专场：需求规格化与 Spec-Driven Development 开发新范式
需求模糊是制约AI编码落地的最大瓶颈，输入质量直接决定输出质量。专场聚焦存量代码到全量需求的知识反构、AI辅助需求分析、ATDD测试驱动开发新实践、设计规格自动生成，搭建从产品PRD到可执行技术规格的自动化闭环链路。
专场出品人：王一男
华为 技术专家 华为云 智能化DevOps产品专家
拥有北京航空航天大学软件工程专业本科及硕士学位，具备多年软件工程与管理实践经验，专注于通过方法与工具的结合提升组织研发效能。
杨经纬
百度 工作效能部 研发经理
百度工程效能部前端研发经理，负责集团AI研发工作台、AI产物发布分享平台、Devops工具平台、AI原生研发工具链等业务方向，在软件研发智能化、Devops、研发提效、前端研发技术、技术团队管理等领域有着丰富的经验，并在相关领域著有发明专利8个，国家高质量专项《基于大模型技术的工业领域智能化开发工具项目》技术骨干
待定
待定
从个人提效到组织提效——Coding Agent 的组织级落地实践
议题背景：
在大模型能力快速演进的背景下，Coding Agent正从辅助工具走向研发基础设施。但在真实的大规模研发体系中，如何解决可控性、工程融合与规模化推广难题，仍是行业共同挑战。
本次分享将结合集团研发工作台等AI基础设施在公司内部的落地实践，系统介绍智能体驱动研发范式的架构设计思路，实现 AI 能力在研发场景中的稳定接入与高效调用。同时复盘规模化推广过程中的关键策略与踩坑经验，分享研发人员使用、显著提升智能体使用效果与研发效率的实践路径。
内容大纲：
1. 如何从个人提效走向组织提效
基建、角色、组织三者同时变化,才能把单点的 AI 提效沉淀成组织的全面提效。
2. AI Native 研发案例
以从零按 AI Native 范式搭建的项目为样本,展示组织Workspace与可判定护栏如何让 Agent 大规模跑通需求。重点看效果数据与实际闭环:哪些可以完全自动、哪些仍由专业的人兜底。
3. 职能团队研发案例
聚焦非纯研发/业务职能团队在同一套基建下自建应用的实践,说明基建平台如何让业务同学也能成为 builder。通过真实案例呈现"任务模式"替代"代码模式"后的交付变化,验证组织提效不只属于研发团队。
4. 复盘与展望 复盘推进过程中的关键取舍，再展望下阶段从"验证场景"走向"产品化、规模化"的路径。
听众收益：
1. 系统掌握 Coding Agent 在大规模研发体系中的落地方法论，理解其中的关键设计思路与实施路径；
2. 深入了解如何解决代码可控性、工程融合与规模化推广难题，获得可直接复用的架构设计与组织推进经验；
3. 通过真实规模化数据与踩坑复盘，认知Coding Agent提升研发效率的有效策略，明确企业推进智能研发的实践方向。
在大模型能力快速演进的背景下，Coding Agent正从辅助工具走向研发基础设施。但在真实的大规模研发体系中，如何解决可控性、工程融合与规模化推广难题，仍是行业共同挑战。
本次分享将结合集团研发工作台等AI基础设施在公司内部的落地实践，系统介绍智能体驱动研发范式的架构设计思路，实现 AI 能力在研发场景中的稳定接入与高效调用。同时复盘规模化推广过程中的关键策略与踩坑经验，分享研发人员使用、显著提升智能体使用效果与研发效率的实践路径。
内容大纲：
1. 如何从个人提效走向组织提效
基建、角色、组织三者同时变化,才能把单点的 AI 提效沉淀成组织的全面提效。
2. AI Native 研发案例
以从零按 AI Native 范式搭建的项目为样本,展示组织Workspace与可判定护栏如何让 Agent 大规模跑通需求。重点看效果数据与实际闭环:哪些可以完全自动、哪些仍由专业的人兜底。
3. 职能团队研发案例
聚焦非纯研发/业务职能团队在同一套基建下自建应用的实践,说明基建平台如何让业务同学也能成为 builder。通过真实案例呈现"任务模式"替代"代码模式"后的交付变化,验证组织提效不只属于研发团队。
4. 复盘与展望 复盘推进过程中的关键取舍，再展望下阶段从"验证场景"走向"产品化、规模化"的路径。
听众收益：
1. 系统掌握 Coding Agent 在大规模研发体系中的落地方法论，理解其中的关键设计思路与实施路径；
2. 深入了解如何解决代码可控性、工程融合与规模化推广难题，获得可直接复用的架构设计与组织推进经验；
3. 通过真实规模化数据与踩坑复盘，认知Coding Agent提升研发效率的有效策略，明确企业推进智能研发的实践方向。
王一男
华为 技术专家
华为云 智能化DevOps产品专家
拥有北京航空航天大学软件工程专业本科及硕士学位，具备多年软件工程与管理实践经验，专注于通过方法与工具的结合提升组织研发效能。
待定
待定
从模糊到精确：存量项目 SDD 的工程化落地
需求模糊，是制约 AI 编码落地的最大瓶颈——输入质量直接决定输出质量。本分享基于华为云码道（CodeArts）的一线实践，系统介绍 Spec-Driven Development 规范驱动开发的标准流程（Requirements → Design → Tasks），并重点探讨存量项目的落地方法：针对只有代码、缺少可执行规范的遗留系统，通过存量代码的检索理解与知识逆向工程，将散落在代码与历史经验中的需求逆向重建为需求、设计、任务三层规范，再在此基础上开展增量开发；同时分享 SDD 流程规范的灵活定义与资产化复用经验，帮助团队将流程与规范沉淀为可复用的组织资产，逐步搭建从产品 PRD 到可执行技术规格的自动化闭环。
张进朋
中兴通讯 AI应用开发工程师
中兴通讯股份有限公司，AI应用开发工程师，目前主要负责波分需求与架构域的改进提效及治理工作，开展领域知识工程建设与AI应用开发，保障光通信波分产品的架构质量、研发交付效率；搭建领域知识库与智能辅助平台，保障研发流程可复用性与智能化落地。
待定
待定
知识工程驱动的需求自动化管理解决方案
议题背景：
需求管理是研发最前端、却长期依赖人工的环节。需求规模攀升时,波及分析(900+特性)、工作量评估与跨团队排期、准入检查处处存在"人工断点":拆分靠SE逐条手填、评估凭经验无标准、预检靠人工核对易遗漏,问题往往拖到开发阶段才暴露。本方案构建『硬件单板-软件业务-项目团队-管理规则』四位一体知识底座,将专家经验抽象为30+条可执行规则并与大模型编排结合,打造自动波及拆分、自动排期、自动预检三大能力:规则明确的流程由脚本固化,逻辑复杂的判断由大模型兜底。落地后自动拆分占比达98%,单次波及拆分耗时由4小时降至10分钟,累计识别1000+问题需求,实现从需求波及到准入检查的端到端自动化。
内容大纲：
1. 问题提出:需求管理为何卡在"人工"
需求管理是研发最前端、却长期依赖人工的环节。需求规模攀升时,波及分析(900+特性)、工作量评估与跨团队排期、准入检查处处存在"人工断点":拆分靠SE逐条手填、评估凭经验无标准、预检靠人工核对易遗漏,问题往往拖到开发阶段才暴露。本方案构建『硬件单板-软件业务-项目团队-管理规则』四位一体知识底座,将专家经验抽象为30+条可执行规则并与大模型编排结合,打造自动波及拆分、自动排期、自动预检三大能力:规则明确的流程由脚本固化,逻辑复杂的判断由大模型兜底。落地后自动拆分占比达98%,单次波及拆分耗时由4小时降至10分钟,累计识别1000+问题需求,实现从需求波及到准入检查的端到端自动化。
内容大纲：
1. 问题提出:需求管理为何卡在"人工"
1.1 需求规模激增:1万+条需求、900+特性带来的波及复杂度
1.2 三大人工断点拆解
1.2 三大人工断点拆解
1.2.1 波及拆分:高频场景仍靠SE手工拆分、字段人工补全
1.2.2 评估排期:工作量无量化标准、跨团队人力协调周期长
1.2.3 准入检查:交付物/关键字段人工核对易遗漏,问题滞后暴露
1.2.2 评估排期:工作量无量化标准、跨团队人力协调周期长
1.2.3 准入检查:交付物/关键字段人工核对易遗漏,问题滞后暴露
1.3 一句话命题:如何用知识工程打破这些断点?
2. 解决思路:知识工程驱动的"规则固化 + 大模型兜底"双引擎
2.1 为什么纯代码/纯LLM都做不好?
2.2 四位一体知识底座:硬件单板-软件业务-项目团队-管理规则
2.3 智能分治范式:规则明确→脚本执行 / 逻辑复杂→大模型微范式
2.4 三条知识链路:波及(单板→模型→特性→团队)、排期、预检的横向贯通
2.2 四位一体知识底座:硬件单板-软件业务-项目团队-管理规则
2.3 智能分治范式:规则明确→脚本执行 / 逻辑复杂→大模型微范式
2.4 三条知识链路:波及(单板→模型→特性→团队)、排期、预检的横向贯通
3. 具体实践(重点:方法论 + 踩坑)
3.1 知识底座建设与踩坑
3.1.1 原子化解耦与图谱化关联,50+模型/100+单板/900+特性沉淀
3.1.2 20+条自动校验规则,拦截不规范知识录入
3.1.3 拉通空间2.0实现双向同步,消除多源数据不一致
3.1.2 20+条自动校验规则,拦截不规范知识录入
3.1.3 拉通空间2.0实现双向同步,消除多源数据不一致
3.2 自动波及拆分:从"新增单板"到14个高频子场景全覆盖
3.2.1 30+条专家波及规则的抽象与代码固化
3.2.2 20+字段自动填充 + MR&PR自动关联 + 团队自动指派
3.2.2 20+字段自动填充 + MR&PR自动关联 + 团队自动指派
3.3 自动排期:从经验评估到统一模型
3.3.1 开发工作量评估模型:标准工作量×复用系数
3.3.2 团队剩余人力动态计算与优先级/工作量排序纳入
3.3.3 跨迭代拆分与RDC字段回填,30秒排完1100+PR
3.3.2 团队剩余人力动态计算与优先级/工作量排序纳入
3.3.3 跨迭代拆分与RDC字段回填,30秒排完1100+PR
3.4 自动预检:从人工核对到智能门禁
3.4.1 8条预检规则的筛选条件/整改责任/截止时间建模
3.4.2 定时任务自动识别低质需求,生成问题清单
3.4.3 数字员工+MCP/SKILL自动跟踪整改闭环
3.4.2 定时任务自动识别低质需求,生成问题清单
3.4.3 数字员工+MCP/SKILL自动跟踪整改闭环
4. 效果评价:可量化数据与复盘
4.1 波及拆分:耗时4h→10min(效率+90%),26M6自动拆分占比98%
4.2 排期:人工复核采纳率67%(放弃项根因分析)
4.3 预检:累计拦截1000+问题需求,从源头降低返工
4.4 复盘:哪些环节适用规则、哪些必须上大模型
4.2 排期:人工复核采纳率67%(放弃项根因分析)
4.3 预检:累计拦截1000+问题需求,从源头降低返工
4.4 复盘:哪些环节适用规则、哪些必须上大模型
听众收益：
1. 拿到一套可落地的"规则+大模型"分治框架：知道哪些需求管理环节该用脚本/规则固化、哪些该交给大模型微范式处理，避免"ALL IN大模型"的盲目跟风（附30+规则抽象的真实踩坑经验）。
2. 学会构建企业级知识底座的方法：从知识原子化建模、图谱化关联，到20+条自动校验规则与双向同步机制，掌握如何让知识资产"可沉淀、可维护、可复用"，而非一次性烟囱式建设。
1. 拿到一套可落地的"规则+大模型"分治框架：知道哪些需求管理环节该用脚本/规则固化、哪些该交给大模型微范式处理，避免"ALL IN大模型"的盲目跟风（附30+规则抽象的真实踩坑经验）。
2. 学会构建企业级知识底座的方法：从知识原子化建模、图谱化关联，到20+条自动校验规则与双向同步机制，掌握如何让知识资产"可沉淀、可维护、可复用"，而非一次性烟囱式建设。
黄立华
华为 GTS AI 测试专家
华为GTS AI测试专家，目前主要负责GTS AI辅助测试效能提升，重点是AI测试设计、AI测试执行进行效能提升。
待定
待定
基于 GTS 测试 Spec 测试设计、测试执行效能提升实践
议题背景：
背景：
背景：
Claude Code出来以后，测试设计和测试执行工程化能力是缺失，尤其是AI Codeing以后，研发效能提升明显，版本周期压缩，测试如何高效保障AI Codeing代码质量和测试效能提升匹配AI变更。
技术方案：
技术方案：
1. 构建需求和Spec检查Agent实现需求文档正确性、完整性、一致性检查，供100+检查规则来实现研发文档和研发Spec符合产品质量要求来提升AI Codeing质量
2. 构建了Agentic+多模态模型测试Spec生成流程图用例、功能用例、性能用例，通过测试Spec来评审AI测试设计质量和约束AI生成测试用例质量
3. 构建了测试用例检查Agent、存量用例提取测试知识库Agent加入知识图谱中，基于图谱进行检查用例生成质量和自动修复测试用例；
4. 构建了基于代码自动生成接口自动化用例实现接口质量保障；
5. 构建了Agentic+LOOP工程技术方案实现测试用例->AI测试执行->AI测试代码生成Agent解决了AI测试执行效率慢问题和AI测试执行质量问题。
2. 构建了Agentic+多模态模型测试Spec生成流程图用例、功能用例、性能用例，通过测试Spec来评审AI测试设计质量和约束AI生成测试用例质量
3. 构建了测试用例检查Agent、存量用例提取测试知识库Agent加入知识图谱中，基于图谱进行检查用例生成质量和自动修复测试用例；
4. 构建了基于代码自动生成接口自动化用例实现接口质量保障；
5. 构建了Agentic+LOOP工程技术方案实现测试用例->AI测试执行->AI测试代码生成Agent解决了AI测试执行效率慢问题和AI测试执行质量问题。
6. 管理面基于多模态模型实现Agentic自主遍历测试Agent来提升测试效率。
落地效果：经过7月到8月2个月落地，AI辅助用例生成占比70%，AI辅助测试执行占比40%，效率提升明显，AI用例发现问题单跟手工测试发现问题单占比为4:6关系，测试周期由11人天缩短到7人天，效率提升30%；
内容大纲：
1. 需求和Spec检查Agent
落地效果：经过7月到8月2个月落地，AI辅助用例生成占比70%，AI辅助测试执行占比40%，效率提升明显，AI用例发现问题单跟手工测试发现问题单占比为4:6关系，测试周期由11人天缩短到7人天，效率提升30%；
内容大纲：
1. 需求和Spec检查Agent
1.1 需求和Spec完整性检查Agent
1.2 需求和Spec正确性检查Agent
1.3 需求和Spec一致性检查Agent
1.2 需求和Spec正确性检查Agent
1.3 需求和Spec一致性检查Agent
2. 基于测试Spec生成AI测试用例
2.1 测试Spec生成
2.2 基于测试Spec生成测试点和测试点生成去重检查
2.3 基于测试Spec +Agentic生成测试用例
2.4 基于多模态模型+Agentic技术实现场景交互E2E用例生成
2.5 知识图谱构建
2.6 测试用例生成检查和Agentic 改写Agent
2.2 基于测试Spec生成测试点和测试点生成去重检查
2.3 基于测试Spec +Agentic生成测试用例
2.4 基于多模态模型+Agentic技术实现场景交互E2E用例生成
2.5 知识图谱构建
2.6 测试用例生成检查和Agentic 改写Agent
3. Agentic+LOOP工程技术方案实现AI测试执行
3.1 Agentic+LOOP工程技术方案实现测试用例->AI测试执行->AI测试代码生成效能提升
3.2 一键式实现从代码下载到生成接口测试用例和性能基线、摸高测试保障DFX测试质量
3.3 管理面基于多模态模型实现Agentic自主遍历测试Agent构建
3.2 一键式实现从代码下载到生成接口测试用例和性能基线、摸高测试保障DFX测试质量
3.3 管理面基于多模态模型实现Agentic自主遍历测试Agent构建
听众收益：
1. 基于测试SpecAI辅助测试用例生成
2. Agentic+LOOP工程技术方案实现AI测试代码生成，保障AI测试质量
3. 构建需求和Spec检查Agent实现需求文档正确性、完整性、一致性检查
1. 基于测试SpecAI辅助测试用例生成
2. Agentic+LOOP工程技术方案实现AI测试代码生成，保障AI测试质量
3. 构建需求和Spec检查Agent实现需求文档正确性、完整性、一致性检查
岳崇建
华为 AI算法工程师
毕业于北京大学，主要从事大语言模型、Agent及多模态大模型算法研究，重点关注模型增训、数据构建、推理优化与能力评测等方向。参与鸿蒙大模型相关算法研发，围绕代码生成、软件工程智能体、应用生成等场景开展领域数据构建、持续增训、Agent轨迹数据生产及模型能力评测，探索通过高质量数据与评测反馈持续驱动模型能力演进。同时开展多模态大模型在UI理解、需求解析与代码生成等方向的研究与实践，关注视觉语言模型与软件工程任务的结合，具备从训练数据、模型算法到Benchmark评测和效果迭代的完整实践经验。
待定
待定
从数据到能力：鸿蒙大模型构建、增训与评测实践
议题背景：
随着大模型逐步进入软件研发场景，模型能力已经从“能否生成代码”进一步演进到“能否理解真实开发环境、完成复杂任务并稳定交付”。在鸿蒙开发场景中，模型不仅需要掌握 ArkTS、ArkUI、DevEco、工程构建等领域知识，还需要具备代码生成、工具调用、问题定位和多模态理解等综合能力。单纯依赖通用模型或扩大训练数据规模，很难持续解决真实业务中的长尾问题。
本次分享将结合鸿蒙大模型实际构建过程，从数据、模型、评测、多模态增训四个维度，介绍如何建立从数据生产、模型增训到能力评测和问题反哺的数据闭环，并分享过程中遇到的典型问题、工程取舍和实践经验，最终通过几个真实 Demo 展示模型能力从“生成代码”走向“完成任务”的过程。
内容大纲：
1. 鸿蒙大模型：从通用能力到领域能力
本次分享将结合鸿蒙大模型实际构建过程，从数据、模型、评测、多模态增训四个维度，介绍如何建立从数据生产、模型增训到能力评测和问题反哺的数据闭环，并分享过程中遇到的典型问题、工程取舍和实践经验，最终通过几个真实 Demo 展示模型能力从“生成代码”走向“完成任务”的过程。
内容大纲：
1. 鸿蒙大模型：从通用能力到领域能力
1.1 通用大模型与鸿蒙开发场景的能力差距
1.2 鸿蒙大模型能力构建整体思路
1.2 鸿蒙大模型能力构建整体思路
2. 数据：决定模型能力上限的第一环
2.1 鸿蒙领域数据来源与数据类型
2.2 SFT、Agentic 与多模态数据生产
2.3 数据清洗、质量控制与自动化 Pipeline
2.4 数据生产中的典型问题与踩坑经验
2.2 SFT、Agentic 与多模态数据生产
2.3 数据清洗、质量控制与自动化 Pipeline
2.4 数据生产中的典型问题与踩坑经验
3. 模型：如何让大模型真正学会鸿蒙开发
3.1 领域知识增训与任务能力增强
3.2 Coding / Agent 能力增训实践
3.3 多模态大模型增训实践
3.2 Coding / Agent 能力增训实践
3.3 多模态大模型增训实践
4. 评测：如何知道模型到底有没有变强
4.1 从 Loss 到真实任务指标
4.2 鸿蒙领域 Benchmark 构建
4.3 Evaluation → Data → Training → Evaluation 闭环
4.4 模型迭代中的典型 Case 分析
4.2 鸿蒙领域 Benchmark 构建
4.3 Evaluation → Data → Training → Evaluation 闭环
4.4 模型迭代中的典型 Case 分析
5. 从模型能力到真实任务完成
5.1 为什么“会写代码”不等于“能完成任务”
5.2 Agent 的 Planning、Tool Use、Execution 与 Verification
5.3 模型、工具、环境与评测体系的工程协同
5.2 Agent 的 Planning、Tool Use、Execution 与 Verification
5.3 模型、工具、环境与评测体系的工程协同
6. Demo：鸿蒙大模型能力现场验证
6.1 自然语言需求 → 鸿蒙应用
6.2 截图 / PRD → UI 理解 → 代码生成
6.3 Agent 自动完成鸿蒙开发任务
6.4 从 Benchmark 指标到真实开发能力
6.2 截图 / PRD → UI 理解 → 代码生成
6.3 Agent 自动完成鸿蒙开发任务
6.4 从 Benchmark 指标到真实开发能力
听众收益：
1. 掌握从数据构建、模型增训到 Benchmark 评测的领域大模型能力建设方法。
2. 获得 SFT、Agentic、多模态数据生产以及自动化评测方面的工程实践经验。
3. 理解模型、工具、执行环境与评测体系如何协同，推动大模型从“生成代码”走向“完成真实开发任务”。
1. 掌握从数据构建、模型增训到 Benchmark 评测的领域大模型能力建设方法。
2. 获得 SFT、Agentic、多模态数据生产以及自动化评测方面的工程实践经验。
3. 理解模型、工具、执行环境与评测体系如何协同，推动大模型从“生成代码”走向“完成真实开发任务”。
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
