专场：研发智能体与数字员工：从工具到队友
本专场聚焦研发智能体、数字员工的落地路径与实战落地经验。早期各类智能工具只能完成代码补全、表单填写、固定流程重复执行这类简单工作，只能依照单次指令完成任务，能力提升空间已经很有限；传统自动化工具只能执行提前设定好的步骤，没办法灵活应对业务变化，复杂工作很难顺畅推进。研发智能体与数字员工囊括了上述两类能力，形成更完整的落地体系，为研发、办公场景搭建可灵活适配的自动化协作体系，支撑大批量、长期稳定、贴合业务需求的企业数字化落地。本专场将分享一线落地经验，涵盖研发全流程智能体搭建、数字员工任务自主拆分、人机分工协作模式、多岗位数字员工联动、业务动态适配调整、权限风险管控、规模化部署运维等落地内容。
专场出品人：柴思远
AI 应用专家
大数据算法技术专家，组建智谱解决方案团队，成功推动了大模型技术在多领域的突破性应用。深耕AI技术与企业智能化转型，带领团队与美团、360、金山、小米、小鹏、大众、荣耀等知名企业展开深度合作，为重点大模型项目落地提供强有力的技术解决方案，助力其实现智能化升级与业务创新。历任大搜车数据中台负责人，妙计旅行数据产品负责人，搜狗自然语言研究员等。
曹欢欢
中兴通讯 AI应用教练
软件测试有线高级系统工程师，目前主要负责 AI 辅助测试端到端质效提升、OLT 设备和光模块端到端交付等工作，致力于通过 AI 技术赋能测试流程，提升产品研发效率和质量保障能力。毕业后就职于中兴通讯，在通信设备测试领域积累了丰富的实践经验，专注于有线通信领域的测试自动化与智能化转型。
待定
待定
AI 赋能测试：Skills 助力从需求到脚本的质效变革
议题背景：
在系统产品交付过程中，测试环节直接决定产品质量、交付效率与用户体验。面对需求频繁变化、业务场景复杂、回归测试成本高等挑战。
当前测试端到端流程依赖“人主导+AI辅助”模式，从需求分析到脚本生成全链路存在方法论未固化、高岗能力难沉淀、知识建设成本高的痛点，导致AI无法实现逻辑推理与流程自进化。
本次议题旨在拆解测试全流程痛点，探索端到端质效提升路径，破解系统产品交付的核心瓶颈。
内容大纲：
1. AI 赋能测试：Skills助力
2. 从需求到脚本的质效变革
在系统产品交付过程中，测试环节直接决定产品质量、交付效率与用户体验。面对需求频繁变化、业务场景复杂、回归测试成本高等挑战。
当前测试端到端流程依赖“人主导+AI辅助”模式，从需求分析到脚本生成全链路存在方法论未固化、高岗能力难沉淀、知识建设成本高的痛点，导致AI无法实现逻辑推理与流程自进化。
本次议题旨在拆解测试全流程痛点，探索端到端质效提升路径，破解系统产品交付的核心瓶颈。
内容大纲：
1. AI 赋能测试：Skills助力
2. 从需求到脚本的质效变革
2.1 问题提出
2.1.1 26年系统产品交付挑战：质效提升迫在眉睫
2.1.2 测试端到端全流程拆解
2.1.3 从需求到脚本的全链路痛点
2.1.2 测试端到端全流程拆解
2.1.3 从需求到脚本的全链路痛点
2.2 解决思路
2.2.1 架构升级：用Agent+Skill解决三大核心痛点
2.2.2 全景方案：Agent+Skill赋能端到端全流程
2.2.3 端到端技能构建细化方案
2.2.4 Skill管理与构建规范
2.2.5 知识底座建设原则
2.2.2 全景方案：Agent+Skill赋能端到端全流程
2.2.3 端到端技能构建细化方案
2.2.4 Skill管理与构建规范
2.2.5 知识底座建设原则
2.3 实践情况
2.3.1 从0到1（核心能力突破）：SKill构建
2.3.2 从0到1：测试分析与设计全流程自动化
2.3.3 从0到1：测试设计完备性达高岗，覆盖遗漏场景
2.3.4 从0到1：测试脚本开发全流程
2.3.5 从0到1：脚本开发效率翻倍，一次采纳率40%->80%
2.3.6 从1到N（规模化应用）：降低使用门槛
2.3.7 从1到N（规模化应用）：“边用边优”的敏捷闭环
2.3.8 测试域端到端方案实现全景图
2.3.9 里程碑整体计划
2.3.2 从0到1：测试分析与设计全流程自动化
2.3.3 从0到1：测试设计完备性达高岗，覆盖遗漏场景
2.3.4 从0到1：测试脚本开发全流程
2.3.5 从0到1：脚本开发效率翻倍，一次采纳率40%->80%
2.3.6 从1到N（规模化应用）：降低使用门槛
2.3.7 从1到N（规模化应用）：“边用边优”的敏捷闭环
2.3.8 测试域端到端方案实现全景图
2.3.9 里程碑整体计划
2.4 效果评价
2.4.1 智能体+skill驱动提效47%，固化高岗能力
2.4.2 外部评价：跨部门实践价值与推广性获得认可
2.5 总结与推广
听众收益：
1. 看清AI赋能测试从“辅助”到“自进化”的破局路径。
2. 系统产品测试全链路标准化流程+Skills资产构建经验，可直接借鉴落地。
1. 看清AI赋能测试从“辅助”到“自进化”的破局路径。
2. 系统产品测试全链路标准化流程+Skills资产构建经验，可直接借鉴落地。
曹可乐
百度 资深工程师
长期从事组织级 AI Agent 平台、研发质量效能与智能交付体系建设，现主要负责组织级 Agent Harness、Agent Runtime 及 Agent Team 基础设施的规划与落地。涵盖 Agent 任务规划与执行、模型与工具编排、上下文管理、长期记忆、知识检索、多 Agent 协作、状态持久化、异常恢复、全链路可观测及自进化机制建设。主导团队智能体平台、AI 数字员工、代码智能体、版本质量管控及质量研发数字人 Agent Team 等项目，推动 Agent 覆盖需求分析、代码理解、测试、集成、灰度和发版全流程。擅长 Agent Runtime、Loop Engineering、知识工程、Memory Engineering、MCP、长任务调度及 Agent 评测，具备从架构设计、平台研发到业务规模化落地的完整实践经验。
待定
待定
从生产级智能体基建到数字员工：
组织级 Agent 的工程化落地与进化
议题背景：
随着大模型能力快速提升，企业对智能体的期待正从“能对话、能调用工具”转向“能够稳定承担真实生产任务”。但在实际落地中，智能体仍面临上下文易丢失、任务执行不稳定、工具协同困难、长任务难以恢复、过程不可观测、效果难评估等问题，数字人也容易停留在单点助手阶段，难以形成持续工作的生产力。本议题将围绕生产级 Agent Runtime、记忆与知识工程、工具编排、长任务调度、可观测与自进化机制，探讨如何构建组织级 Agent Harness，并以数字员工实践为例，分享智能体从单点能力走向可运行、可管理、可评估、可持续进化的工程化路径。
随着大模型能力快速提升，企业对智能体的期待正从“能对话、能调用工具”转向“能够稳定承担真实生产任务”。但在实际落地中，智能体仍面临上下文易丢失、任务执行不稳定、工具协同困难、长任务难以恢复、过程不可观测、效果难评估等问题，数字人也容易停留在单点助手阶段，难以形成持续工作的生产力。本议题将围绕生产级 Agent Runtime、记忆与知识工程、工具编排、长任务调度、可观测与自进化机制，探讨如何构建组织级 Agent Harness，并以数字员工实践为例，分享智能体从单点能力走向可运行、可管理、可评估、可持续进化的工程化路径。
内容大纲：
1. 生产级智能体面临的问题
1.1 从“能对话”到“能承担任务”的差距
1.2 长任务、记忆、工具调用与稳定性挑战
1.2 长任务、记忆、工具调用与稳定性挑战
2. 生产级 Agent 基建实践
2.1 Agent Runtime、记忆、知识与工具编排
2.2 任务状态管理、中断恢复与安全管控
2.2 任务状态管理、中断恢复与安全管控
3. 数字员工落地与踩坑
3.1 数字人在需求、研发、测试和发版流程中的应用
3.2 上下文膨胀、缓存失效、工具误用与检索超时
3.2 上下文膨胀、缓存失效、工具误用与检索超时
4. 需求交付与持续演进
4.1 推动 Agent 进入真实需求交付流程，实现多业务场景落地
4.2 基于可观测、评估与回放构建 Agent 自进化闭环
4.2 基于可观测、评估与回放构建 Agent 自进化闭环
听众收益
1. 了解生产级 Agent 与普通对话式 Agent 的核心差异，掌握 Agent Runtime、记忆、知识、工具编排、任务恢复等关键架构设计思路。
2. 获得数字员工落地真实业务流程的工程经验，包括长任务稳定性、上下文膨胀、工具误用、缓存失效及代码检索超时等常见问题的解决方法。
3. 学习如何通过可观测、评估、回放和反馈机制构建 Agent 持续优化闭环，并将智能体能力规模化应用到需求、研发、测试与发布场景。
1. 了解生产级 Agent 与普通对话式 Agent 的核心差异，掌握 Agent Runtime、记忆、知识、工具编排、任务恢复等关键架构设计思路。
2. 获得数字员工落地真实业务流程的工程经验，包括长任务稳定性、上下文膨胀、工具误用、缓存失效及代码检索超时等常见问题的解决方法。
3. 学习如何通过可观测、评估、回放和反馈机制构建 Agent 持续优化闭环，并将智能体能力规模化应用到需求、研发、测试与发布场景。
韩大伟
上交所技术公司 架构师
核心金融机构系统架构师，十年以上核心系统架构研发经验。目前主要负责核心系统架构设计、AI在核心系统落地、安全与合规等。
待定
待定
AI4SDLC在证券核心系统的探索实践
议题背景：
证券核心系统一个实时时序系统，承载高并发交易处理，对稳定性、合规性、代码质量有极致要求，每日在数小时时间内精确处理数亿投资者的数亿笔订单，时间精度高到微秒级，一笔消息的错误会影响后续所有的业务处理，原本的研发模式仍然为瀑布模式。传统研发模式下，深层并发缺陷依赖资深工程师人工检出、关键模块开发周期长、线上 Bug 定位修复效率低、技术文档合规校验成本高，质量与效能提升陷入瓶颈。在AI时代，对一个这样的关键基础设施类系统，AI应该怎样在系统研发全流程（SDLC）中落地？我们将大模型能力深度嵌入需求侧模块生成、流水线代码评审、存量 Bug 智能修复、文档合规评审四大核心环节，配套人机协同校验与流程门禁机制。上线以来累计检出一定量深层质量问题，核心模块开发提质增效，Bug 修复周期可大幅缩短，沉淀了金融强合规场景下 AI 落地的实战避坑经验。
内容大纲：
1. 证券核心系统研发痛点与 AI 落地约束
证券核心系统一个实时时序系统，承载高并发交易处理，对稳定性、合规性、代码质量有极致要求，每日在数小时时间内精确处理数亿投资者的数亿笔订单，时间精度高到微秒级，一笔消息的错误会影响后续所有的业务处理，原本的研发模式仍然为瀑布模式。传统研发模式下，深层并发缺陷依赖资深工程师人工检出、关键模块开发周期长、线上 Bug 定位修复效率低、技术文档合规校验成本高，质量与效能提升陷入瓶颈。在AI时代，对一个这样的关键基础设施类系统，AI应该怎样在系统研发全流程（SDLC）中落地？我们将大模型能力深度嵌入需求侧模块生成、流水线代码评审、存量 Bug 智能修复、文档合规评审四大核心环节，配套人机协同校验与流程门禁机制。上线以来累计检出一定量深层质量问题，核心模块开发提质增效，Bug 修复周期可大幅缩短，沉淀了金融强合规场景下 AI 落地的实战避坑经验。
内容大纲：
1. 证券核心系统研发痛点与 AI 落地约束
1.1 核心系统研发生命周期的质量与效能双重痛点
1.2 金融强合规、高可靠场景下 AI 落地的核心边界
1.2 金融强合规、高可靠场景下 AI 落地的核心边界
2. AI4SDLC 全链路工程化落地实践
2.1 需求与设计智能重塑：AI 生成系统关键模块设计
2.2 开发与实现智能增强：核心代码AI原生开发
2.3 发布与测试智能进化：流水线门禁与BUG修复
2.4 交付合规：AI 驱动全量技术文档评审校验
2.2 开发与实现智能增强：核心代码AI原生开发
2.3 发布与测试智能进化：流水线门禁与BUG修复
2.4 交付合规：AI 驱动全量技术文档评审校验
3. 关键实现与实战踩坑复盘
3.1 整体技术架构：领域知识库 + 大模型 + 流水线深度协同
3.2 踩坑与解决方案
3.2 踩坑与解决方案
3.2.1 代码评审高误报问题：多智能体协同 + 引入领域知识
3.2.2 生成代码风险：双重复核机制 + 合规规则前置校验
3.2.3 Bug 修复泛化差：场景化样本积累 + 人工兜底分级机制
3.2.2 生成代码风险：双重复核机制 + 合规规则前置校验
3.2.3 Bug 修复泛化差：场景化样本积累 + 人工兜底分级机制
3.3 人机协同的落地原则与管控流程
4. 落地效果与量化收益
4.1 质量收益：深层并发缺陷检出率提升与线上故障率下降数据
4.2 效能收益：核心模块开发周期、Bug 修复时长的量化提升
4.3 成本收益：人工评审、文档校验环节的人力节省情况
4.2 效能收益：核心模块开发周期、Bug 修复时长的量化提升
4.3 成本收益：人工评审、文档校验环节的人力节省情况
5. 总结与展望
5.1 核心实践经验总结
5.2 后续 AI 赋能研发的探索方向
5.2 后续 AI 赋能研发的探索方向
听众收益：
1. 收获一套金融级核心系统AI4SDLC的工程化落地方法论
2. 掌握高误报、高风险场景下的关键避坑经验与分级兜底策略
3. 获得金融强合规场景下AI效能与质量的量化对标参考
1. 收获一套金融级核心系统AI4SDLC的工程化落地方法论
2. 掌握高误报、高风险场景下的关键避坑经验与分级兜底策略
3. 获得金融强合规场景下AI效能与质量的量化对标参考
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
