专场：从 Vibe Coding 到 Agentic Engineering：AI 研发范式跃迁
代码正在成为一种近乎无限的生产力。真正稀缺的，不再是写代码的能力，而是定义正确目标、构建有效约束，并让 Agent 把事情真正做成。本专场将从 Vibe Coding 出发，走向 Agentic Engineering，探讨 Spec、Loop、Harness 与 Agent Workspace 如何重塑软件研发，让 Agent 不只是生成代码，而是持续理解、执行、验证并交付结果。软件开发的下一个时代，不是人写得更快，而是人与 Agent 一起创造过去无法完成的产品。
专场出品人：牛万鹏
百度 Comate研发经理
毕业于吉林大学，现任百度Comate研发经理，负责百度研发智能化，重点推动 AI 原生研发范式在大规模工程体系中的落地，探索以 Coding Agent 为核心的人机协作研发模式。在研发智能化领域申请国内外发明专利10+，工信部重点科研项目『基于大模型技术的工业领域智能化开发工具」核心成员。在此之前分别在百度、Gitee（开源中国）负责DevOps工具的孵化和落地，涵盖项目管理、代码管理、流水线、制品库、应用部署、运维管理等平台建设和商业化。
邓成瑞
华为 IDE 资深技术专家
华为IDE资深技术专家，曾就职于Intel及阿里巴巴，拥有多年开发工具及系统优化丰富经验。作为核心人员开发了Eclipse TPTP及Intel TEE Runtime等项目，拥有多项技术专利及发表论文。在华为2012 IDE Lab带领团队为华为鸿蒙电脑DevEco Studio (Powered by BitFun) 开发了自研的毕方IDE底座，为鸿蒙开发者带来流畅智能的开发体验。随着AI 时代开发范式的快速变化，目前领导技术团队进行BitFun Agent Kernel的设计开发，持续为DevEco Code等AI Coding新产品打造领先的开发技术，并逐步通过毕方开源共建，和学术界、产业界共同推动AI时代的先进开发技术探索。
待定
待定
告别 Vibe Coding：BitFun 驱动的鸿蒙开发意图-实现-验证闭环
议题背景：
2026 年，Google在The New SDLC With Vibe Coding指出，缺失 Tests 和 Evals 双重验证的开发流程仍属 "氛围编程"；Claude团队 AI Native SDLC 以 intent→spec→plan 产物链强调意图驱动与写审分离。两大范式共同指向：从 "写代码" 转向 "管意图、验产出"。鸿蒙应用开发中，氛围编程面临三重挑战：训练语料不足导致 AI 生成质量不稳定，新生态下 API 与范式快速演进，设备类型多样（手机 / 手表 / 平板 / 车机）增加多端适配难度。本议题基于 BitFun 平台在鸿蒙 Agentic 工具开发的实践，提出 "意图 - 实现 - 验证三位一体" 范式，协同构建可验证闭环。
2026 年，Google在The New SDLC With Vibe Coding指出，缺失 Tests 和 Evals 双重验证的开发流程仍属 "氛围编程"；Claude团队 AI Native SDLC 以 intent→spec→plan 产物链强调意图驱动与写审分离。两大范式共同指向：从 "写代码" 转向 "管意图、验产出"。鸿蒙应用开发中，氛围编程面临三重挑战：训练语料不足导致 AI 生成质量不稳定，新生态下 API 与范式快速演进，设备类型多样（手机 / 手表 / 平板 / 车机）增加多端适配难度。本议题基于 BitFun 平台在鸿蒙 Agentic 工具开发的实践，提出 "意图 - 实现 - 验证三位一体" 范式，协同构建可验证闭环。
内容大纲：
1. 技术趋势与鸿蒙应用开发的范式挑战
1.1 行业趋势
1.2 Vibe Coding 的通用困境与代价
1.3 鸿蒙应用开发的三重特殊挑战
1.2 Vibe Coding 的通用困境与代价
1.3 鸿蒙应用开发的三重特殊挑战
2. 鸿蒙应用开发中的具体实践：意图 - 实现 - 验证三位一体
2.1 意图层：结构化意图契约与快速校验
2.2 实现层：DevEco Code多模式开发与编译报错自修复
2.3 验证层：UI 功能快速校验与多端验证
2.4 实践效果
2.2 实现层：DevEco Code多模式开发与编译报错自修复
2.3 验证层：UI 功能快速校验与多端验证
2.4 实践效果
3. BitFun在鸿蒙电脑上的探索
3.1 QT应用迁移实践
3.2 鸿蒙系统与设备特色能力
3.2 鸿蒙系统与设备特色能力
4. 总结与展望
4.1 内容总结
4.2 未来展望
听众收益：
1.Agentic 开发质量保障实践的方法总结
2.真实踩坑经验与工程决策思路
3.从 IDE 到独立 ADE 的产品形态演进视角
陈昊
百度 资深工程师
百度商业AI Coding负责人 百度商业质量效能研发组负责人 百度凤巢QA负责人
负责推动百度商业研发组织智能化转型，围绕编码、测试、评审、交付、排查等关键环节，构建 AI 驱动的跨角色协同与端到端交付体系，并在多个业务方向实现规模化落地，推动人均吞吐提升 50%、整体交付效能提升 100%
擅长领域：
1.研发测试效能提升
2.交付模式转型
3.AI Coding智能体能力建设
4.Harness工程设计与落地
负责推动百度商业研发组织智能化转型，围绕编码、测试、评审、交付、排查等关键环节，构建 AI 驱动的跨角色协同与端到端交付体系，并在多个业务方向实现规模化落地，推动人均吞吐提升 50%、整体交付效能提升 100%
擅长领域：
1.研发测试效能提升
2.交付模式转型
3.AI Coding智能体能力建设
4.Harness工程设计与落地
待定
待定
百度商业化组织级智能化转型
议题背景:
随着业务复杂度和需求密度持续提升，传统研发仍依赖人工串行交付，需求理解、编码、测试与联调链路长，跨团队协作成本高，人均吞吐逐渐触及瓶颈。与此同时，AI Coding 多停留在个人开发提效，难以理解复杂业务、遵循工程规范并完成验证闭环，更无法沉淀为组织能力。为此，我们围绕商业的各个业务场景，建设AI Coding智能体，以 Harness 工程打通知识与 Skill 召回、受控执行、编译测试、自动修复和结果交付，并通过 Skill 平台、模型路由及成本治理支撑规模化运营，推动 AI 从个人工具进入真实研发主链路，形成跨角色、跨团队、可复制的智能交付体系，带动研发组织从人力驱动向人机协同转型
内容大纲:
1. 问题起点：为什么代码生成没有带来组织级提效
随着业务复杂度和需求密度持续提升，传统研发仍依赖人工串行交付，需求理解、编码、测试与联调链路长，跨团队协作成本高，人均吞吐逐渐触及瓶颈。与此同时，AI Coding 多停留在个人开发提效，难以理解复杂业务、遵循工程规范并完成验证闭环，更无法沉淀为组织能力。为此，我们围绕商业的各个业务场景，建设AI Coding智能体，以 Harness 工程打通知识与 Skill 召回、受控执行、编译测试、自动修复和结果交付，并通过 Skill 平台、模型路由及成本治理支撑规模化运营，推动 AI 从个人工具进入真实研发主链路，形成跨角色、跨团队、可复制的智能交付体系，带动研发组织从人力驱动向人机协同转型
内容大纲:
1. 问题起点：为什么代码生成没有带来组织级提效
1.1 人工串行交付瓶颈：人均吞吐长期未突破
1.2 简单需求开发只需一天，为何排期等待却要一周
1.3 早期 AI Coding 实践：能生成代码，但无法独立交付
1.4 从个人效率工具到组织级智能交付的目标转变
1.2 简单需求开发只需一天，为何排期等待却要一周
1.3 早期 AI Coding 实践：能生成代码，但无法独立交付
1.4 从个人效率工具到组织级智能交付的目标转变
2. 问题拆解与技术抉择：我们需要怎样的 AI Coding
2.1 四类核心难题：业务理解、工程验证、能力复用与成本控制
2.2 为什么仅升级模型或优化 Prompt 无法解决交付问题
2.3 技术目标：可交付、可验证、可治理、可复用、可进化
2.2 为什么仅升级模型或优化 Prompt 无法解决交付问题
2.3 技术目标：可交付、可验证、可治理、可复用、可进化
3. Harness 工程：让 AI 真正完成一次需求交付
3.1 知识注入与模块路由：解决“在哪里改、为什么改”
3.2 上下文编排：控制信息不足与上下文噪声之间的平衡
3.3 编译、测试、错误分析与自动修复闭环
3.2 上下文编排：控制信息不足与上下文噪声之间的平衡
3.3 编译、测试、错误分析与自动修复闭环
4. 规模化踩坑：Skill 越多，系统为什么反而越难用
4.1 为每个场景人工编写 Skill，为什么无法规模化
4.2 从历史需求和代码中自动蒸馏知识与 Skill
4.3 Skill 增长后的重复建设、版本混乱和维护缺失
4.4 全量召回导致上下文污染：分级管理与精准召回实践
4.5 从调试、审核、发布到反馈优化的生命周期治理
4.2 从历史需求和代码中自动蒸馏知识与 Skill
4.3 Skill 增长后的重复建设、版本混乱和维护缺失
4.4 全量召回导致上下文污染：分级管理与精准召回实践
4.5 从调试、审核、发布到反馈优化的生命周期治理
5. 落地案例：AI 如何改变研发组织的交付方式
5.1 端到端交付：周期从 6 天缩短至 1.5 天，人均吞吐提升 80%
5.2 跨团队交付：业务端自主完成部分检索端需求
5.3 跨角色交付：运营直接开发，研发转向 CR 与质量把关
5.2 跨团队交付：业务端自主完成部分检索端需求
5.3 跨角色交付：运营直接开发，研发转向 CR 与质量把关
6. 复盘与思考：组织级 AI Coding 的关键经验
6.1 AI Coding 的瓶颈不只在模型，更在工程环境与组织机制
6.2 没有验证闭环，代码生成越快，人工返工成本可能越高
6.3 知识与 Skill 必须作为有生命周期的组织资产运营
6.4 评估 AI Coding 不能只看代码量，更要看真实需求交付
6.5 从AI Coding到 AI-OS：研发组织从人力驱动走向人机协同
6.2 没有验证闭环，代码生成越快，人工返工成本可能越高
6.3 知识与 Skill 必须作为有生命周期的组织资产运营
6.4 评估 AI Coding 不能只看代码量，更要看真实需求交付
6.5 从AI Coding到 AI-OS：研发组织从人力驱动走向人机协同
听众收益：
1. 组织级AI转型落地方案以及过程中遇到的难点和解决方案
2. 如何实现端到端AI交付
3. 如何实现组织级智能体的自进化
1. 组织级AI转型落地方案以及过程中遇到的难点和解决方案
2. 如何实现端到端AI交付
3. 如何实现组织级智能体的自进化
王旭
百度 高级工程师
长期深耕 AI 原生研发与研发效能领域，是百度文心快码（Comate）从技术研发走向企业级规模化落地的核心参与者。作为项目核心成员，深度参与 Comate 的产品架构设计与核心技术实现，并持续推动其在百度集团内部的规模化落地与面向企业客户的商业化实践，助力 AI 技术与真实研发场景的深度融合。早期主导 DevOps 全链路研发效能平台建设，完整经历并推动了研发效能从"流程驱动"到"AI 原生驱动"的范式跃迁，对 AI 时代研发范式的演进有系统性的实践与判断。
待定
待定
让 Agent 记住团队：Agent Workspace 把个人 Vibe 变成组织工程
议题背景：
2026 年，AI 编码已从“辅助补全”进入 Vibe Coding 时代，个人开发者的编码效率获得数量级提升。然而行业普遍出现一个悖论：个体效率翻倍，团队的需求交付数据却纹丝不动——一个人变成“超级兵”，带不动整个团队的吞吐。
根因正在转移：当模型能力已经足够强，真正卡住端到端交付的，是散落在对话里的 Spec、活在个人提示词里的约束、随人员流动而蒸发的领域知识。瓶颈已经从“Agent 强不强”，转移到“给它的上下文全不全”。
与此同时，多个团队在各自独立摸索后走向了高度相似的解法：围绕 Agent 构建“团队研发仓库”——把代码、知识、技能、流程、验证环境与经验回写机制组织在一个面向 Agent 的资产基座（Agent Workspace）之上。这恰好对应了大会本专场的核心命题：Spec、Loop、Harness 需要一个承载它们的“地方”，个人 Vibe 只有沉淀为组织资产，才能变成组织工程。
本议题正是对这一实践路径的完整复盘：包括走过的弯路、成型的设计决策、真实的构建数据，以及可直接迁移的落地方法。
2026 年，AI 编码已从“辅助补全”进入 Vibe Coding 时代，个人开发者的编码效率获得数量级提升。然而行业普遍出现一个悖论：个体效率翻倍，团队的需求交付数据却纹丝不动——一个人变成“超级兵”，带不动整个团队的吞吐。
根因正在转移：当模型能力已经足够强，真正卡住端到端交付的，是散落在对话里的 Spec、活在个人提示词里的约束、随人员流动而蒸发的领域知识。瓶颈已经从“Agent 强不强”，转移到“给它的上下文全不全”。
与此同时，多个团队在各自独立摸索后走向了高度相似的解法：围绕 Agent 构建“团队研发仓库”——把代码、知识、技能、流程、验证环境与经验回写机制组织在一个面向 Agent 的资产基座（Agent Workspace）之上。这恰好对应了大会本专场的核心命题：Spec、Loop、Harness 需要一个承载它们的“地方”，个人 Vibe 只有沉淀为组织资产，才能变成组织工程。
本议题正是对这一实践路径的完整复盘：包括走过的弯路、成型的设计决策、真实的构建数据，以及可直接迁移的落地方法。
内容大纲：
1. 问题：个人提效 ≠ 组织提效
1.1 个人 AI 编码效率爆发与团队交付停滞并存的行业悖论
1.2 根因分析：瓶颈从模型能力转移到上下文完备性，团队资产散落在个人上下文中
1.2 根因分析：瓶颈从模型能力转移到上下文完备性，团队资产散落在个人上下文中
2. 方案与演进：从弯路到组织资产基座
2.1 演进复盘：从流程固化到资产沉淀的路线迭代，以及“过度沉淀”的反直觉陷阱
2.2 三个核心设计决策：索引而非快照、按变化频率分层组织、强制经验回写
2.3 运转形态：组件结构与硬约束护栏的设计逻辑，人机分工的关键决策原则
2.2 三个核心设计决策：索引而非快照、按变化频率分层组织、强制经验回写
2.3 运转形态：组件结构与硬约束护栏的设计逻辑，人机分工的关键决策原则
3. 验证：真实业务的组织级实践
3.1 真实业务 Workspace 的构建数据：散乱资产在数天内收敛为结构化知识体系
3.2 使用效果与组织级收益；当前局限与应对策略
3.2 使用效果与组织级收益；当前局限与应对策略
4. 价值：可迁移的落地路径
4.1 三条建设路径：分层建设、分流程建设、分角色建设
4.2 团队与个人可立即执行的起步方法与自查标准
4.2 团队与个人可立即执行的起步方法与自查标准
听众收益：
1.一套诊断框架：判断团队 AI 提效卡在个人层还是组织层，看清瓶颈从模型能力向上下文完备性的转移；
2.一组设计决策与避坑清单：组织资产沉淀的核心设计决策，及“知识腐化快于 Agent 改进”等反直觉教训；
3.一条可复制的落地路径：分层、分流程、分角色三条建设方法与个人起步步骤。
1.一套诊断框架：判断团队 AI 提效卡在个人层还是组织层，看清瓶颈从模型能力向上下文完备性的转移；
2.一组设计决策与避坑清单：组织资产沉淀的核心设计决策，及“知识腐化快于 Agent 改进”等反直觉教训；
3.一条可复制的落地路径：分层、分流程、分角色三条建设方法与个人起步步骤。
刘玉青
吉利 软件研发体系负责人
吉利软件研发体系负责人、AI重塑软件研发变革负责人，原Thoughtworks智能硬件行业数字化转型业务负责人，资深组织变革专家。具有千人规模研发组织转型经验。 17年来，专注于为各类企业解决研发研发链路中的根本性挑战，已为超过10家超大公司量身打造高效的软件研发体系，在组织变革、文化重塑、流程体系建设、绩效管理和团队建等方面有深入的分析和不同类型企业的实战经验。著有公众号《和宇宙一起发大财》，视频号《宇宙说变革》。
待定
待定
从工具堆叠到价值流重构：AI 时代企业的 3 个范式转移
议题背景：
过去两年，大企业 AI 转型进入深水区。一个被反复验证的现象是：个人层面的 AI 使用率快速攀升，但组织层面的效率提升几乎不可感知。开发同学用 AI Coding 快了 3 倍，但项目交付周期没缩短；引入了 10+ 款 AI 工具，但跨部门协作依然靠拉群和等待。这背后的根因，不是模型不够强、不是工具不够多，而是我们用"工具视角"而非"价值流视角"在思考 AI 落地。本文提出"AI 价值流"理念：把企业里"信息→决策→执行→反馈"的全链路看作一条价值流，AI 的真正价值不在替代某个节点，而在让价值流本身重构。本文将系统拆解这一理念的框架、3 个范式转移与落地路径。
过去两年，大企业 AI 转型进入深水区。一个被反复验证的现象是：个人层面的 AI 使用率快速攀升，但组织层面的效率提升几乎不可感知。开发同学用 AI Coding 快了 3 倍，但项目交付周期没缩短；引入了 10+ 款 AI 工具，但跨部门协作依然靠拉群和等待。这背后的根因，不是模型不够强、不是工具不够多，而是我们用"工具视角"而非"价值流视角"在思考 AI 落地。本文提出"AI 价值流"理念：把企业里"信息→决策→执行→反馈"的全链路看作一条价值流，AI 的真正价值不在替代某个节点，而在让价值流本身重构。本文将系统拆解这一理念的框架、3 个范式转移与落地路径。
内容大纲：
1. 一个被忽略的事实：AI 让个人快了，组织没快
1. 一个被忽略的事实：AI 让个人快了，组织没快
1.1 行业普遍现象：AI 使用率快速攀升，组织级 ROI 却几乎不可度量
1.2 把工程师一天的时间拆开看：真正"做事"的时间不到三成，剩下七成是会议、审批、对齐、检索、流转
1.3 反共识：AI 只渗透到了"做事"环节，没有渗透到"协同"环节
1.4 问题的本质：我们在用"工具视角"思考 AI 落地，而不是"价值流视角"
1.2 把工程师一天的时间拆开看：真正"做事"的时间不到三成，剩下七成是会议、审批、对齐、检索、流转
1.3 反共识：AI 只渗透到了"做事"环节，没有渗透到"协同"环节
1.4 问题的本质：我们在用"工具视角"思考 AI 落地，而不是"价值流视角"
2. 价值流视角：什么是企业的 AI 价值流
2.1 价值流（Value Stream）的经典定义溯源：从精益生产到 AI 时代
2.2 AI 价值流的 4 个核心节点：信息 → 决策 → 执行 → 反馈
2.3 一个简单的心智模型：把企业看作 N 条价值流的并行与交织
2.4 为什么"工具视角"注定失败：工具解决单点，价值流解决链路
2.2 AI 价值流的 4 个核心节点：信息 → 决策 → 执行 → 反馈
2.3 一个简单的心智模型：把企业看作 N 条价值流的并行与交织
2.4 为什么"工具视角"注定失败：工具解决单点，价值流解决链路
3. 价值流视角下的三层困局
3.1 困局一：工具堆叠——节点能力的过载与闲置并存
3.1.1 现象：每个价值流节点都引入了多款 AI 工具，但没人定义"什么时候用哪个"
3.1.2 根因：缺少"角色 × 场景"的标准映射，节点能力强 ≠ 链路效率高
3.1.3 关键判断：工具的价值不在数量，而在是否服务于价值流的顺畅流转
3.1.2 根因：缺少"角色 × 场景"的标准映射，节点能力强 ≠ 链路效率高
3.1.3 关键判断：工具的价值不在数量，而在是否服务于价值流的顺畅流转
3.2 困局二：经验孤岛——价值流节点的智慧无法跨节点流动
3.2.1 现象：高手驯服 AI 的 prompt、上下文、踩坑，沉淀在个人身上
3.2.2 根因：经验是隐性的、一次性的，没有被萃取成"可复用的价值流组件"
3.2.3 关键判断：经验的资产化 = 价值流效率的杠杆
3.2.2 根因：经验是隐性的、一次性的，没有被萃取成"可复用的价值流组件"
3.2.3 关键判断：经验的资产化 = 价值流效率的杠杆
3.3 困局三：协同缺位——节点之间的"断点"成为价值流的瓶颈
3.3.1 现象：跨部门协作、系统切换、流程审批，AI 几乎没有触及
3.3.2 根因：协同节点本身不被视为"可优化对象"，只被视为"组织成本"
3.3.3 关键判断：AI 真正的金矿在"节点之间的断点"
3.3.2 根因：协同节点本身不被视为"可优化对象"，只被视为"组织成本"
3.3.3 关键判断：AI 真正的金矿在"节点之间的断点"
4. 价值流重构：3 个范式转移
4.1范式转移一：从"工具堆叠"到"价值流嵌入"
4.1.1 工具视角：每个部门独立选工具- 价值流视角：沿着价值流选工具，让同一个 AI 能力在多个节点复用
4.2 范式转移二：从"个人能力"到"组织能力" -工具视角：让每个人都会用 AI
4.2.1 价值流视角：让 5% 高手的经验被 80% 的人复用
4.3 范式转移三：从"做事提效"到"协同提效"
4.3.1 工具视角：AI 帮我写代码、写文档
4.3.2 价值流视角：AI 帮我开好会、过好审批、流转好上下文
4.3.2 价值流视角：AI 帮我开好会、过好审批、流转好上下文
4.4 一个统一的判断标准：每上一个 AI 工具，问一个问题——"它让哪条价值流更顺畅了？"
5. 落地路径与给同行的话
5.1 价值流落地的 3 步走：
5.1.1 第一步：画出你团队的核心价值流（5 条以内）
5.1.2 第二步：标记每个节点的"断点"（等待、检索、对齐、审批）
5.1.3 第三步：从断点开始嵌入 AI，而不是从节点开始
5.1.2 第二步：标记每个节点的"断点"（等待、检索、对齐、审批）
5.1.3 第三步：从断点开始嵌入 AI，而不是从节点开始
5.2 给同行的 3 条建议：
5.2.1 别再问"该不该上 AI"，问"我们的核心价值流是什么"
5.2.2 别再追求"全员会用 AI"，先让 5% 高手的经验被 80% 复用
5.2.3 别再想"用什么模型"，先想"价值流的哪几个断点该被 AI 接通"
5.2.2 别再追求"全员会用 AI"，先让 5% 高手的经验被 80% 复用
5.2.3 别再想"用什么模型"，先想"价值流的哪几个断点该被 AI 接通"
5.3 收尾：AI 不会让企业自动变快，AI + 价值流重构才会
听众收益：
1. 一套”AI 价值流"的分析框架 —— 拿回去可以直接画自己团队的价值流，识别断点、定位 AI 落地的真正杠杆点
2.从"工具视角"到"价值流视角"的 3 个范式转移 —— 帮你跳出"堆工具→没人用"的死循环，重新思考 AI 在组织里的真实定位
3.一份"从断点开始嵌入 AI"的落地路径 —— 不讲 PPT概念，给出可立即行动的 3 步走方法，以及配套的判断标准
1. 一套”AI 价值流"的分析框架 —— 拿回去可以直接画自己团队的价值流，识别断点、定位 AI 落地的真正杠杆点
2.从"工具视角"到"价值流视角"的 3 个范式转移 —— 帮你跳出"堆工具→没人用"的死循环，重新思考 AI 在组织里的真实定位
3.一份"从断点开始嵌入 AI"的落地路径 —— 不讲 PPT概念，给出可立即行动的 3 步走方法，以及配套的判断标准
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
