专场：多智能体协作与编排：Agent 工程化落地
本专场聚焦多智能体协作编排的架构设计与企业级工程实践。面对复杂业务任务，单一智能体在专业分工、任务执行和系统稳定性等方面往往存在局限，多智能体协作则提供了更灵活的解决思路。专场将围绕多智能体系统建设中的共性问题，结合不同业务场景与实践案例，探讨任务拆分、角色协同、流程编排、资源调度与运行治理等方向，分享从方案设计到生产落地过程中的实践经验、挑战与思考。内容可涉及复杂任务处理、系统性能优化、稳定性建设及规模化应用等议题。
专场出品人：Jeff Kit
腾讯云 架构师联盟社群管理主席
20年研发与团队管理经验，前腾讯云TVP，现腾讯全栈技术专家，公司级低代码项目负责人，是IEEE低代码标准及大湾区企业低代码标准的主撰写人；大模型应用早期实践者与布道师，是国内顶级行业/技术峰会相关话題优秀讲师及出品人。在低代码与LLM结合场景有深度的实践，愿景是“人人能编程”。带领团队深度践行LLM对研发提效、探索Vibe coding 在专业程序员与准开发者群体的落地，个人代码全栈AI含量几近100%。
胥克谦
酷比客科技 联合创始人
kubiker产品主创，产品人转型开发的代表。曾几个月完成300多万行企业级大型应用开发，文档规模超2000万字，日消耗tokens 20亿左右。对企业级AI原生工程化开发、质量可控的AI编程自动化等方面有深度的方法论积累，对智能体高可控混合编排有深入创新实践。
待定
待定
企业级高可控混合编排的实现
议题背景：
目前Skills手段为主的AI智能体无法满足企业级高可控的质量要求，传统工作流又会限制大模型快速增长不断进化的能力，智能混合编排是解决出路
内容大纲：
1. 目前企业级Agents开发的可控性与能力瓶颈：Skills可控性差、Workflow限制大模型能力、模型之间的能力差异
2. Agent编排的三种模式与优缺点：固定编排、模型自主编排、混合编排
3. 混合编排是企业级Agents可控性的根本解决之道：为什么、如何做、什么效果
4. 多模型混合编排是大势所趋：为什么、如何做、什么效果
5. 本地+云端混合编排是企业级Agents终极架构：为什么、如何做、什么效果
听众收益：
1. 企业级Agents开发可控性的解决方法
2. 固定+自主混合编排的实现方法
3. 多模型混合编排的实现方法
4. 本地+云端混合编排的实现方法
目前Skills手段为主的AI智能体无法满足企业级高可控的质量要求，传统工作流又会限制大模型快速增长不断进化的能力，智能混合编排是解决出路
内容大纲：
1. 目前企业级Agents开发的可控性与能力瓶颈：Skills可控性差、Workflow限制大模型能力、模型之间的能力差异
2. Agent编排的三种模式与优缺点：固定编排、模型自主编排、混合编排
3. 混合编排是企业级Agents可控性的根本解决之道：为什么、如何做、什么效果
4. 多模型混合编排是大势所趋：为什么、如何做、什么效果
5. 本地+云端混合编排是企业级Agents终极架构：为什么、如何做、什么效果
听众收益：
1. 企业级Agents开发可控性的解决方法
2. 固定+自主混合编排的实现方法
3. 多模型混合编排的实现方法
4. 本地+云端混合编排的实现方法
赵旭峰
腾讯 游戏品质管理部
Agent 端到端落地负责人
IEG品质管理部 Agent 端到端自动化落地负责人。先后在自动驾驶、地图导航与游戏三个高复杂度业务领域从事质量保障与测试开发工作，测试对象覆盖从物理世界感知系统到大规模在线竞技系统，对强实时、高并发场景下的质量风险有系统性认知。现负责腾讯某大型竞技类游戏的测试开发，主导 Agent 驱动的端到端自动化测试体系建设，推动测试用例生成、自动化执行与结果研判的智能化改造。擅长AI 端到端自动化测试与智能测试工具链设计，长期关注大模型在测试工程领域的落地路径。
待定
待定
像真人一样越测越准！测试端到端 Agent 开发新范式
议题背景：
测试脚本的迭代开发和维护是自动化测试长期痛点：版本一改、地图一换，测试脚本就要人工重写，前置、重试、异常恢复各写一套，用例之间难复用；测试失败往往只留一行fail，没有前后帧、埋点等证据留存，定位全靠人反复复现，同一问题反复出现却说不清是环境、工具还是业务缺陷；踩过的坑也留在个人脑子里，换人换模块就要从零再来，投入的时间买到的是一次性交付，而非可沉淀的能力。我们的思考方向是：先设计稳定的数据结构（知识库、脚本、执行产物），再设计Agent行为，让AI自主探索界面把模糊需求结构化，自动生成脚本与执行计划，失败时基于截图、报告、埋点等证据自动归因、升版重试，跨机协同实现测试能力从"一次性交付"沉淀为"持续复用、越测越准"的智能闭环。
内容大纲：
1. 背景与思考
测试脚本的迭代开发和维护是自动化测试长期痛点：版本一改、地图一换，测试脚本就要人工重写，前置、重试、异常恢复各写一套，用例之间难复用；测试失败往往只留一行fail，没有前后帧、埋点等证据留存，定位全靠人反复复现，同一问题反复出现却说不清是环境、工具还是业务缺陷；踩过的坑也留在个人脑子里，换人换模块就要从零再来，投入的时间买到的是一次性交付，而非可沉淀的能力。我们的思考方向是：先设计稳定的数据结构（知识库、脚本、执行产物），再设计Agent行为，让AI自主探索界面把模糊需求结构化，自动生成脚本与执行计划，失败时基于截图、报告、埋点等证据自动归因、升版重试，跨机协同实现测试能力从"一次性交付"沉淀为"持续复用、越测越准"的智能闭环。
内容大纲：
1. 背景与思考
1.1 问题现状
1.2 核心判断
1.3 设计原则
1.2 核心判断
1.3 设计原则
2. 架构设计：从研发流程到底座的全景架构
2.1 研发流程层
2.2 知识库层
2.3 Agent 支持层
2.4 主 Agent 层
2.5 底座层
2.6 技术选型抉择
2.2 知识库层
2.3 Agent 支持层
2.4 主 Agent 层
2.5 底座层
2.6 技术选型抉择
3. 研发阶段：失败驱动的自愈闭环
3.1 证据体系设计
3.2 归因分型方法
3.3 升版机制
3.4 质量门与回归策略
3.2 归因分型方法
3.3 升版机制
3.4 质量门与回归策略
4. 部署阶段：跨机协同架构
4.1 三端分工
4.2 主Agent"薄"设计
4.3 Harness 的角色
4.2 主Agent"薄"设计
4.3 Harness 的角色
5. 工程实践与量化收益
5.1 治理演进路径
5.2 确定性收益
5.3 大项目实战验证
5.4 现状边界
5.2 确定性收益
5.3 大项目实战验证
5.4 现状边界
6. 真实踩坑
6.1 4K截图击穿传输链路
6.2 调用成功≠点击生效
6.3 二次VLM裁图系统偏移
6.4 工具故障伪装成断言失败
6.2 调用成功≠点击生效
6.3 二次VLM裁图系统偏移
6.4 工具故障伪装成断言失败
7. 总结与展望
7.1 三句话总结
7.2 下一步方向
7.2 下一步方向
听众收益：
1. 一套可复用的 Agent 工程化方法论：如何用结构化数据（知识库/脚本/执行三层产物）替代提示词堆砌来设计 Agent 工作流，可直接迁移到测试之外的其他 Agent 开发场景。
2. 失败驱动升版的自愈闭环实践经验：了解如何通过截图、报告、埋点等多维证据对失败进行归因分型（区分环境问题、工具故障与业务缺陷），获得一套可落地的证据驱动迭代范式。
1. 一套可复用的 Agent 工程化方法论：如何用结构化数据（知识库/脚本/执行三层产物）替代提示词堆砌来设计 Agent 工作流，可直接迁移到测试之外的其他 Agent 开发场景。
2. 失败驱动升版的自愈闭环实践经验：了解如何通过截图、报告、埋点等多维证据对失败进行归因分型（区分环境问题、工具故障与业务缺陷），获得一套可落地的证据驱动迭代范式。
井红梅
中兴通讯 部门工具系统开发负责人
现任部门工具系统开发负责人，专注于研发效能与质量改进体系的工具化落地，负责工具链的全生命周期建设，从架构设计到运维保障，确保核心工具高可用性、稳定性和演练
待定
待定
基于Harness+Loop的共生伙伴助力效能跃迁
议题背景：
在项目产品型号多、版本多、需求多的背景下，传统研发管理普遍面临研发等待多、管理投入多、需求流动慢、质量管控难四大痛点，大量资源耗在人工催办、状态同步与流程中转上。本实践从端到端业务流转与质量过程可控两个维度同时发力：一方面将AI嵌入研发主流程，构建"需求流+版本流"双流合一系统，以令牌驱动、智能体自动调度，把"人工串行等待"变为"智能体并行执行"；另一方面打通端到端知识工程，建立"消费-生产-回流-反构"循环知识体系，并定义产品级、版本级、需求级三级质量防护网，实现有质量的提效。方案以共生伙伴协作台为底座，总控智能体自主调度、基于Loop自进化，推动研发体系从"工具辅助"迈向"意图驱动"的人机共生新阶段。
内容大纲：
1. 案例背景：研发交付的"四多一难"困局
在项目产品型号多、版本多、需求多的背景下，传统研发管理普遍面临研发等待多、管理投入多、需求流动慢、质量管控难四大痛点，大量资源耗在人工催办、状态同步与流程中转上。本实践从端到端业务流转与质量过程可控两个维度同时发力：一方面将AI嵌入研发主流程，构建"需求流+版本流"双流合一系统，以令牌驱动、智能体自动调度，把"人工串行等待"变为"智能体并行执行"；另一方面打通端到端知识工程，建立"消费-生产-回流-反构"循环知识体系，并定义产品级、版本级、需求级三级质量防护网，实现有质量的提效。方案以共生伙伴协作台为底座，总控智能体自主调度、基于Loop自进化，推动研发体系从"工具辅助"迈向"意图驱动"的人机共生新阶段。
内容大纲：
1. 案例背景：研发交付的"四多一难"困局
1.1 现状：型号多、版本多、需求多｜1.2 痛点：等待多、投入多、管控难｜1.3 破局：系统化工程能力再造
2. 实践思路：AI工程能力进化之路
2.1 能力演进：单次问答→被动响应→自主循环任务系统
2.2 业务自动流转：需求流加速流转、版本流突破管理瓶颈
2.3 双流合一的顶层架构（需求业务流/版本业务流/管理智能体）
2.4 端到端知识工程：消费-生产-回流-反构循环
2.5 自驱动进化：基于Loop的夜间/影子工程
2.2 业务自动流转：需求流加速流转、版本流突破管理瓶颈
2.3 双流合一的顶层架构（需求业务流/版本业务流/管理智能体）
2.4 端到端知识工程：消费-生产-回流-反构循环
2.5 自驱动进化：基于Loop的夜间/影子工程
3. 实践方案：从"工具辅助"到"智能伙伴"
3.1 方案全景：业务流+技能双引擎、千人千面工作台、三级防护网
3.2 四大能力保障：全景可视/流程可驭/质量可控/过程可溯
3.3 需求流六环节（自动触发/控制点/决策点逐一拆解）
3.4 版本流五环节
3.5 踩坑避坑经验（质量Hook点内嵌、双签回溯、令牌状态机防断点）
3.2 四大能力保障：全景可视/流程可驭/质量可控/过程可溯
3.3 需求流六环节（自动触发/控制点/决策点逐一拆解）
3.4 版本流五环节
3.5 踩坑避坑经验（质量Hook点内嵌、双签回溯、令牌状态机防断点）
4. 总结 & 展望
4.1 量化成效：AI内容生成采纳率61%、AI代码生成占比41%、AI用例&脚本生成率90%、人机协同交付占比36%、平台运行成功率93%、单需求Token 34.5K
4.2 展望：千人千面全景伙伴、智能预测、平台生态化
4.2 展望：千人千面全景伙伴、智能预测、平台生态化
听众收益：
1. 一套"人机共生"的工程化落地方法论：看懂如何把AI嵌入研发主流程（双流合一+令牌驱动+质量Hook点+人工决策点），并可迁移「自动触发/控制点/决策点」三段式框架到自己流程。
2. 可复制的踩坑经验与规模化路径：给出从单点工具到端到端体系的真实演进路线，帮你少走弯路。
3. 可量化的效能与质量收益证据：通过61%、41%、90%、34.5K等真实数据结合三级防护网，理解"提效"与"质量可控"如何共存，以及如何设计自己的度量指标。
1. 一套"人机共生"的工程化落地方法论：看懂如何把AI嵌入研发主流程（双流合一+令牌驱动+质量Hook点+人工决策点），并可迁移「自动触发/控制点/决策点」三段式框架到自己流程。
2. 可复制的踩坑经验与规模化路径：给出从单点工具到端到端体系的真实演进路线，帮你少走弯路。
3. 可量化的效能与质量收益证据：通过61%、41%、90%、34.5K等真实数据结合三级防护网，理解"提效"与"质量可控"如何共存，以及如何设计自己的度量指标。
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
