AiDD研发数字峰会

论坛主席：朱少民

同济大学特聘教授、CCF杰出会员、软件绿色联盟标准评测组组长，近三十年来一直从事软件测试、质量管理等工作，先后获得多项省、部级科技进步奖，已出版了二十多部著作和4本译作，代表作主要有《软件工程3.0》、《软件测试方法和技术》、《全程软件测试》、《敏捷测试》等，并经常在国内外学术会议或技术大会上发表演讲，曾任思科（中国）软件有限公司QA高级总监、IEEE ICST2019工业论坛主席、IEEE ICST、QRS、DAS等国际学术会议的程序委员、《软件学报》审稿人等。

《软件工程 3.0》作者/CCF 杰出会员/AiDD 技术委员会成员

Agentic研发流程与人机协同

当人机协同、结对编程成为常态，更多的研发任务交给多智能体平台去执行，软件研发的流程必然要被重构。本论坛将探讨在人机协同环境下，企业打破传统流程的固化困境、构建适应人机融合的、灵活自主的研发流程，包括多智能体交互协议、自动化识别流程瓶颈、如何构建"意图、规划、执行、验证、自我改进"的人机协同的闭环体系，推动业务流程全面进入智能化时代。

京科研发AI产研新范式探索：LikeCode产研智能交付平台

冯伟平

京东科技资深架构师

内容简介：

本次分享围绕京科研发自研的 LikeCode Nex 智能产研交付平台展开，介绍其在金融科技场景中的落地成果、AI驱动的产研新范式、可复用资产沉淀及未来规划。平台以“人定义意图与门控，AI主执行，系统贯通全链路”为核心，推动产研协作从多角色、多环节模式，升级为“角色融合、流程重塑、AI主执行、人门控”的新范式。

演讲提纲：
1. 开场：平台背景与分享目标
1.1LikeCode Nex 是什么
1.2为什么要做 AI 驱动的产研交付平台
1.3产研新范式的案例
1.4本次分享希望回答的三个问题：是否真的落地、是否真的提效、是否能够规模化复制
2. 落地实效：平台已经取得了什么成果
2.1覆盖业务线情况
2.2截止时间与需求总量
2.3当前项目分布：上线、进行中、设计中、联调测试中
2.4真实项目分析：AI付、小微产品
3. 范式变革：AI 如何重塑产研流程
3.1新旧范式的根本差异
3.2核心机制
3.3AI在各环节承担的工作量
4. 角色融合与流程重塑
4.1 产品创意侧
4.2 研发交付侧
4.3 质量提升侧
5. Agentic研发流程的资产
5.1 需求场景资产
场景资产、Agent 设计资产、Prompt 资产、工具/API 资产
5.2 Memory/Knowledge
5.3 能力市场
5.4 数字人工厂
6. 未来规划：从试点平台到组织级新范式
6.1阶段一（2.0）：AI主执行、人门控
6.2阶段二（3.0）：一人指挥多Agent，形成超级个体
6.3阶段三（4.0）：组织级新范式产研交付平台
6.4未来重点能力
7. 结尾总结
7.1LikeCode Nex 不只是一个工具平台
7.2它正在推动产研交付模式从“人驱动流程”转向“AI驱动执行”
7.3最终目标是形成可复制、可沉淀、可规模化推广的组织级能力

听众收益：
1.理解 AI 产研协作的新范式：AI 在产研流程中不只是“提效工具”，而是在逐步成为流程第一参与者，从辅助走向主执行。
2.获得数字人/多Agent协作的实践启发：从前端、后端、测试、性能等数字人的案例中，理解：
2.1哪些类型的任务更适合 Agent 化。
2.2如何将个人经验、团队规范沉淀为可复用的智能能力。
2.3多 Agent 协同如何提升复杂任务的拆解、执行与交付效率。
3.了解LikeCode通用智能体的技术架构和实现路径，复杂任务推理、GUI操作和工具调用等关键问题的解决方案。

京科研发 AI效能部门资深架构师，深耕AI赋能产研效能领域，持续推动研发模式从“工具提效”迈向“范式升级”。主导 LikeCode 智能交付平台、GenieBot、AI Debugger、AI全景助手、FinD 资产平台等一系列AI平台与工具建设，在AI驱动需求生成、代码开发、智能调试与交付提效方面积累了丰富的实践经验。

告别单人 AI 编码！
软件工程 3.0 下企业团队与多智能体协作新范式

陈晓露

行云创新产品副总裁

内容简介：

当前Claude Code、Codex等顶尖AI编码工具，大多聚焦个人单兵开发场景，能够高效支撑单人全流程开发工作，但完全无法适配企业规模化、团队化的研发需求。企业级AI开发是典型的协同工作场景，离不开产品、开发、测试、运维多角色联动，传统单人AI开发模式的弊端被无限放大，出现代码混乱、权限失控、分工低效、流程脱节等诸多问题。本次分享立足软件工程3.0发展背景，跳出个人AI编码的固有思维，结合真实落地实践，聚焦企业团队AI研发的核心痛点，拆解代码库安全管理、新型团队分工、全角色AI赋能、多智能体协同等关键实践，分享落地过程中的踩坑经验与优化方案，为企业落地AI规模化协作开发提供可直接复用的思路与方法。

演讲提纲：
1. 核心难题破解：企业AI开发的代码库平衡管理。详解团队协作场景下，如何兼顾代码数据安全、分级权限管控，同时为AI模型提供完整、精准的项目上下文，解决安全管控与AI高效编码的核心矛盾。
2. 分工模式革新：从技术模块拆分到需求特性驱动。对比传统研发与AI赋能研发的差异，解析软件工程3.0下，企业研发团队从按技术模块分工，转向按业务需求特性分工的底层逻辑、落地方法与适配优势。
3. 全角色AI赋能：非开发岗位的AI落地工作流。聚焦产品经理、测试、运维等非开发角色，拆解各岗位如何借助AI编码工具重构工作流程，打破研发岗位壁垒，实现全链路AI提效。
4. 新型协作体系：多人+多智能体融合协作实战。深度拆解企业级多人协同、多AI智能体联动的全新研发协作模式，厘清人机分工、人人协作、机机互补的完整运行机制。

听众收益：
1. 掌握可落地的企业AI协作研发体系。系统了解软件工程3.0下AI企业级团队开发的完整流程、新型分工模式与全岗位赋能方案，摆脱个人AI开发的思维局限，适配企业规模化研发场景。
2. 规避核心落地坑点，降低试错成本。获取一线实战中总结的代码库管理、团队分工、AI工具落地的常见问题与避坑策略，解决企业AI协作开发落地难、效率低、风险高的痛点。
3. 吃透多人多智能体协同核心逻辑。清晰掌握人机融合、多智能体联动的团队协作模式，具备搭建企业高效AI协同研发团队、优化团队管理流程的实操能力。

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。

王仿

NoDesk AI CTO

内容简介：

随着大模型能力的快速提升，越来越多企业开始尝试将 AI 引入业务流程。然而在实际落地过程中，大部分企业面临着同样的问题：模型能力很强，但业务价值难以稳定释放。数据显示，超过 80% 的企业 AI 项目停留在 PoC 或局部试点阶段，难以进入生产环境。其核心原因并非模型能力不足，而是缺少一套能够连接业务目标、企业知识、业务系统和执行流程的 Agent 执行体系。
本次分享将结合实践经验，探讨如何将“不可控的大模型”转化为“可控的Agent执行系统”。我们提出了一套基于 Business Translation（业务翻译）、Knowledge Engine（知识引擎）、Skill Framework（技能体系）和 Agent Runtime（执行引擎）的企业级 Agent Infra 架构，将业务目标逐层拆解为可执行任务，通过 MCP 协议连接企业 ERP、CRM、MES、OA 等系统，并引入 Human-in-the-Loop、人机协同审批、可观测 Trace、长期记忆和 SOP 约束机制，实现 Agent 的可控执行与持续优化。

演讲提纲：
1. 问题背景：为什么企业Agent难以规模化落地
- 行业现状：大模型能力快速提升；Agent成为企业AI落地热点；大量项目停留在PoC阶段。
- 核心矛盾：模型能力增强 ≠ 业务价值提升；Demo效果 ≠ 生产系统能力。
- 四大关键问题：① 知识孤岛：企业知识无法统一利用；② 系统孤岛：ERP / CRM / MES / OA无法打通；③ Agent不可控：幻觉 / 越权 / 执行错误；④ ROI不可衡量：无法证明业务价值。
2. 核心观点：从模型能力到执行系统
- 核心判断：企业需要的不是模型，而是AI Execution System（执行系统）
- 能力演进路径：Chat → Copilot → Workflow → Agent → Execution System
- 关键变化：
- 从“生成内容”走向“执行任务”
- 从“模型中心”走向“系统中心”
3. 企业级Agent Infra架构设计
- 总体架构：Business Translation；Knowledge Engine；Skill Framework；Agent Runtime；Enterprise Systems（ERP/CRM/MES/OA）
- Business Translation（业务翻译层）：
- 将业务目标转化为Agent可执行任务
- Job → Task → Action拆解机制
- 解决“业务语言不可执行”的问题
- Knowledge Engine（知识引擎）
- 企业知识来源：文档 / 数据库 / 系统 / 外部数据
- 核心能力：Chunk / Embedding / Hybrid Search / Rerank
- 关键问题：知识治理而非单纯RAG
- Skill Framework（技能体系）：Tool → Skill → Workflow抽象；解决工具碎片化问题；支撑复用、权限与治理
- Agent Runtime（执行引擎）：Planning / Reasoning / Memory / Execution；多Agent协同机制；长任务执行与状态管理；失败恢复与重试机制
4. Agent可控性设计：从“能用”到“可控”
- Human-in-the-Loop：关键节点人工介入；风险控制与确认机制
- SOP约束机制：将企业流程固化为执行规则；限制Agent自由发挥空间
- Trace可观测体系：思考过程可视化；Tool调用链路追踪；执行过程审计
- Agent治理体系：权限控制；审计机制；回滚与风控
5. 企业级Agent实践案例
- 进出口报关Agent
- 业务效果：从3小时 → 10分钟，效率提升70%+
- Agent实现路径：业务翻译(业务专家负责)->skill开发&Agent调度（技术专家负责）->Agent执行（运营专家负责）
- 广告投放Agent
- 业务效果：从半天 → 30分钟
- 人和Agent协作路径：Agent执行、人来拍板，行业/客户的需求变化如何快速调整运维
6. 总结与展望
- 核心结论：大模型决定能力上限；执行系统决定业务价值
- 行业趋势：从模型竞争 → 系统竞争；从工具使用 → 执行体系构建
- 最终观点：企业真正需要的不是一个会聊天的大模型，而是一套能够持续创造业务价值的AI执行系统

听众收益：
1. 对于架构师和技术负责人：
- 理解企业级Agent落地的整体架构设计
- 掌握Agent Runtime与Agent Governance 的关键设计思路
2. 对于Agent工程师：
- 学习Business Translation、Knowledge Engine、Skill Framework等核心架构设计
- 掌握多Agent协同与长任务执行的实现方法
- 理解Agent 可观测性与可控性建设路径
3. 对于企业数字化负责人和CTO：
- 了解企业Agent项目为什么难以规模化落地
- 学习如何构建企业级 AI 执行系统
- 掌握衡量 Agent ROI 和业务价值的方法论

专注于企业级AI落地，具备“基模训练—工程实战—商业闭环”全链路能力。曾就职于智谱，从0到1搭建华东区大模型与解决方案团队，服务电商、医疗、制造等多个行业；此前在搜狗、阿里负责高并发AI系统建设。现创业 DeskClaw，专注于企业级 Agent Infra 与执行系统建设，帮助企业将 AI Agent 从 Demo 推向生产环境并持续创造业务价值。

从大模型到 AI 执行系统：构建企业级可控 Agent 体系

AgentTeams——多Agent治理管控与协作平台

王泉力

阿里云产品解决方案架构师

AgentTeams开源Maintainer

内容简介：

随着基模能力的增强，和各种Agent的爆火，Agent进入落地应用阶段。企业开始探索如何将内外部业务逻辑进行Agentic化。在企业内部，数字员工开始上岗工作，在外部，原有的API售卖转变为Token+Skill/MCP的售卖，这一系列的转变都伴随着Agent资产的快速池化，如何更好的管控Agent资产，成为Agent时代下的一大命题。在Agent场景下，越来越多的Agent赋能业务，如何管理这些Agent，并且能够让不同业务域的Agent相互协作完成任务，成为继Agent之后的下一命题。AgentTeams将围绕Agent资产管理，以及Agent治理和协作两大主题，介绍在Agent时代下的“微服务治理”

演讲提纲：
1. 定位及技术架构
2. 核心能力
-四道安全防线
-Agent协作
-多种交互方式
-纳管多类Agent
-Sandbox安全隔离
-Agent资产管理
-任务管理
-端到端可观测
3.应用场景与客户实践

听众收益：
1.了解多Agent协作的范式和最佳
2.了解Agent资产管理的最佳实践
3.了解多Agent协作的场景

AgentTeams项目Maintainer，阿里云云原生解决方案架构师，负责Higress、Nacos等开源项目。主导负责微服务中间件的解决方案落地，在云原生应用下主要负责API网关、Nacos、微服务治理。AI Agent下，主导Agent构建方向的解决方案落地，围绕AI网关，AI可观测，AgentScope开发框架、AI Registry以及Sandbox，为客户AI应用转型提供端到端解决方案。主导AgentTeam产品能力设计与规划，帮助企业AI Native转型。

AiDD峰会

K+峰会

联系我们