AI+平台工程_研发基础设施的智能化演进-2026北京站_QECon全球软件质量效能大会-橙柚科技

优惠倒计时

8折票抢购中

团购享更多优惠

北京站 · 10月16-17日

上海站 · 9月4-5日

深圳站 · 5月22-23日

专场：AI + 平台工程：研发基础设施的智能化演进

本专场聚焦“AI+平台工程”在研发基础设施中的体系化落地，探讨大模型与工程平台深度融合所带来的研发范式变革。内容覆盖AI编码助手、自动化研发平台、研发数据闭环、研发流程端到端交付等关键方向，结合一线实践分享如何构建面向未来的智能研发底座。在成本、效率与质量多维约束下，解析企业如何通过平台化与AI能力的协同演进，实现开发者生产力跃迁与工程体系的持续优化，推动从“工具增强”迈向“智能协同”的新阶段。

专场出品人：李佳奇

去哪儿旅行技术总监基础架构负责人

去哪儿旅行技术总监，基础架构负责人，技术中心TC委员、业务架构SIG负责人、腾讯云架构师同盟名人堂专家。10余年OTA一线研发经验，在高并发高可用系统建设、DDD项目落地、业务域系统价值度量、线上系统防腐治理、AI基建建设和项目落地等领域有代表性作品。多次在各大峰会等大会担任出品人和讲师。

杨娅

中国平安人寿资深测试工程师

平安人寿质量管理团队测试专家。毕业后先后就职于腾讯和平安人寿，深耕测试领域15年+。目前在平安人寿负责寿险代理人产品前后端质量保障工作，同时负责寿险女娲UI自动化平台建设，以及推动UI自动化在公司各业务线中规模化落地。

待定

左移破局 · 双AI闭环——寿险 UI 自动化体系进化之路

议题背景：
寿险业务系统迭代快、界面耦合深，UI 自动化规模化左移长期受制于三大痛点：脚本编写门槛高；用例选择依赖个人经验；脚本维护成本高。本实践从一个女娲UI自动化平台底座和两条 AI 实践破局：其一，基于稳定性、操作复杂度、回归价值三维构建可自动化度评分模型，版本用例上传到用例管理平台后，让 AI 识别是否需要UI自动化，直接打标；其二，SKILL打通大模型自动执行与女娲自动化案例，做到打标案例在AI 执行时自动生成女娲案例，实现 "识别即生成" 闭环，规模化落地后达到脚本转化和UI自动化问题发现率的显著提升。

内容大纲：
1. 传统 UI 自动化为什么推不动

1.1 三大拦路虎：编写门槛高、维护成本高、执行稳定性差
1.2 规模化的两个前置问题：选哪些用例？脚本从哪来？
1.3 破局思路：低门槛工具筑基 + AI 双落点（识别、执行）

2. 女娲工具：把自动化门槛降到 "操作即脚本"

2.1 三层架构设计：录制层 / 管理层/执行层
2.2 自动录制 + 可视化调试：业务测试人员零代码上手

3. AI 抓手：让 AI 判断 "哪些用例值得自动化"**

3.1 三维可自动化度评分模型：稳定性 / 回归价值 / 操作复杂度+漏斗策略
3.2 嵌入测试流程：用例输入 → 规则引擎三维度评分 → 自动进入UI自动化环节 → 开启女娲录制 → 入库回归

4. SKILL打通AI执行和女娲脚本：从 "人录制" 到 "AI 自动生产女娲案例"，打通全流程自动化闭环

4.1 三步链路：大模型理解用例意图自动执行 → 执行过程自动录制女娲脚本 → 入库成为回归资产反复跑
4.2 实现原理：AI执行时触发skill给浏览器注入女娲插件，自动开启女娲录制

5. 成效：

5.1 问题发现率提升
5.2 版本案例自动化转化的提升
5.3 女娲平台的规模化数据

听众收益：
1. 一套可复制的 "AI 识别自动化抓手" 方法论
2. AI 执行与既有UI自动化平台打通的实战经验
3. 规模化落地的组织推动经验：如何让测试团队从 "被动自动化" 转向 "主动规模化"，可直接用于设计本团队的推广路线。

李子洋

去哪儿网技术专家

去哪儿网基础架构部技术专家。主要负责java基础框架和中间件建设和稳定性保障，近期致力于AI Coding自动化相关平台建设。

待定

去哪儿旅行研发自动化平台演进实践

1. 背景与演进

1.1 背景现状：Coding agent工具正被广泛使用，能力覆盖日常众多场景。AI能写好代码，但不代表能够高质量交付。企业落地的主要障碍已经从模型能力转向上下文、工具、环境、调度、安全、权限、成本和质量验证等工程问题。
1.2 演进路径： AI 研发从个人在本地使用 Agent 完成单点开发任务，逐步发展为跨角色、跨环节共享上下文和能力的协作体系。
1.3 核心问题：标准化、规模化的Agent任务依赖基础设施平台；工具、环境、平台生态打通和企业级治理的要求

2. 平台基础建设

2.1 总体架构：自动化平台由多端接入、任务与 Agent 编排、Skills/Plugins 扩展、Sandbox 运行时以及安全、成本和 Insight 治理等能力共同构成。
2.2 Agent选型：平台不重复制造IDE或通用Coding Agent，而是接入了当前市面上主流的Agent，包括claude code、codex、pi等。
2.3 任务模板：围绕任务执行设计可复用模板。任务目标、上下文、Workflow、Agent、Skills/Plugins、运行环境、过程状态、交付产物。具备通用、扩展性
2.4 Sandbox隔离：自动化平台为任务分配隔离工作区，按需注入权限与资源，支持弹性创建、现场恢复和自动回收，使不同 Agent 的执行安全、稳定且可复现。
2.5 通信机制：平台通过统一的API打通客户端、Agent 与 Sandbox，使长任务保持一致状态并支持实时交互和断点恢复。
2.6 管理与调度：任务状态机、队列优先级、并发配额、重试取消、暂停恢复、资源调度和多集群治理共同保证大规模agent并行任务稳定运行。
2.7 安全与权限：平台通过计算、网络和数据隔离守住安全边界，以最小权限控制工具及凭证访问。
2.8 多端接入：飞书机器人、Web 控制台、CLI 和开放 API 共享统一任务身份、上下文与状态，用户可以跨端发起、观察、干预和验收任务。
2.9 扩展体系：记忆平台补充上下文，Skills 沉淀研发方法，Plugins 集成企业工具，扩展 Agent 提供不同执行能力。
2.10 数据洞察：分析任务会话过程，诊断执行效率、耗时、复杂度。为业务分析优化提供基础。

3. 场景案例：

3.1 JDK 自动升级：传统规则与 Agent 长尾能力协同平台用脚本完成基础改造、用 Agent 处理编译失败与复杂依赖等复杂场景，并通过CICD流水线验证结果。
3.2 报警自动分析：从告警触发到证据化结论分析告警触发后，平台自动汇聚日志、指标、调用链、近期变更和代码上下文，生成带证据的原因判断与处置建议，并将结果同步给研发和运维协作。
3.3 端到端需求开发：多Agent协作完成复杂需求通过上下文工程、计划驱动、多Agent 分工和多层校验，打通研发流水线关键流程

张裕

阿里云智能高级产品专家

拥有多年 DevOps 和中间件领域的研发与产品经验，当前在阿里云负责 API 网关、AI 网关、微服务引擎（MSE）及智能体构建和治理平台等产品的规划与商业化。在 API 全生命周期管理、AI Gateway、微服务治理、服务注册发现与配置管理、分布式任务调度等领域有深入的产品实践。关注 Agent 身份与安全、Agent 资产管理、AI FinOps、多智能体协作等前沿议题，当前专注于智能体构建和治理方向。

待定

从 Agent 构建到规模化治理

议题背景：
企业 Agent 正从单点试点走向规模化，但“构建方式不同、运行环境各异”的 Agent 集群让治理、协作与资产管理成为难题：Agent 或用低代码平台搭建、或高代码自研、或接入开源框架，运行环境既有云上托管也有本地运行。异构 Agent 散落各处——无统一身份与通信边界，任务拆解靠口头约定；用户、Agent、工具三方权限混乱——凭据泄露、工具越权；Agent 资产失控——无版本管理、无准入审核、无安全扫描，上线靠自觉；成本无法归因——Token 消耗按团队/任务拆不清，月底账单是笔糊涂账。Agent构建解决“怎么跑起来”，企业真正卡住的是“agent 跑起来之后怎么统一管得住”。本议题分享 Agent platform在企业 Agent 统一治理与协作方面的工程实践与踩坑复盘。

内容大纲：
1. 企业 Agent 规模化困境：从"能跑"到"能管"的四道坎

1.1 异构 Agent 散落：低代码构建 / 高代码自研 / 开源接入，云上与本地私有部署并存，无统一身份与管理入口
1.2 协同与权限失控：无通信边界、任务拆解靠口头约定；用户 / Agent / 工具三方权限边界不清、工具越权调用
1.3 资产与成本失控：模型/MCP/Skill/模板无版本、无准入、无扫描；Token 无法按 Agent/任务/用户归因
1.4 行业现状：构建平台拥挤，管控面缺位（Cloud Native → AI Native 类比）

2. Agent Platform平台设计：构建与治理的一体化架构

2.1 构建能力：高代码（SDK+CLI 自建）+ 快速创建（模版化）双模式，区 Region 级共池算力，纳管异构 Agent 接入
2.2 身份与权限：Agent 为独立安全主体（四实体模型），用户 → Agent → 工具三方 L1/L2/L3 声明式授权
2.3 资产与协作：Registry 统一注册/版本/扫描/锁定；Leader-Workers 编排 + 通信白名单
2.4 整体安全方案：以 Agent ID 为安全锚点，三层隔离 + 凭据零暴露兜底运行时；集成 Agent 安全中心，入站防护+ 出站防护覆盖全链路

3. 规模化治理实战：两个内部案例与踩坑复盘

3.1 案例一：AgentLoop 12-Agent 研发流水线（T1→A4 全自动水位分级）
3.2 案例二：云原生数字员工 4 场景 15 Agent（三网凭证收敛 + 跨网链路优化）
3.3 复盘：任务拆分粒度 / 凭证横向传播 / 成本失控 / 跨网延迟 / 信任积累 / 资产版本回滚 6 类踩坑

4. 成本治理与观测（FinOps）：让每一笔 Token 有账本

4.1 观测：Token 用量实时追踪（按团队 / 任务 / 用户维度），构建成本事实基线
4.2 配额：维度级预算配额 + 告警，成本失控提前拦截（如 Reviewer 死循环一夜烧 ¥3000 的止损前提）
4.3 分析：多维交叉分析——哪个团队花得多、哪个 Agent 效率低、哪类任务 Token 开销异常
4.4 优化：模型降级建议 / 空转检测 / 任务拆分粒度调优，与进化闭环联动

5. 进化闭环：让 Agent 越用越强

5.1 进化闭环总览：观测 → 评估 → 实验验证，数据驱动 Agent 与团队持续进化
5.2 观测：全链路 Trace + 性能指标，沉淀 Agent 运行事实（调用链 / 耗时 / 状态 / 成本）
5.3 评估：Agent 能力度量体系（准确率 / 效率 / 成本），基于观测数据形成改进假设
5.4 实验验证：以假设驱动小步实验（如任务拆分粒度调整、信任积累降频），验证后固化到配置，形成新一轮观测基线

听众收益：
1.一套治理框架：身份 / 权限 / 资产 / 成本 / 审计五维企业 Agent 治理模型
2.踩坑复盘：凭证隔离、任务拆分粒度、资产版本回滚、成本失控止损、跨网通信等 6 个真实踩坑案例及量化数据，可供参考的避坑清单
3.用户管控面架构参考：Agent 治理从开源 DIY 到平台化的演进路径，为自有 Agent 管控面架构设计提供参考

王秉发

北京兴云数科软件工程总工

北京兴云数科技术有限公司软件工程总工，目前主要负责公司DevOps和研发提效等相关工作。确保在代码提交到版本发布过程中高效和有质量的交付。目前主要致力于将AI实践工程化工作。

待定

质量内建，搭建 skill 的一站式端到端交付框架

议题背景：
在组织内部进行企业级 SKill 开发过程中，如何实现SKill高效有质量的开发，是一个对企业严峻挑战，传统的研发流程过程复杂，需要多个角色协同完成。
如何结合现在 Harness Engineering，通过搭建完整的Skill端到端流程交付框架，实现一人团队，一个人就可以在需求分析阶段 AI+人协同完成，和在开发测试阶段 AI 自主完成，以及 DevOps 流水线助力完成一个完整 Skill 交付。
在完整端到端流程中，将 Skill 检查规则能力 AI 化，嵌入整个研发流程。确保 Skill 交付质量。

内容大纲：
1. 提炼 Skill 检查规则，统一管理和能力AI化。

1.1 企业级的 Skill 有哪些检查规则。
1.2 这些检查规则怎样形成一个 AI 检查的原子能力

2. Skill 从需求提交到发布上架一体化交付框架，一人团队交付 Skill

2.1 一个结合 Harness Engineering 端到端交付框架介绍
2.2 交付框架要考虑如何进行灵活流程编排和工具接入。
2.3 一人团队如何完成一个企业级skill交付

3. 将检查规则能力嵌入全流程。

3.1 AI 检查的原子能力统一管理
3.2 AI 检查的原子能力如何嵌入上述端到端流程
3.3 检查左移和自修复

听众收益：
1. 了解企业级 Skill 应该关注哪些方面，有哪些检查规则，这些规则如何进行AI检查。
2. 如何结合 Harness Engineering 大家一个 Skill 端到端的交付流程，使得一个人即可完成一个企业 Skill 交付。
3. 如何将 AI 检查能力嵌入端到端流程并做到自修复。