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。
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
待定
质量内嵌，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流水线爱你完成一个完整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。
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流水线爱你完成一个完整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
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
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
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。
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
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
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）
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
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
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
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
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
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
杨娅
中国平安人寿 资深测试工程师
中国平安人寿资深测试工程师，目前主要负责寿险C端业务线的前后端质量保障工作，同时负责寿险的UI自动化平台建设以及推广各业务线落地实践。毕业后曾就职于腾讯，从事QQ邮箱、手机QQ以及空间等产品的质量保障工作
待定
待定
寿险 UI 自动化的双 AI 落地实践
议题背景：
寿险业务系统迭代快、界面耦合深，UI 自动化长期受制于三大痛点：脚本编写门槛高，自动化集中在少数开发手中；用例选择依赖个人经验，高价值用例常被漏选；脚本维护成本高，元素一变即失效，回归可信度低。本实践从两条 AI 路径破局：其一，基于执行频率、稳定性、操作复杂度、回归价值四维构建可自动化度评分模型，让 AI 在用例评审阶段识别自动化抓手并自动生成录制任务，形成 "识别即录制" 闭环；其二，打通大模型自动执行与女娲脚本生成，AI 执行过程自动映射为脚本，复用执行引擎的等待、重试与异常留证能力，实现 "AI 生成、引擎稳定执行"。落地后自动化覆盖率、问题发现率与脚本复用率显著提升，回归人力与周期大幅下降。
内容大纲：
1. 传统 UI 自动化为什么推不动
寿险业务系统迭代快、界面耦合深，UI 自动化长期受制于三大痛点：脚本编写门槛高，自动化集中在少数开发手中；用例选择依赖个人经验，高价值用例常被漏选；脚本维护成本高，元素一变即失效，回归可信度低。本实践从两条 AI 路径破局：其一，基于执行频率、稳定性、操作复杂度、回归价值四维构建可自动化度评分模型，让 AI 在用例评审阶段识别自动化抓手并自动生成录制任务，形成 "识别即录制" 闭环；其二，打通大模型自动执行与女娲脚本生成，AI 执行过程自动映射为脚本，复用执行引擎的等待、重试与异常留证能力，实现 "AI 生成、引擎稳定执行"。落地后自动化覆盖率、问题发现率与脚本复用率显著提升，回归人力与周期大幅下降。
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）
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 五层架构设计：录制层 / 对象识别层 / 执行引擎层 / 可视化调试层 / 结果报告层
2.2 自动录制 + 可视化调试：业务测试人员零代码上手，失败步骤直接定位元素
2.2 自动录制 + 可视化调试：业务测试人员零代码上手，失败步骤直接定位元素
3. AI 抓手：让 AI 判断 "哪些用例值得自动化"**
3.1 四维可自动化度评分模型：执行频率 / 稳定性 / 操作复杂度 / 回归价值，加权输出优先级
3.2 嵌入测试流程五步闭环：用例评审预筛 → 编写推荐 → 自动生成AI执行任务 → 同步录制 → 入库回归
3.2 嵌入测试流程五步闭环：用例评审预筛 → 编写推荐 → 自动生成AI执行任务 → 同步录制 → 入库回归
4. AI 执行：从 "人录制" 到 "AI 自动生产脚本"*
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 关键设计：AI 负责 "会跑"（灵活理解与生成），执行引擎负责 "稳定跑、反复跑"（等待 / 重试 / 异常兜底），各取所长4.3 【踩坑】AI 执行的三个真实问题：动作序列到脚本格式的映射规则、元素定位漂移、结果自动校验判定，以及对应的兜底方案
4.2 关键设计：AI 负责 "会跑"（灵活理解与生成），执行引擎负责 "稳定跑、反复跑"（等待 / 重试 / 异常兜底），各取所长4.3 【踩坑】AI 执行的三个真实问题：动作序列到脚本格式的映射规则、元素定位漂移、结果自动校验判定，以及对应的兜底方案
5. 成效：更广、更早、更省
5.1 问题发现率提升
5.2 转回归案例推动：录制即入库、回归定时跑，回归池持续扩大
5.3 复用率与组件化：公共操作沉淀组件，写一次到处用、改一处全生效，维护成本指数下降
5.4 量化数据：问题发现率提升【待填】%、脚本复用率【待填】%
5.2 转回归案例推动：录制即入库、回归定时跑，回归池持续扩大
5.3 复用率与组件化：公共操作沉淀组件，写一次到处用、改一处全生效，维护成本指数下降
5.4 量化数据：问题发现率提升【待填】%、脚本复用率【待填】%
6. 未来展望
脚本智能维护（AI 修复失效脚本）、全链路 AI 化
听众收益：
1. 一套可复制的 "AI 识别自动化抓手" 方法论
2. AI 执行与既有自动化框架打通的实战路径：动作序列到脚本格式的映射
3. 规模化落地的组织推动经验：低门槛工具 + 自动化优先级治理如何让测试团队从 "被动写脚本" 转向 "主动规模化"，可直接用于设计本团队的推广路线。
1. 一套可复制的 "AI 识别自动化抓手" 方法论
2. AI 执行与既有自动化框架打通的实战路径：动作序列到脚本格式的映射
3. 规模化落地的组织推动经验：低门槛工具 + 自动化优先级治理如何让测试团队从 "被动写脚本" 转向 "主动规模化"，可直接用于设计本团队的推广路线。
敬请期待
......
.....
待定
待定
敬请期待
....
关注QECon公众号
关注QECon视频号
商务合作
151-2264-3988 木子
票务联系
159-0126-5561 小娟
媒体合作
135-1619-6409 皮皮
购票咨询
小娟 15901265561
