——六个管理动作如何逐项落地到Agent工程，缺哪件乱哪件，回去即可对照自查团队。
2. 掌握Agent驱动质量保障的技术底座——三层架构、Graph六模式、门禁2.0条件边三态、知识库docs-as-code，知道从「能跑」到「可控」该建什么。
3. 学会用ROI分级度量破解预防悖论——把「数拦截bug」的成本中心指标改成加速器指标，向决策层证明质量团队价值。
现任：顺丰科技｜效能运营
经验：AI4研效、DevOps与数字化转型
方向：AI赋能软件工程、BizDevOps/DevOps平台、效能度量与数据驱动运营、价值流与投产有效性变革
经验：AI4研效、DevOps与数字化转型
方向：AI赋能软件工程、BizDevOps/DevOps平台、效能度量与数据驱动运营、价值流与投产有效性变革
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
