AiDD研发数字峰会

论坛主席：马洪喜

拥有二十五年软件产品研发和管理经验，二十年云计算领域专业经验。曾在Oracle,Citrix,Rancher等公司担任技术领导职务。是信通院云原生成熟度模型、云上开发等相关技术标准制定的参与者，并连续十年获得微软最有价值专家MVP称号。目前研究的方向是企业场景全云化AI智能研发平台工程技术。

行云创新CEO

AI+研发效能10X提升

本论坛聚焦AI驱动的研发效能革命，致力于实现工程团队的生产力10倍跃升。论坛涵盖效能度量体系、AI辅助决策、自动化工作流、团队协作优化等核心技术。通过深入探讨从"生码率"到"价值率"的度量转型、AI赋能的敏捷实践、规模化效能提升等关键议题，我们将共同见证研发效能从"线性增长"向"指数级突破"的质变，打造AI时代的高效能工程组织。

智能研发的飞轮效应：从数据驱动到自我进化闭环的构建

周小莉

智己汽车高级经理

内容简介：

在智能研发从 "工具提效" 迈向 "组织提效" 的关键节点，本次分享围绕 "智能研发的飞轮效应"，讲述如何构建从数据驱动到自我进化的研发闭环。通过剖析研发流程的三大瓶颈与量化损耗，介绍以需求、开发、测试、集成四大 Agent 为核心的效能场实践，展示人机协同分工、知识沉淀复用与指标驱动优化，如何让经验随流程沉淀、能力随使用进化。重点聚焦团队与组织效能的跃升：周期显著缩短、质量有下限保障、成本持续下降，最终实现越用越快、越用越准、越用越便宜的自我进化体系。

演讲提纲：
1.背景与挑战：为什么要构建飞轮
1.1 行业背景：智能研发的三重跃迁
1.1.1工具提效（L1）：单点 Agent 与 Skill 覆盖编码、测试等环节，解决 "做不完"
1.1.2流程提效（L2）：AI 工作流串联各环节、节点自动流转，解决 "转不动"
1.1.3组织提效（L3）：知识沉淀与经验复用形成自我进化闭环，解决 "留不住"
1.1.4定位判断：当前正处在 L2→L3 跃迁的关键节点
1.2 当前研发流程的三大瓶颈
1.2.1人工流转：上下游靠人工传文件与通知，过程无存档难追溯
1.2.2协同瓶颈：单节点自动化但协同靠人编排，效率受限于盯进度
1.2.3经验流失：判断依据散落在个人脑中，能力随人员流动波动
1.2.4核心矛盾：单点工具已成熟，但流程协同与知识沉淀严重不足
1.3 效能损耗量化
1.3.1单需求平均 7.5 人天，人力成本约 1.2 万元
1.3.2月均返工 20 次，返工成本约 1.6 万元 / 月
1.3.3综合月损耗约 5.28 万元（流转等待 + 返工 + 低级错误 + 集成问题）
2.飞轮模型：核心理念与机制
2.1 飞轮的定义：自我进化闭环
2.2.1四阶段：数据驱动 → 知识沉淀 → 智能执行 → 反馈进化
2.2.2中心逻辑：越用越聪明 —— 每转一圈知识库更丰富、下一次成本更低
2.2 第一推动力：从人工流转到自动流转
2.2.1传统模式：人工传文件 + 本地从零开发，下游重新配置环境
2.2.2飞轮模式：节点自动流转 + 拿到即初稿 + 人工审核
2.2.3角色转变：开发者从执行者变为审核者，聚焦架构判断与质量决策
2.3 飞轮加速器：上下文沉淀与边际效应
2.3.1沉淀资产：AGENTS.md 规则、历史经验、开发规范、需求模板、BadCase 库、指标数据
2.3.2边际曲线：第 1 次成本最高 → 第 10 次降约 30% → 第 50 次降超 60%
2.3.3核心原则：经验随流程走不随人走
2.4 效能场跃迁：从个人到组织
2.4.1个人效能：单点提效（基础层）
2.4.2团队效能：AI 工作流串联，环节自动流转，知识共享（关键层）
2.4.3组织效能：跨团队协同标准化、组织级知识资产沉淀（核心层）
2.4.4跃迁本质：从省个人时间到降组织协作成本，从个人经验到组织资产
3.整体架构与度量
3.1 基于 V 模型与 AI 工作流的新范式
3.1.1流程层：需求→方案→开发→测试→集成全链路
3.1.2 AI 节点层：每个节点对应专属 Agent（需求分析 / 代码生成 / 用例生成 / 代码审查 / 合入检查）
3.1.3连接层：飞书项目 AI 工作流实现自动流转 + AAMP 连接器打通各系统
3.1.4沉淀层：本地知识库 + 指标看板 + BadCase 库
3.1.5四大价值：自动流转 / 拿到即提效 / 人工审核把关 / 上下文沉淀复用
3.2 人机协同分工原则
3.2.1 AI 做执行（拆解、生成、扫描、执行、初稿），人做判断（架构、质量、准入、定级）
3.2.2防幻觉：AI 不臆造缺失依据，标"待确认项"由人工补充
3.2.3原则：AI 是助手不是替代者，关键决策权始终在人手上
3.3 度量框架
3.3.1总体页：宏观指标（周期缩短率、返工率、Token 消耗）
3.3.2实例页：微观指标（环节耗时、质量评分、修改率）
3.3.3 BadCase 页：失败原因、闭环率，驱动持续优化
3.3.4意义：效能可量化、可追溯、可改进
4.效能场实践：四大 Agent 详解
4.1 需求环节：需求架构 Agent
4.1.1五步流程：CTS 解读拆解 → 五维完整性检查 → 初稿生成 → 质量复核（≤3 轮）→ 文档创建回填流转
4.1.2防幻觉：背景不清或查不到的内容标 "待确认项"
4.1.3价值：减少沟通成本约 800 元 / 次，跨团队信息精准触达
4.1.4案例：接口变更全链路影响分析（自动识别引用位置、按人岗匹配推送差异化说明，从延迟暴露到前置识别）
4.2 开发环节：开发 Agent
4.2.1四维度能力：架构设计、代码评审、测试生成、工具链建设
4.2.2效能数据：中型需求周期 - 43%、大型需求 - 50%、低级错误归零、编译时间极限工况 - 62.5%、发版前问题前置发现
4.2.3成本分析：20 人团队年投入约 24 万，人力节省年 38.4 万，ROI 约 1.72 倍
4.3 测试环节：测试 Agent
4.3.1三类测试全覆盖：
￮ SOC 模块测试：6 小时→30 分钟（Jenkins 流水线 + 多线程下载 + AAMP 网络适配）
￮ SIL 测试：6 小时→2-3 小时（自研 IMFL 智驾功能语言作为信号接口与自然语言桥梁，全链路无人值守）
￮ HIL 测试：用例几条→几十条（RAG 历史用例 + 规则引擎反向补充边界场景），减成本约 1000 元 / 次
4.3.2共同价值：流程标准化避免遗漏、经验持续沉淀复用、失败自动重试
4.4 集成环节：集成 Agent
4.4.1一致性检查：需求 vs MR 逐条比对，拦截错合漏合，需求点覆盖校验
4.4.2合入检查：adaptor 层检查 + 特定模块按车型校验
4.4.3技术架构：AAMP 连接器下发 + 隔离服务器长连 VPN + 步骤化脚本
4.4.4价值：成本约 800 元 / 次→趋近于零，模块化快速适配新车型
4.4.5案例：错合漏合自动拦截
5.价值量化与未来展望
5.1 团队效能提升
5.1.1需求工程师：文档产出 - 75%
5.1.2开发工程师：周期 - 43%~50%，低级错误归零
5.1.3测试工程师：效率 + 50%~92%，用例覆盖几十条
5.1.4集成工程师：检查效率 10 倍 +，自动拦截
5.1.5整体：单需求 7.5→6.5 人天，月返工 20→17 次
5.2 组织效能提升
5.2.1四层模型：个人显性效能（已实现）→ 个人隐性能力（沉淀中）→ 团队显性效能（已实现）→ 组织隐性能力（核心价值）
5.2.2核心结论：人员流动不影响团队能力下限，新成员上手更快，实现 "人走经验留"
5.3 成本节约
5.3.1两层价值模型：人力流转成本节省（第一层）+ 错误率降低与返工减少（第二层）
5.3.2ROI：仅直接收益 1.54 倍，含间接收益 1.91 倍
5.4 MVP 演进路线
5.4.1一阶段验证：新增 feature 需求 + SOC 特定模块 + HIL 测试，跑通核心流程
5.4.2二阶段扩容：全类型需求 + MCU/SOC 更多模块 + 全测试类型
5.4.3明确边界 + 小步快跑、每阶段有明确价值验证指标
5.5 飞轮效应的本质
5.5.1三次跃迁叠加：工具提效（基础层）+ 流程提效（关键层）+ 组织提效（核心层）
5.5.2叠加效应：每次使用丰富知识库、每个 BadCase 优化 Agent、每次流转标准化流程
终极目标：越用越快、越用越准、越用越便宜，研发效能实现量级提升

听众收益：
1.获取可落地的AI工作流架构方案：了解头部主机厂如何以飞书项目AI工作流串联多Agent协作，解决“人工传文件+从零开发”的质量交付难题，获得可借鉴的系统架构与分阶段落地路径。
2.掌握质量闭环的量化评估方法：学习如何建立“流程能力×Agent能力”双维度准出标准，通过若干条真实样本验证流转成功率、回填成功率、耗时、成本等关键指标，理解AI质量工程“算得清账”的度量框架。
3.启发从“管人”到“经营流程”的管理思路：为研发管理者提供将个人经验转化为组织流程资产的新视角——用流程承载知识、用AI放大判断力，让团队能力随运行次数持续积累而非随人员流动波动。

历任某新势力车企高级算法架构师，长期深耕于智能驾驶软件研发一线，主导了多个核心算法与系统工程化项目。专注智驾软件工程化体系建设，积极探索并实践将前沿大模型与多智能体（Multi-Agent）协作框架融入智驾软件的开发全流程。带领团队构建模型驱动的研发协作新范式，覆盖需求分析、算法仿真、代码生成与测试验证全链路，显著提升复杂智驾系统的迭代速度与质量。

十倍效能的底层逻辑：平台能力 × 组织最佳实践的乘数效应

陈晓露

行云创新产品副总裁

内容简介：

市面上的AI coding工具智能提高个人的开发效率，对于研发团队而言，如何提高整体的研发团队组织级的开发效率，本次分享将结合具体的企业落地实践案例，给大家分享企业效能提升的两大利器：AI开发平台、最佳实践。

演讲提纲：
1. 组织级研发效能提升之平台建设
1.1建设原则
1.2建设理念
1.3平台架构
1.4平台能力
2. 组织级研发效能提升之最佳实践
2.1技术规范Skills化
2.2代码库管理的最佳实践
2.3技术分工的最佳实践
2.4AI 开发避坑最佳实践
2.5产品经理工作的最佳实践
2.6Coding review最佳实践
2.7测试工作的最佳实践

听众收益：
1. 企业级AI开发平台应该如何建设
2. 企业级AI开发团队该如何协作
3. 企业级AI开发过程如何与企业的技术规范结合

工信部特聘云原生技术专家、阿里云大模型认证专家，深耕工业数智化与 AI 落地领域，精通大模型后训练、RAG、知识图谱、企业智能体等核心技术，擅长云原生与AI深度融合，拥有 18 + 年企业智能化方案设计与落地实战经验。

Coding Agent：从个人提效到组织内化

彭云鹏

百度工程效能副总经理

内容简介：

Coding Agent作为大模型落地最快，效果最好的方向，已经深入到大部分工程师的研发日常，而随着Agent Loop的演进，Memory、Rules、Skills等知识生态的繁荣，在Spec和Harness的保驾护航下，Coding Agent 正从软件生产工具向软件生产力转变，而在企业中，它的作用也从面向个人赋能，向组织级内化推进，在效率跃迁的同时，也带来组织模式的变革，本分享将重点围绕Coding Agent如何解决真实研发场景的复杂问题，以及百度是如何推进整个集团研发智能化变革展开阐述

演讲提纲：
1.行业趋势：Coding Agent正从软件生产工具想软件生产力转变
2.如何打造一个优秀的Coding Agent
Agent Loop
多维评测体系
3.Coding Agent解决真实研发场景问题的关键
Memory
Rules
Skills
Agent Team
Spec
Mission
Automation
4.Coding Agent不只能Coding
AI原生软件架构
未来软件核心：Coding Agent + Skills
Agent Dev Infra
5.百度研发智能化实践经验
落地推广过程复盘
实践经验分享

听众收益：
1.了解Coding Agent的核心架构和解决真实研发问题的关键技术方向
2.了解超万人大型企业落地研发智能化的实践和经验

百度工程效能副总经理，负责文心快码Comate智能代码助手、云IDE、代码分析、效能度量和效率云平台等业务和团队，在代码智能化、静态分析、开发工具、软件测试、研发数字化等领域申请国内外发明专利88个，已获授权专利44个，国家重点研发计划《基于编程现场大数据的软件智能开发方法和环境》技术骨干，国家高质量专项《基于大模型技术的工业领域智能化开发工具项目》技术骨干，OpenHarmony技术指导委员会IDE TSG成员。

AiDD峰会

K+峰会

联系我们