AiDD研发数字峰会

AI+研发效能10X提升

本论坛将探索人工智能如何赋能研发管理、项目管理和办公自动化等，以显著提高工作效率和质量。深入讨论基于LLM的智能助手、LLM驱动效能度量、智能工具集成、LLM赋能项目管理、LLM赋能CI/CD等关键技术。通过分享成功案例和策略，旨在帮助企业通过AI技术实现效能的飞跃。

出品人：任晶磊

清华大学计算机系博士，前微软亚洲研究院研究员，斯坦福大学、卡内基梅隆大学访问学者；多篇论文发表在 FSE、OSDI 等顶尖国际学术会议上。曾参与微软下一代服务器系统架构设计，获 4 项美国发明专利；《软件研发效能度量规范》标准核心起草专家，参编《软件研发效能权威指南》《软件研发效能提升实践》；研发大数据平台 Apache DevLake 等开源项目发起人。创办思码逸并担任CEO，致力于为企业提供专业的研发数字化、智能化解决方案。

思码逸创始人兼CEO

小时级 Agent 无干预编程实践与 AI 原生软件开发范式

任晶磊

思码逸 CEO

内容简介：

快速构建原型不是 AI coding 的全部意义。AI 原生软件开发中，比编码速度更重要的能力，是 agent 在完全无人干预的情况下能持续多久产出有价值的工作。我们通过多 agent 协作、基于状态机的可视化 skill 和其它以可靠性（reliability）为首要目标的机制，达到 coding agent 在新旧项目上自主执行若干小时，中途完全无人介入。AI 原生软件开发的背后，是对规约（spec）的合理设计、组织和表达，如何实现 spec 层面的可组合性（composability）和可复用性（reusability）是保证软件质量与可维护性的核心——这些特性对于非“日抛”/“月抛”型软件工程依然重要，并不因 vibe coding 而改变，也将是本演讲重点探讨的话题之一。

演讲提纲：
1. AI 原生软件开发：持久比快速更重要
2. Agent 自主性实践
2.1 小时级 agent 无干预开发实例若干
2.2 可靠性设计：介于脚本与 skill 之间（AI + 状态机）
2.3 多样性设计：不同模型 agent 配合
2.4 基础设施：基于 container 的 sandbox
3. Spec 基本范式：下一代软件工程人类工作核心
3.1 目标：言简意赅、灵活易用、高扩展性
3.2 Spec 语义：扩展 EARS 为 GEARS
3.3 Spec 组织：可组合性与可复用性
3.4 Spec 层的包与依赖
4. 总结：适合工作场景的看板与工具链

听众收益：
1. 耳听为虚、眼见为实，观览 agent 无人干预工作几小时的实例
2. 了解和应用可靠性为先的 agentic coding 设计机制
3. 了解和应用自主可靠 agentic coding 的实操技巧
4. 了解和实践 spec-driven 开发的本质与核心，跳过冗长学习曲线
5. 学习实现 spec 可组合、可复用的技术与实践

清华大学计算机系博士，前微软亚洲研究院研究员，斯坦福大学、卡内基梅隆大学访问学者；多篇论文发表在 FSE、OSDI 等顶尖国际学术会议上。曾参与微软下一代服务器系统架构设计，获 4 项美国发明专利；《软件研发效能度量规范》标准核心起草专家，参编《软件研发效能权威指南》《软件研发效能提升实践》；研发大数据平台 Apache DevLake 等开源项目发起人。创办思码逸并担任 CEO，致力于为企业提供专业的研发数字化、AI 原生软件开发解决方案。

Vibe Coding 驱动下的 AI BaaS 能力构建与规模化实践

张国强

字节跳动资深技术专家

内容简介：

AI 时代，大模型能力持续迭代升级，Vibe Coding 范式快速普及，极大降低了编程门槛。非专业开发者也能通过自然语言快速构建应用，直接驱动 AI Agent 与各类 AI 应用呈爆发式增长。这一趋势对后端基础设施提出了大规模、低成本、秒级响应、多分支并行、高弹性等核心诉求。
本次分享将深入剖析 Vibe Coding 场景下基础设施的痛点与需求，提出字节跳动 AI BaaS 完整解决方案，并结合在豆包、扣子、TRAE 等应用的真实落地案例复盘实践经验；最后总结工程化心得，展望面向 AI Agent 时代的下一代基础设施演进方向。

演讲提纲：
1. Vibe Coding对基础设施的痛点与需求
1.1 Vibe Coding 业务特征与规模趋势
1.2 核心痛点与关键需求
2. 字节跳动 AI BaaS 技术方案
2.1 Instant Provisioning
2.2 Serverless
2.3 Data as Git
2.4 PITR Restore & Timetravel
3. AI BaaS的落地案例
3.1 Coze 编程实践
3.2 TRAE 编程实践
4. 未来展望
4.1 工程实践经验总结
4.2 AI BaaS 面向 Agent 时代的演进方向

听众收益：
1. 掌握 Vibe Coding 场景下可落地的 AI BaaS 解决方案与设计思路
2. 理解 AI 原生基础设施核心能力，快速搭建高弹性、低成本 AI 应用
3. 借鉴规模化实践经验，少踩坑、提效率、降成本

硕士毕业于北京邮电大学，拥有10年以上的数据库内核开发经验，深耕MySQL、PostgreSQL、云数据库Serverless架构、AI原生 BaaS 平台等核心技术领域；现任字节跳动火山引擎云数据库MySQL负责人，主导并带领团队从0-1打造火山引擎AI原生 BaaS 平台Supabase版产品，上线2个月实例数突破100万+，为字节跳动 Vibe Coding 业务提供关键基础设施支撑。

从传统到智能：
集团产研效能提升三层推进体系（基建-实践-度量）

鞠晓岩

京东科技资深效能专家

内容简介：

在数字化经济、智能化技术加速迭代的今天，研发效能已经成为企业核心竞争力的关键指标，而需求交付周期长、跨部门协同壁垒高、质量成本失控等痛点，正困扰着众多科技企业的研发体系。本次分享将基于京东在AI赋能研发效能提升领域的实战经验，拆解“标准化-数字化-智能化”的渐进式建设路径，系统阐述“基建-实践-度量”三层人机协同效能体系的构建逻辑。
在过去的一年里，我们聚焦AI技术在研发全流程的落地应用，从统一工具矩阵搭建（AI需求生成、编码复用、智能测试等）到知识资产沉淀，从试点验证到全链路推广，再到数据驱动的持续优化，完整呈现从0到1构建AI研发效能体系的核心方法。同时分享三阶段建设的落地成果与经验总结，为行业提供可复制、可落地的研发效能提升解决方案，助力企业通过AI赋能突破研发瓶颈，支撑业务快速创新。

演讲提纲：
1. AI 赋能的 “物理反应”：工具与体系的整合构建
1.1 核心动作：要素聚合与基础搭建
1.1.1 工具矩阵集成：落地需求端 AI PRD、编码端 JoyCode 复用、测试端 AI 用例生成等专项工具，实现研发各环节工具覆盖
1.1.2 资产中台建设：梳理 PRD/TRD 模板、测试用例库，建立 “提交-审核-更新” 的知识沉淀机制，打破信息孤岛
1.2 关键特征：功能叠加与流程规范
1.2.1 跨环节工具联动：打通需求、开发、测试、发布各阶段工具数据接口，形成初步协同链路
1.2.2 标准化流程落地：通过试点项目验证工具使用规范，明确跨部门评审、灰度发布等基础流程
2. AI 赋能的 “化学反应”：效能与模式的质变突破
2.1 核心表现：智能驱动的价值跃迁
2.1.1 全流程效能升级：AI 自动生成 PRD、测试用例，辅助代码修复与用例自愈，交付周期与缺陷率显著优化
2.1.2 管理模式革新：建立 “效率-质量-成本” 三维度量体系，通过月度报告实现数据驱动的根因分析与改进
2.2 关键支撑：生态与机制的深度融合
2.2.1 人机协同生态成型：工具智能化升级与最佳实践库沉淀结合，形成 “AI 辅助+人工优化” 的研发新模式
2.2.2 长效运营机制落地：通过资源保障、数据留痕、文化引导，确保效能提升成果可持续沉淀
3. AI 提效的 “进化之路”：从 Prompt 交互到基建化落地的实践探索
3.1 演进历程：从零散调用到体系化构建
3.1.1 1.0 阶段：Prompt 原生交互期 —— 依赖人工编写精准 Prompt，实现单点场景（如单条用例生成、简单代码片段优化）的 AI 辅助，无统一标准与流程
3.1.2 2.0 阶段：工具封装期 —— 将高频 Prompt 固化为专项工具功能（如 AI PRD 生成器、用例模板调用），简化操作门槛，实现 “输入需求→输出结果” 的标准化交互
3.1.3 3.0 阶段：基建化落地期 —— 整合工具矩阵与资产中台，打通数据链路，实现 AI 能力与研发流程、知识资产的深度耦合，形成可复用、可扩展的智能研发基础设施
3.2 实践踩坑与解决方案
3.2.1 坑点 1：Prompt 质量不稳定 —— 人工编写的 Prompt 缺乏统一规范，导致 AI 输出结果偏差大、复用性低；解决方案：沉淀行业化 Prompt 模板库，建立 “场景 - 模板 - 参数” 映射关系，通过工具自动注入标准化 Prompt
3.2.2 坑点 2：工具数据孤岛 —— 各专项 AI 工具独立运行，数据不互通（如 PRD 信息无法直接同步至测试用例工具）；解决方案：搭建统一数据中台，制定跨工具数据交互标准，实现需求、资产、结果的全链路流转3.2.3 坑点 3：基建适配性不足 —— 初期基建设计未考虑多业务线差异，导致工具与部分场景适配困难；解决方案：采用模块化、可配置的基建架构，支持业务定制化扩展，通过试点验证持续优化适配能力
3.2.4 坑点 4：效果难以量化 —— 缺乏对 AI 提效的明确度量标准，无法精准评估基建投入产出比；解决方案：提前嵌入度量指标（如工具使用率、结果准确率、流程缩短时长），通过数据埋点实现全流程效果追踪
4. 未来展望：从 “赋能” 到 “自主” 的轻量化演进
4.1 技术深化：聚焦 AI 核心能力迭代，推动用例自愈、代码缺陷自动修复等功能优化，实现从 “辅助生成” 到 “主动优化” 的进阶
4.2 价值升维：持续沉淀行业化 AI 训练数据与算法模型，打造更灵活、更适配业务的智能研发支撑体系

听众收益：
1. 认知升级：明确AI在研发中的核心价值，建立业务驱动的落地理念
2. 方法获取：拆解“基建-实践-度量”体系与三阶段落地路径
3. 工具参考：获取京东AI研发工具选型与整合经验，规避风险
4. 指标能力：学会搭建三维度量体系，用数据驱动研发范式转型
5. 经验复用：借鉴打破AI壁垒约跨部门转型经验，加速效能提升。

核心领域：研发效能度量体系建设、AIGC 研发提效实践
从业背景：京东集团 10年工作经验，深度参与集团研发体系迭代，既精通内部研发流程、技术架构与组织协作模式，也广泛对标行业先进实践，对集团内外研发生态有着全面且深刻的洞察。
核心职责：
效能度量体系建设与推广：搭建科学可落地的度量指标框架，为研发效能优化提供数据支撑；
效能平台与最佳实践推广：通过工具化、平台化手段固化优秀经验，赋能全集团研发团队；
重点业务线效能提升：深入业务场景挖掘效能瓶颈，定制针对性优化方案并推动落地；
AIGC 研发提效探索：探索人工智能技术与研发全流程的融合路径，落地智能化提效应用。
核心理念
以体系化建设为基础、平台化工具为支撑、场景化实践为核心、智能化创新为突破，持续推动研发效率与质量双提升。

生产问题治理体系构建与智能化实践

李佳佳

中国平安人寿质量管理团队测试专家、寿险科技SEPG组织专家

内容简介：

本议题基于平安寿险生产问题治理实践，系统阐述覆盖"快速感知-及时止损-深度复盘-长效改进"的全周期治理体系。通过生产缺陷定级标准（P1-P7）、线上问题review十问、多维度问题根因分析（程序缺陷/非程序缺陷）、全渠道问题感知机制等创新方法，结合质慧平台与AI技术应用，实现问题治理的量化追踪与改进措施落地。重点分享典型案例复盘经验、漏测逃逸率下降35%的实践成果，以及2026年智能化治理规划，为金融行业提供可复用的质量管理解决方案。

演讲提纲：
1. 背景与痛点
难以看清终端交付质量
难以管理开发交付质量
难以有效分配测试资源
难以挖掘复制经验教训
2.问题治理全景图
生产缺陷定级标准（资金损失、业务中断等6维度）
治理闭环机制：从问题发现到改进措施追踪
全渠道感知体系：主动（监控/生产体验/自主发现）与被动反馈（微信/ITSM/小蜜蜂）
3.智能分析实践
平台问题录入智能评分：智能判定问题还原程度
智能判定问题是否属于漏测：减少主观漏测误判
漏测逃逸率下降48%的实战策略（自动化监控补充+生产用例完善）
4.未来规划
AI驱动的智能复盘：大模型辅助根因分析与改进措施建议
自动化监控升级：生产环境监控分级机制
质量文化沉淀：典型案例共享机制与研发质量赋能

听众收益：
1.掌握金融级生产问题定级与根因分析方法论（含P1-P7分级标准）
2.学习漏测逃逸率下降48%的实战改进策略（自动化监控+复盘SOP）
3.获得智能质量平台建设的参考架构（质慧平台+AI评价体系）

负责平安人寿个险领域C端业务线的质量保障工作，承担寿险科技生产问题治理工作，通过系统化问题复盘与机制建设，长效推动研发流程优化与产品质量持续提升，在质量保障与效能改进方面具备丰富实践沉淀。
15年质量领域老兵，专注研发全流程质量保障体系建设。

AI 驱动研发交付闭环，释放组织级效能

鲁奕志

词元无限技术专家

内容简介：

AI Coding 正在快速放大个人产能，但企业研发效能的真正瓶颈，往往不在代码生成本身，而在需求理解、方案协同、质量验证与交付管理之间的链路断层。单个 Agent 可以让个人效率显著提升，却未必能自然转化为稳定、可控、可复用的组织交付能力。
词元无限聚焦研发流程中的协同割裂与质量承压问题，将智能能力嵌入从需求理解、技术方案、代码开发到测试验证的关键节点，打通研发交付一体化闭环。通过让上下文持续流动、风险提前暴露、质量前置保障、经验持续沉淀，帮助企业把 AI 产生的单点效率，转化为可追踪、可协同、可进化的智能交付体系，实现从“个人提效”到“组织提效”的系统升级。

演讲提纲：
1. 现状痛点与机会
1.1 AI Coding 带来的个人效率飞升
1.2 企业真实提效受限的核心原因
1.3 从单点提效到智能交付的机会
2. 技术演进路线和趋势
2.1 传统研发协同模式下的效能瓶颈
2.2 基于 Agent 的单点能力增强
2.3 面向研发链路的一体化智能交付
3. 智能交付闭环的核心理念
3.1 上下文贯通：让需求、研发、测试理解同一件事
3.2 质量前置：让测试不再只做最后兜底
3.3 过程可追踪：让 Agent 产出真正进入交付链路
4. 从个人提效到组织提效的落地路径
4.1 将智能能力嵌入研发关键节点
4.2 构建研发交付一体化闭环
4.3 以组织资产沉淀推动持续进化
5. 未来展望：AI 研发效能的关键跃迁
5.1 从工具入口走向流程嵌入
5.2 从代码生成走向智能交付
5.3 从个人生产力走向组织级智能协同

听众收益：
1. 理解 AI 研发提效的真实瓶颈
2. 获得智能交付闭环的建设思路
3. 形成从“个人提效”到“组织提效”的管理视角

专注于企业级 AI 研发效能、AI Agent 工程化落地及智能测试体系建设。当前主要负责智能研发与智能测试一体化解决方案相关工作，围绕代码生成、代码审查、测试生成、自动化执行、质量 Gate 与研发效能度量等方向，探索 AI Agent 在企业软件交付全流程中的深度应用，推动企业从个人效率提升迈向组织级研发效能升级。

AiDD峰会

K+峰会

联系我们