专场：AI 质量管控：从左移到右移的全链路实践
随着AI编码工具的快速普及，生成代码已成为开发日常，但随之而来的幻觉、缺陷和安全隐患也越来越突出，传统的质量保证方式已明显跟不上节奏。 本专场探讨在AI时代，如何建立一套真正适配的全链路质量保障体系：从开发早期就做好针对AI代码的评审和幻觉检测，到引入适合AI原生应用的新型测试方法，再到利用智能工具加强安全扫描和生产阶段的持续监控，实现从左移预防到右移验证的完整闭环。结合当前行业面临的实际挑战与最新实践，分享如何在加快交付的同时，切实把控住代码质量和风险，帮助团队平稳完成向AI驱动开发的转型。
专场出品人：白路
小红书 搜推广效率工程负责人
毕业于哈尔滨工业大学计算学部。先后就职于华为、百度，曾负责百度搜索、文心模型等核心产品的质效保障与稳定性能力建设，在引擎算法链路风险治理、研发效能提升、测试智能化及大模型效果评测等领域积累了丰富的实践经验。当前聚焦 Agent 驱动的智能变更管控与稳定性风险治理，探索 AI Native 时代的质效研发新范式。
李雁翎
微众银行 AI 测试架构师
拥有8年软件质量保障经验。本科毕业于西安电子科技大学，硕士毕业于华中科技大学，具备扎实的计算机与工程理论基础。
曾先后就职于美团、字节跳动、Shopee及微众银行等头部互联网与金融科技企业，长期深耕金融支付、信贷核心、电商交易等业务领域，对高并发、高可用系统的质量保障有着丰富的实战积累。
在质量内建与测试左移方面，主导过多个业务线的流程优化与质量防控体系搭建，通过需求阶段介入、精准测试与持续集成实践，有效将缺陷发现左移，显著降低线上风险。在AI赋能测试提效方向，深入探索并落地了智能用例生成、流量回放、缺陷预测、回归策略优化等方案，在多个核心系统项目中取得了明显的质量与效率双提升，具备从方案设计到规模化落地的完整经验。
核心方向：测试左移、AI驱动测试提效、金融系统质量保障、质量效能提升
曾先后就职于美团、字节跳动、Shopee及微众银行等头部互联网与金融科技企业，长期深耕金融支付、信贷核心、电商交易等业务领域，对高并发、高可用系统的质量保障有着丰富的实战积累。
在质量内建与测试左移方面，主导过多个业务线的流程优化与质量防控体系搭建，通过需求阶段介入、精准测试与持续集成实践，有效将缺陷发现左移，显著降低线上风险。在AI赋能测试提效方向，深入探索并落地了智能用例生成、流量回放、缺陷预测、回归策略优化等方案，在多个核心系统项目中取得了明显的质量与效率双提升，具备从方案设计到规模化落地的完整经验。
核心方向：测试左移、AI驱动测试提效、金融系统质量保障、质量效能提升
待定
待定
从需求到可执行脚本：测试知识库驱动的 AI 测试落地实践
议题背景：
AI 辅助研发中开发提速明显、测试感受不深，差距不在会不会用 AI，而在知识资产与约束机制。"需求到测试设计"离需求最近、返工成本相对较低，业内普遍存在如下痛点：
1. 覆盖受限于文档完整度，视野外入口漏测
2. 影响面分析更多依赖专家经验
3. 需求信息不全，存在沟通成本
4. AI 生成内容细节臆造，审核成本高
前两类缺信息来源，后两类缺约束机制
内容大纲：
1. 问题定位：提效剪刀差成因、左移落点选择、四类卡点、需求与测试设计的本质
2. 受控生成链（需求到测试设计）：需求体检问人不猜、影响面双向收敛、场景矩阵集合对照、预期取值链、八道出厂门禁、裁决沉淀闭环
3. 知识库建设（卡点倒推）：代码给结构、案例给行为、裁决做仲裁；只读声明不读逻辑、可信分级、按需查询、基线保鲜
4. 脚本生成：三段式直转、中间契约映射（带置信度、缺口显式保留）、Mock 与执行开关自动推断、模板加组件复用
5. 边界与要点：适用象限与迁移成本；五条方法红线——缺口问人、声明不作预期、现状不等于预期、集合对照、全程可溯源
听众收益：
1. 方法论：用"缺口问人、集合对照、出厂门禁"管住 AI 生成质量，约束的是方法而非模型
2. 建库思路：由生成链卡点倒推建库，避免"先建库再找用途"
3. 三条实践：显式化"不知道"、信息分权流转、裁决沉淀复用
4. 决策参考：适用边界与迁移成本，评估如何分阶段引入
AI 辅助研发中开发提速明显、测试感受不深，差距不在会不会用 AI，而在知识资产与约束机制。"需求到测试设计"离需求最近、返工成本相对较低，业内普遍存在如下痛点：
1. 覆盖受限于文档完整度，视野外入口漏测
2. 影响面分析更多依赖专家经验
3. 需求信息不全，存在沟通成本
4. AI 生成内容细节臆造，审核成本高
前两类缺信息来源，后两类缺约束机制
内容大纲：
1. 问题定位：提效剪刀差成因、左移落点选择、四类卡点、需求与测试设计的本质
2. 受控生成链（需求到测试设计）：需求体检问人不猜、影响面双向收敛、场景矩阵集合对照、预期取值链、八道出厂门禁、裁决沉淀闭环
3. 知识库建设（卡点倒推）：代码给结构、案例给行为、裁决做仲裁；只读声明不读逻辑、可信分级、按需查询、基线保鲜
4. 脚本生成：三段式直转、中间契约映射（带置信度、缺口显式保留）、Mock 与执行开关自动推断、模板加组件复用
5. 边界与要点：适用象限与迁移成本；五条方法红线——缺口问人、声明不作预期、现状不等于预期、集合对照、全程可溯源
听众收益：
1. 方法论：用"缺口问人、集合对照、出厂门禁"管住 AI 生成质量，约束的是方法而非模型
2. 建库思路：由生成链卡点倒推建库，避免"先建库再找用途"
3. 三条实践：显式化"不知道"、信息分权流转、裁决沉淀复用
4. 决策参考：适用边界与迁移成本，评估如何分阶段引入
焦海棠
岩山科技二三四五 高级测试工程师
岩山科技旗下2345网络科技高级测试工程师，深耕互联网质量管控领域十余年，在研发效能提升、业务质量赋能方面拥有丰富实践经验。长期专注于精准测试、研发效能与自动化体系建设，当前聚焦 AI 测试前沿方向，主导落地多项 AI 测试核心能力，推动质量平台智能化升级，自主规划并完整构建精准测试 1.0与 TIA 2.0 双版本技术体系。 擅长技术经验沉淀与赋能分享，获评公司年度最受欢迎分享嘉宾。
待定
待定
从语义盲区到智能对齐一-构建需求-代码-图谱三位一体的
精准测试闭环
议题背景：
在软件质量保障演进中， 精准测试 面临“回归盲区”与“追溯断裂”的双重挑战。传统的定性测试模式在处理 Merge Request 时，难以量化 增量代码对业务逻辑的渗透程度 ，导致全量回归低效且盲目。
业务需求、架构拓扑与源码实现之间的信息孤岛，使得“变更影响谁、测试测什么”成为难以达成共识的瓶颈。
本方案通过构建一套基于“增量语义 - 拓扑映射 - 需求原子”的智能引擎，旨在实现质量风险在代码合并阶段的精准前置与闭环管控。
内容大纲：
1. 演讲摘要与核心痛点
在软件质量保障演进中， 精准测试 面临“回归盲区”与“追溯断裂”的双重挑战。传统的定性测试模式在处理 Merge Request 时，难以量化 增量代码对业务逻辑的渗透程度 ，导致全量回归低效且盲目。
业务需求、架构拓扑与源码实现之间的信息孤岛，使得“变更影响谁、测试测什么”成为难以达成共识的瓶颈。
本方案通过构建一套基于“增量语义 - 拓扑映射 - 需求原子”的智能引擎，旨在实现质量风险在代码合并阶段的精准前置与闭环管控。
内容大纲：
1. 演讲摘要与核心痛点
1.1 核心痛点解析 ：回归盲区、追溯断裂、量化共识缺失。
1.2 核心方案介绍 ：多维异构拓扑建模、双向追溯性共识校验、靶向驱动闭环、混合决策增强。
1.2 核心方案介绍 ：多维异构拓扑建模、双向追溯性共识校验、靶向驱动闭环、混合决策增强。
2. 核心架构：多维拓扑图谱建模与双向共识校验
2.1 系统架构全景图 ：语义接入层、核心引擎层、存储与知识层、AI 增强层的全链路协同。
3. 核心功能实现：从静态代码到业务语义的拓扑映射
3.1 多维异构的代码知识图谱拓扑建模 (Part A) ：多维节点建模（跨越业务与代码边界）、启发式入口发现引擎（解决静态解析断链）、逻辑集群风险度量。
3.2 双向追溯校验：需求与实现的双引擎对齐 (Part B) ：双塔向量空间对齐（AI 语义对齐）、方向性偏差检测算法（识别对齐/正交/相悖）、逻辑合规性穿透（拦截逻辑孤岛）。
3.2 双向追溯校验：需求与实现的双引擎对齐 (Part B) ：双塔向量空间对齐（AI 语义对齐）、方向性偏差检测算法（识别对齐/正交/相悖）、逻辑合规性穿透（拦截逻辑孤岛）。
4. 智能质量门禁：质量门禁已形成“评估决策 + 发布准入”双层闭环
4.1. 自动化质量门禁：实现分级管控：三级门禁 + 发布准入、多维决策：告别单一分数判定、智能处置：自动化决策建议、透明可溯：结构化决策留痕
4.2 演示示例
4.2 演示示例
5. 工程挑战与 AI 增强解决方案
三大核心挑战与应对：
1）挑战一：如何应对非标准、模糊的 PRD？
2）挑战二：语义偏离与 AI 幻觉的治理
3）挑战三：海量 Diff 下的语义稀释与成本控制
1）挑战一：如何应对非标准、模糊的 PRD？
2）挑战二：语义偏离与 AI 幻觉的治理
3）挑战三：海量 Diff 下的语义稀释与成本控制
6. 核心优势对比与收益
6.1 对比分析 ：传统人工模式 vs 本方案智能全链路协同引擎。
6.2 收益 ：-质量前置发现：通过语义校验，将 30% 的“逻辑不一致”缺陷在合入前拦截。回归效能提升：精准回归模式使无效执行减少 70%，测试数据构造效率提升 50% 以上。
6.2 收益 ：-质量前置发现：通过语义校验，将 30% 的“逻辑不一致”缺陷在合入前拦截。回归效能提升：精准回归模式使无效执行减少 70%，测试数据构造效率提升 50% 以上。
听众收益：
1. 方法借鉴 ：从“信息孤岛”到“三位一体”的共识重塑 掌握如何通过“需求-代码-图谱”三位一体的建模思路，打破研发链路中的信息断层。学习如何构建跨越业务语义与底层实现的异构知识图谱，实现质量风险的量化评估与可视化对齐。
2. 技术启发 ：学习“规则+AI”混合模型在解决异构代码解析、语义偏离等复杂工程问题上的实战思路。
3. 效能提升 ：获取精准测试 TIA 2.0 的落地经验，从“物理链路分析”向“业务语义洞察”的范式转移：通过回归范围收敛与资产自愈，显著降低测试人力投入。
4. 避坑指南 ：攻克大规模工程落地的挑战，参考针对海量 Diff 数据下的“语义稀释”、LLM 计算成本优化、以及 AI 幻觉引发误报的成熟应对策略（如结构化预降维、置信度阈值机制），为团队在复杂业务场景下落地智能质量体系提供避坑指南。
1. 方法借鉴 ：从“信息孤岛”到“三位一体”的共识重塑 掌握如何通过“需求-代码-图谱”三位一体的建模思路，打破研发链路中的信息断层。学习如何构建跨越业务语义与底层实现的异构知识图谱，实现质量风险的量化评估与可视化对齐。
2. 技术启发 ：学习“规则+AI”混合模型在解决异构代码解析、语义偏离等复杂工程问题上的实战思路。
3. 效能提升 ：获取精准测试 TIA 2.0 的落地经验，从“物理链路分析”向“业务语义洞察”的范式转移：通过回归范围收敛与资产自愈，显著降低测试人力投入。
4. 避坑指南 ：攻克大规模工程落地的挑战，参考针对海量 Diff 数据下的“语义稀释”、LLM 计算成本优化、以及 AI 幻觉引发误报的成熟应对策略（如结构化预降维、置信度阈值机制），为团队在复杂业务场景下落地智能质量体系提供避坑指南。
时零
bilibili 高级测试开发工程师
哔哩哔哩 高级测试开发工程师。主要负责营收业务的质量保障与提效
工具开发，方向覆盖 Web 性能、Web AI 自动化测试、测试数据构造（造数）等。
擅长领域：AI Agent 在测试场景的工程化落地、复杂前端（弹窗/面板/跨域 iframe/H5）
UI 自动化、断言可靠性设计、测试数据构造与测试效能建设。
【任职经历】
毕业后曾就职于美团，负责首页业务的质量保障工作，积累了大流量核心页面的质量
保障与测试体系经验；现于哔哩哔哩负责直播营收业务的质量保障与提效工具建设。
【团队背景】
所在团队负责 B 站直播营收业务（礼物、弹幕、天选、大航海、榜单、PK 等）的质量
保障与测试效能建设。直播营收链路具有"UI 交互复杂、页面状态强依赖前置数据、
断言难以标准化"三大特征，传统自动化测试维护成本高、覆盖率难以提升。团队围绕
这些痛点，将 AI Agent 引入 UI 自动化测试与测试数据构造，持续探索"从辅助到自治"
的测试提效路径。
【项目经验】
主导/深度参与两套面向内部的 AI 测试基础设施建设：
· AI 浏览器自动化测试平台（PortKey / 门钥匙）——基于 browser-use + CDP，用
自然语言描述用例即可驱动浏览器完成直播间 UI 测试，支持 Agent 逐步决策与
代码生成双模式，具备步骤级/任务级评估、DOM+视觉组合断言、跨域 iframe/H5
取证、多模型 Provider 与并发调度等能力；
· 测试数据构造 Agent（AgentQ，上游供给）——自然语言编排接口调用链，在 UAT
环境构造测试数据，通过 MCP 协议与执行平台解耦协作，形成"造数据→跑 UI→
自动判定"闭环。
上述能力已实际落地到直播营收多轮回归与大型专项（巅峰之夜、PK、天选等）的
日常测试中。
工具开发，方向覆盖 Web 性能、Web AI 自动化测试、测试数据构造（造数）等。
擅长领域：AI Agent 在测试场景的工程化落地、复杂前端（弹窗/面板/跨域 iframe/H5）
UI 自动化、断言可靠性设计、测试数据构造与测试效能建设。
【任职经历】
毕业后曾就职于美团，负责首页业务的质量保障工作，积累了大流量核心页面的质量
保障与测试体系经验；现于哔哩哔哩负责直播营收业务的质量保障与提效工具建设。
【团队背景】
所在团队负责 B 站直播营收业务（礼物、弹幕、天选、大航海、榜单、PK 等）的质量
保障与测试效能建设。直播营收链路具有"UI 交互复杂、页面状态强依赖前置数据、
断言难以标准化"三大特征，传统自动化测试维护成本高、覆盖率难以提升。团队围绕
这些痛点，将 AI Agent 引入 UI 自动化测试与测试数据构造，持续探索"从辅助到自治"
的测试提效路径。
【项目经验】
主导/深度参与两套面向内部的 AI 测试基础设施建设：
· AI 浏览器自动化测试平台（PortKey / 门钥匙）——基于 browser-use + CDP，用
自然语言描述用例即可驱动浏览器完成直播间 UI 测试，支持 Agent 逐步决策与
代码生成双模式，具备步骤级/任务级评估、DOM+视觉组合断言、跨域 iframe/H5
取证、多模型 Provider 与并发调度等能力；
· 测试数据构造 Agent（AgentQ，上游供给）——自然语言编排接口调用链，在 UAT
环境构造测试数据，通过 MCP 协议与执行平台解耦协作，形成"造数据→跑 UI→
自动判定"闭环。
上述能力已实际落地到直播营收多轮回归与大型专项（巅峰之夜、PK、天选等）的
日常测试中。
待定
待定
AI UI 自动化测试中的"判定可信度"工程
——直播营收业务里驯服 Test Oracle 的实战
议题背景：
用 AI Agent 驱动浏览器做 UI 测试，"把流程跑通"已不难，真正的拦路虎是测试最古老的难题——测试预言（Test Oracle）：当判定对错的"判官"从人换成概率模型，它说的"通过"到底可不可信？直播营收业务尤其棘手：UI 交互复杂、控件深藏跨域iframe/H5、页面状态强依赖前置数据、断言难以标准化。我们基于 browser-use + CDP搭建 AI 自动化测试平台，用"Agent 决策 + 代码生成"双模式平衡灵活性与可复现性，以"步骤级评估 + 任务级评审 + DOM/视觉组合取证"压制假阳性判定，配合错误熔断与自愈控制成本，并用造数 Agent 作为上游供给打通"造数据→跑 UI→自动判定"闭环。平台已累计执行超千次真实任务，稳定回归用例集判定准确率达 100%（零误判）；通过分层重试把断言空响应存活率从 19% 提升到 96%，每步执行耗时下降 33%，并让失败原因100% 可归因。本议题分享这套体系的关键实现、踩坑经验与在多轮回归、大型专项中的落地效果。
内容大纲：
括号内为可量化支撑，均取自项目内真实报告；标 [团队确认] 的一处用真实回归工时补齐。
1. 问题：AI 测试的"判定可信度"危机
用 AI Agent 驱动浏览器做 UI 测试，"把流程跑通"已不难，真正的拦路虎是测试最古老的难题——测试预言（Test Oracle）：当判定对错的"判官"从人换成概率模型，它说的"通过"到底可不可信？直播营收业务尤其棘手：UI 交互复杂、控件深藏跨域iframe/H5、页面状态强依赖前置数据、断言难以标准化。我们基于 browser-use + CDP搭建 AI 自动化测试平台，用"Agent 决策 + 代码生成"双模式平衡灵活性与可复现性，以"步骤级评估 + 任务级评审 + DOM/视觉组合取证"压制假阳性判定，配合错误熔断与自愈控制成本，并用造数 Agent 作为上游供给打通"造数据→跑 UI→自动判定"闭环。平台已累计执行超千次真实任务，稳定回归用例集判定准确率达 100%（零误判）；通过分层重试把断言空响应存活率从 19% 提升到 96%，每步执行耗时下降 33%，并让失败原因100% 可归因。本议题分享这套体系的关键实现、踩坑经验与在多轮回归、大型专项中的落地效果。
内容大纲：
括号内为可量化支撑，均取自项目内真实报告；标 [团队确认] 的一处用真实回归工时补齐。
1. 问题：AI 测试的"判定可信度"危机
1.1 测试预言（Test Oracle）问题——判官换成模型后，"通过"为何不可信
1.2 直播营收的三重放大器：高交互 / 强状态依赖 / 弱可断言
1.3 业界 Demo 的止步之处：跑通 ≠ 可回归（先立靶子）
1.2 直播营收的三重放大器：高交互 / 强状态依赖 / 弱可断言
1.3 业界 Demo 的止步之处：跑通 ≠ 可回归（先立靶子）
2. 执行层：自主性与可复现性的取舍
2.1 双模式设计——Agent 逐步决策（探索）vs 代码生成（回归固化）
2.2 为什么回归场景必须"固化"：同一用例两次跑出两条路径的翻车实录
2.3 选型边界：什么场景用哪种模式（附决策表）
2.2 为什么回归场景必须"固化"：同一用例两次跑出两条路径的翻车实录
2.3 选型边界：什么场景用哪种模式（附决策表）
3. 判定层：把假阳性摁下去（全场核心）
3.1 假阳性 > 假阴性——"看起来绿了"的静默漏网为何更致命
3.2 三级判定：step 级评估 → Judge 模型任务级评审 → DOM/视觉组合取证
3.3 什么时候信 DOM、什么时候必须上视觉：一组误判 case 拆解
3.4 踩坑实录：一次上游空响应如何被"错误计数耦合"放大成整个任务失败（上游故障率从 18% 劣化到 81% 期间的真实事故复盘）
3.5 收益：断言空响应存活率从 19% 提升到 96%（Layer A+B 分层重试）；25 条批量重跑抽样复核，成功/失败/unknown 三类标签判定准确率 100%（零误判）
3.2 三级判定：step 级评估 → Judge 模型任务级评审 → DOM/视觉组合取证
3.3 什么时候信 DOM、什么时候必须上视觉：一组误判 case 拆解
3.4 踩坑实录：一次上游空响应如何被"错误计数耦合"放大成整个任务失败（上游故障率从 18% 劣化到 81% 期间的真实事故复盘）
3.5 收益：断言空响应存活率从 19% 提升到 96%（Layer A+B 分层重试）；25 条批量重跑抽样复核，成功/失败/unknown 三类标签判定准确率 100%（零误判）
4. 取证层：拿不到证据的地方怎么取证
4.1 跨域 iframe / H5 的同源策略死角
4.2 DOM → CSS+文本 → 视觉 三级 fallback 定位
4.3 踩坑：iframe 断言失效、H5 滚动穿透的定位与修复
4.2 DOM → CSS+文本 → 视觉 三级 fallback 定位
4.3 踩坑：iframe 断言失效、H5 滚动穿透的定位与修复
5. 成本与稳定：给 Agent 装刹车
5.1 错误归类：LLM 服务故障 vs 断言失败 vs 决策失败，不能共用一个重试预算
5.2 熔断与快速失败——阻断"换参数碰运气"式空转
5.3 收益（基于 1171 条真实任务前后对比）：
5.2 熔断与快速失败——阻断"换参数碰运气"式空转
5.3 收益（基于 1171 条真实任务前后对比）：
5.3.1 平均每步耗时 -33%（21.6s → 14.4s），核心工作区 -38%（18.0s → 11.1s）
5.3.2 单任务平均 token -9.2%；极端失控任务从 3468s 压到 551s
5.3.3 失败模式从"慢速反复重试"转为"早期快速失败"（失败任务每步耗时反低于成功任务）
5.3.2 单任务平均 token -9.2%；极端失控任务从 3468s 压到 551s
5.3.3 失败模式从"慢速反复重试"转为"早期快速失败"（失败任务每步耗时反低于成功任务）
6. 上游供给：造数如何喂饱执行（辅助线）
6.1 用例跑不起来的真因：PK 没开、天选没发
6.2 造数 Agent（1100+ 原子操作、80+ 场景编排）经 MCP + <<..>> 造数块解耦接入
6.3 "取资产与做操作永远分两步"的编排纪律
6.2 造数 Agent（1100+ 原子操作、80+ 场景编排）经 MCP + <<..>> 造数块解耦接入
6.3 "取资产与做操作永远分两步"的编排纪律
7. 落地效果与结论
7.1 覆盖专项：巅峰之夜 / PK / 天选等大型活动回归，累计执行超千次真实任务、覆盖 7+ 业务工作区
7.2 判定质量：稳定回归用例集单批通过率 68%，其中成功/失败/unknown 三类标签判定准确率 100%（零误判）——AI 给出的"通过/失败"结论与人工复核完全一致
7.3 失败 100% 可归因：业务断言不通过 / 环境错误 / LLM 服务故障分类清晰，让"AI 测挂了"从黑盒变成可分类、可治理的工程问题
7.4 回归提效：一轮直播营收回归用例的人工执行成本由 [团队确认] 压缩至 [团队确认]
7.5 结论：AI 测试走向"自治"，胜负手是判得准、停得住、跑得稳
7.2 判定质量：稳定回归用例集单批通过率 68%，其中成功/失败/unknown 三类标签判定准确率 100%（零误判）——AI 给出的"通过/失败"结论与人工复核完全一致
7.3 失败 100% 可归因：业务断言不通过 / 环境错误 / LLM 服务故障分类清晰，让"AI 测挂了"从黑盒变成可分类、可治理的工程问题
7.4 回归提效：一轮直播营收回归用例的人工执行成本由 [团队确认] 压缩至 [团队确认]
7.5 结论：AI 测试走向"自治"，胜负手是判得准、停得住、跑得稳
7.5.1 数据来源：任务执行指标报告（超千条真实任务）、视觉断言稳定性迭代分析、批量重跑
7.5.2 复核报告，均为项目内已发生的真实数据。标注 [团队确认] 的回归提效数据请用真实
7.5.3 回归工时填写（建议口径：一轮回归从 X 人天缩短至 Y 小时），这是评审最买账的收益指标。
7.5.2 复核报告，均为项目内已发生的真实数据。标注 [团队确认] 的回归提效数据请用真实
7.5.3 回归工时填写（建议口径：一轮回归从 X 人天缩短至 Y 小时），这是评审最买账的收益指标。
听众收益：
1. 一套可复用的"AI 判定可信度"工程范式：如何用步骤级+任务级+DOM/视觉组合取证，系统性压制 AI 测试的假阳性，而不是靠调 prompt 碰运气——这套方法论可直接迁移到任何 AI 驱动的 UI/接口自动化场景。
2. 复杂前端的实战解法：跨域 iframe / H5 取证、Agent 决策与代码生成的选型边界、错误熔断与成本控制等一线踩坑经验，帮听众避开把 AI 测试推向生产时的典型深坑。
3. 从"能跑 Demo"到"进回归流水线"的完整判断标准：什么样的 AI 测试能力才算真正可上生产，以及造数—执行—判定闭环如何协作落地，给正在评估或建设同类平台的团队一份可对照的决策参考。
1. 一套可复用的"AI 判定可信度"工程范式：如何用步骤级+任务级+DOM/视觉组合取证，系统性压制 AI 测试的假阳性，而不是靠调 prompt 碰运气——这套方法论可直接迁移到任何 AI 驱动的 UI/接口自动化场景。
2. 复杂前端的实战解法：跨域 iframe / H5 取证、Agent 决策与代码生成的选型边界、错误熔断与成本控制等一线踩坑经验，帮听众避开把 AI 测试推向生产时的典型深坑。
3. 从"能跑 Demo"到"进回归流水线"的完整判断标准：什么样的 AI 测试能力才算真正可上生产，以及造数—执行—判定闭环如何协作落地，给正在评估或建设同类平台的团队一份可对照的决策参考。
关注QECon公众号
议题投稿
speaker@qecon.com.cn
商务合作
151-2264-3988 木子
票务联系
135-2067-8913 媛媛
媒体合作
135-1619-6409 皮皮
添加QECon小助手，获取
会议最新资讯
购票咨询
13520678913 媛媛
