专场：Spec-Driven Development：规格驱动的开发新范式
......
专场出品人：
......
......
贾澄臻
记忆张量 MemOS 团队测试负责人
记忆张量 MemOS 团队测试负责人，全面负责 MemOS 产品质量体系的规划、建设与落地。将意图驱动测试（Intent-Driven Testing）方法论引入团队并结合业务深度实践，面向 AI 记忆系统"意图理解—记忆存储—检索召回—个性化响应"的核心链路，建立了一套适配 AI 原生产品特性的质量评估体系。在此基础上，主导搭建了基于业务域分层的意图驱动自动化测试框架，并积极探索人机协同的质量工程新范式——将 AI 深度融入业务交付全周期，持续推动框架的开源化演进，致力于填补 AI 意图驱动，记忆系统测试领域的工具与方法空白。此前拥有 7 年+互联网大厂质量工程经验，曾在美团负责商家履约业务质量保障，在百度担任用户增长效能负责人，主导无人值守交付体系建设及春晚红包等大型运营活动质量保障，沉淀输出《用增运营活动质量白皮书》。精通 Python、Go、Java 和 Shell，兼具测试架构设计、技术方案落地与团队管理的综合能力。
待定
待定
意图驱动测试：我们在 AI 记忆产品里怎么测，踩过什么坑
议题背景：
我们做 AI 记忆，链路很长：话怎么说进去、怎么存、怎么搜出来、最后怎么回到用户身上。AI 记忆类产品难测，难在整条链路是意图理解→写入→检索→个性化响应，传统自动化容易退化成堆 URL 和参数，和用户到底想达成什么脱节；接口调整后，用例报错，分不清是契约变了还是业务错了。我们的做法是意图驱动：用例先写清业务意图想验证什么，再把能复用的动作沉淀成步骤库，数据放进独立语料，代码只负责串起来和断言；同时把接口文档当作契约，在成功响应后自动做结构级对比，让契约漂移在集成阶段就暴露，而不是靠人肉对文档。工程上坚持上下文进前置、业务动作全显式，避免把创建/搜索藏进前置里，排障时无从追溯。覆盖上用特性矩阵 + 改进计划把缺口写成可跟进的项（例如搜索隔离、负向路径）。落地后自动化规模可观，手工留一条端到端链，补自动化够不着的场景。文档和经验以前跟着人和会话走，现在用记忆系统把「怎么测、出过什么坑、业务数据」都留下来，后面的人不用从头问。并用量化的效率与一致性指标（如对话轮数、AI检测）看飞轮是否在转。
内容大纲：
1. 接口脚本为什么不够用
我们做 AI 记忆，链路很长：话怎么说进去、怎么存、怎么搜出来、最后怎么回到用户身上。AI 记忆类产品难测，难在整条链路是意图理解→写入→检索→个性化响应，传统自动化容易退化成堆 URL 和参数，和用户到底想达成什么脱节；接口调整后，用例报错，分不清是契约变了还是业务错了。我们的做法是意图驱动：用例先写清业务意图想验证什么，再把能复用的动作沉淀成步骤库，数据放进独立语料，代码只负责串起来和断言；同时把接口文档当作契约，在成功响应后自动做结构级对比，让契约漂移在集成阶段就暴露，而不是靠人肉对文档。工程上坚持上下文进前置、业务动作全显式，避免把创建/搜索藏进前置里，排障时无从追溯。覆盖上用特性矩阵 + 改进计划把缺口写成可跟进的项（例如搜索隔离、负向路径）。落地后自动化规模可观，手工留一条端到端链，补自动化够不着的场景。文档和经验以前跟着人和会话走，现在用记忆系统把「怎么测、出过什么坑、业务数据」都留下来，后面的人不用从头问。并用量化的效率与一致性指标（如对话轮数、AI检测）看飞轮是否在转。
内容大纲：
1. 接口脚本为什么不够用
1.1 记忆产品特殊在哪：意图和状态缠在一起，异步、多租户一来就乱
1.2 我们踩过的坑：契约悄悄变、数据写进代码、前置里藏业务动作
1.2 我们踩过的坑：契约悄悄变、数据写进代码、前置里藏业务动作
2. 意图驱动到底驱动什么
2.1 意图—契约—步骤—数据，各管一摊
2.2 从「想测什么」到可跑用例，最短路径怎么走
2.3 一条原则：上下文可以隐掉，动作必须能看见
2.2 从「想测什么」到可跑用例，最短路径怎么走
2.3 一条原则：上下文可以隐掉，动作必须能看见
3. 契约怎么左移
3.1 文档写清成功长什么样
3.2 没契约别合并——不然漂移永远后知后觉
3.3 单契约形态和整条用户旅程，两层场景怎么分
3.2 没契约别合并——不然漂移永远后知后觉
3.3 单契约形态和整条用户旅程，两层场景怎么分
4. 数据拆开、执行切片
4.1 语料按场景堆，不按接口列表堆
4.2 多环境数据怎么回退、怎么不互相污染
4.3 冒烟、回归、负向、一致性——用标记区分
4.2 多环境数据怎么回退、怎么不互相污染
4.3 冒烟、回归、负向、一致性——用标记区分
5. 覆盖不靠感觉
5.1 特性矩阵：一眼看出哪里没盖住
5.2 改进计划：P0/P1 写清楚，能验收
5.3 手工验收和自动化，各管哪一段
5.2 改进计划：P0/P1 写清楚，能验收
5.3 手工验收和自动化，各管哪一段
6. 经验别只活在聊天窗口里
6.1 静态文档的短板：每次重来
6.2 规划、写用例、执行、复盘——记忆在哪一步介入
6.3 飞轮怎么量：轮数、符合率、重复踩坑次数
6.2 规划、写用例、执行、复盘——记忆在哪一步介入
6.3 飞轮怎么量：轮数、符合率、重复踩坑次数
7. 收尾
7.1 几个Concrete 坑：前置滥用、语料里写调用、契约没进流水线
7.2 和现有 CI、文档怎么共存，开源怎么推
7.2 和现有 CI、文档怎么共存，开源怎么推
听众收益：
1. 回去能改自己业务的自动化场景：意图—契约—步骤—数据怎么切、前置里该不该塞业务，能对照自查，不用先直接上框架。
2. 契约左移可操作：文档定义 + 结构对比 + 合并门禁
3. 覆盖和知识能写成清单：矩阵和改进计划替代补用例，记忆知识替代问老员工
1. 回去能改自己业务的自动化场景：意图—契约—步骤—数据怎么切、前置里该不该塞业务，能对照自查，不用先直接上框架。
2. 契约左移可操作：文档定义 + 结构对比 + 合并门禁
3. 覆盖和知识能写成清单：矩阵和改进计划替代补用例，记忆知识替代问老员工
姜天意
网易 CodeWave&CoreAgent技术负责人
目前负责网易数智低代码平台CodeWave，及智能体平台CoreAgent的产品技术研发。研究方向为Code Agent AI编程、多智能体协作等领域，曾先后就职于阿里、腾讯，资深前端架构师，开源框架 Egg.js 的核心开发者之一。曾负责盒马数据可视化前端团队、腾讯云大数据平台前端团队、腾讯低代码开源项目逻辑编排方向等。 曾参加多场业界内峰会演讲。
待定
待定
从 Vibe Coding 到 Spec Driven-CodeWave 智能化软件
工厂的思考和实践
议题背景：
2025年被称之为 Vibe Coding 元年，由于模型能力的增强，以 Claude Code 为代表，出现了大量低门槛的 Vibe Coding 工具，同时，低代码、可视化开发等技术也受到了很大的冲击。然而，Vibe Coding 带给企业的并非只有提效的优势，AI 生成发散，技术栈不受控，代码难以维护等问题严重影响了企业落地 AI Coding 。
2025年被称之为 Vibe Coding 元年，由于模型能力的增强，以 Claude Code 为代表，出现了大量低门槛的 Vibe Coding 工具，同时，低代码、可视化开发等技术也受到了很大的冲击。然而，Vibe Coding 带给企业的并非只有提效的优势，AI 生成发散，技术栈不受控，代码难以维护等问题严重影响了企业落地 AI Coding 。
本次分享会分析自然语言编程的问题，用 Spec Driven（规格驱动） 引入形式化约束来"降熵"，同时将 CodeWave NASL 可视化底座与 SDD 结合，构建从需求标准化→技术设计→ NASL 代码生成的完整 AI 软件工厂。技术上通过马具工程、渐进式上下文披露、沙箱隔离等手段保障长程任务稳定性，并建立 Benchmark 体系驱动模型微调迭代。通过此套实践，重塑 AI 开发工作流，实现企业级大规模应用的 AI Coding 稳定落地。
内容大纲：
1. 为什么要用 SDD 来解决 Vibe Coding 的问题
1.1 Vibe Coding 方式缺少必要的约束，生成效果、质量不可控。
1.2 48 年前的预言与分析问题本质：自然语言 + 软件工程局限性 → 引入 Spec 先行
1.3 介绍 Spec driven，通过 Spec driven 解决 Vibe coding 遇到的问题
1.4 介绍马具工程，通过马具工程解决复杂AI Coding任务的偏移问题
1.5 两套形式化的发展和对比：从 AI Coding 到 AI + 可控底座，从低代码到拥有自研语言的低代码到 Spec Driven
1.6 结合低代码的规范和最佳实践，实现 Spec Driven 驱动的可视化开发模式，让 AI Coding 支撑大规模企业级应用的开发
1.2 48 年前的预言与分析问题本质：自然语言 + 软件工程局限性 → 引入 Spec 先行
1.3 介绍 Spec driven，通过 Spec driven 解决 Vibe coding 遇到的问题
1.4 介绍马具工程，通过马具工程解决复杂AI Coding任务的偏移问题
1.5 两套形式化的发展和对比：从 AI Coding 到 AI + 可控底座，从低代码到拥有自研语言的低代码到 Spec Driven
1.6 结合低代码的规范和最佳实践，实现 Spec Driven 驱动的可视化开发模式，让 AI Coding 支撑大规模企业级应用的开发
2. 产品介绍：围绕需求标准化（Spec First）的开发平台
2.1 基于 Spec-Driven 理念的企业级全栈开发平台，及 SDD 核心：需求工程（EARS 标准化、消除模糊词、量化非功能需求）的介绍
2.2 老应用历久弥新：基于 SDD+Code2Sepc 的逆向工程
2.2 老应用历久弥新：基于 SDD+Code2Sepc 的逆向工程
3. 技术方案：大规模 SDD 任务的 Harness Engineering 实践
3.1 CodeWave平台架构介绍：AI 友好的平台底座
3.2 代码智能体底层：需要什么样的 Code Agent（开源 Wave-Agent 介绍）
3.3 围绕 NASL 生成的 SDD 全链路介绍
3.4 "马具工程"到底是什么
3.5 需求标准化：上百页需求如何塞进上下文窗口
3.6 技术设计：如何生成给架构师看的完整文档
3.7 NASL 代码生成：海量上下文下的任务稳定性保障渐进式披露：私有知识如何避免上下文遗忘
3.8 Compound 复合工程：让 AI 越跑越精准
3.9 文档解析：RAG 知识工程能力复用
3.10 多模态支持：UI 理解与图片意图判断
3.11 沙箱技术：智能体运行时核心（Bubblewrap）
3.12 总结：马具工程设计原则 — 解决长程任务稳定性
3.2 代码智能体底层：需要什么样的 Code Agent（开源 Wave-Agent 介绍）
3.3 围绕 NASL 生成的 SDD 全链路介绍
3.4 "马具工程"到底是什么
3.5 需求标准化：上百页需求如何塞进上下文窗口
3.6 技术设计：如何生成给架构师看的完整文档
3.7 NASL 代码生成：海量上下文下的任务稳定性保障渐进式披露：私有知识如何避免上下文遗忘
3.8 Compound 复合工程：让 AI 越跑越精准
3.9 文档解析：RAG 知识工程能力复用
3.10 多模态支持：UI 理解与图片意图判断
3.11 沙箱技术：智能体运行时核心（Bubblewrap）
3.12 总结：马具工程设计原则 — 解决长程任务稳定性
4. Benchmark：数据驱动的产品与语言模型训练
4.1 核心痛点：提效难度量 / 产品能力难度量 / 效果达不到预期
4.1 No Data No BB — 建立 AI 功能的 Benchmark 体系
4.2 建立 AI 提效的量化标准
4.3 AI Infra：工程化平台支撑 AI 功能迭代与微调闭环
4.1 No Data No BB — 建立 AI 功能的 Benchmark 体系
4.2 建立 AI 提效的量化标准
4.3 AI Infra：工程化平台支撑 AI 功能迭代与微调闭环
5. 总结与展望
5.1 Spec Driven 的本质：通过形式化来"降熵"
5.2 CodeWave 可视化软件工厂 vs AI Coding IDE 对比
5.3 未来规划
5.2 CodeWave 可视化软件工厂 vs AI Coding IDE 对比
5.3 未来规划
听众收益：
1. Spec Driven解决AI Coding不受控问题及在可视化开发领域的落地
2. Coding Agent 的设计与优化方案
3. 大规模需求管理的需求工程思路
4. 复杂 AI Agent 的 Harness engineering 实践
1. Spec Driven解决AI Coding不受控问题及在可视化开发领域的落地
2. Coding Agent 的设计与优化方案
3. 大规模需求管理的需求工程思路
4. 复杂 AI Agent 的 Harness engineering 实践
敬请期待
......
.....
待定
待定
敬请期待
....
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
