快手自研代码大模型 Kwaipilot 正式发布，截止到目前，新增代码的AI生成率达20%。通过构建代码形式化表征和逻辑推理，实践 MoE 架构、“编码即标注”数据飞轮，在快手私域代码的理解和生成场景上，表现优于外部模型，自研代码续写模型 KwaiCoder-23BA4-v1 达到行业 SOTA 水平。

本次演讲将从数据收集、模型训练、产品交互、落地实践多个维度介绍在快手研发领域落地代码生成大模型的实践经历。以及如何激发与结合大模型的推理能力，有效利用研发环节中的暗知识，完成研发场景下的端到端需求生存任务。

演讲提纲：

1. Kwaipiot在哪些研发场景下进行了AI研发提效？
   • Kwaipiot在代码生成，端到端需求交付领域的应用
   • Kwaipilot在智能cr，测试生成，智能 oncall 场景的应用
2.  Kwaipilot 如何协调模型和产品的关系，打造最佳用处体验的研发提效工具
   •  如何平衡模型的推理成本与性能
   •  如何结合使用场景构造大模型训练需要的语料数据
   •  哪些因素在影响产品最终的用户体验？
3. 总结与展望

听众收益：

• 了解大模型可以在哪些研发流程赋能
• 了解如何转起数据飞轮不断提升模型能力
• 学习如何使模型具备自我反思与推理能力

随着 GitHub Copilot、Cursor 等工具的日益普及，越来越多的代码开始由 AI 产生。但现有模式始终困于「Copilot」范式——开发者仍需深度介入上下文、逻辑设计与调试纠偏。这种半自动化协创虽提升局部效率，却未能真正释放 AI 的工程潜能。

本演讲将从 Copilot 的历史讲起，与听众探讨未来 Agent 如何演进，介绍当前 Coding Agent 赛道的主要方向。并讨论在 AI 重度参与软件工程过程中后，开发者在其中的位置，以及在 AI 加速软件开发过程的情况下，软件质量所碰到的挑战。最后，将介绍 Gru.ai 在开发 Coding Agent 方面的一些实践经验。

演讲提纲：

1. 大模型时代，软件工作流如何变化
   • AI 参与软件开发过程的三种形态
   • Copilot 发展史
   • AI 的能力边界
2. 大模型时代，软件质量的新挑战
   • 更多 AI 写的代码，更快的交付，那质量怎么办
   • Code Review 能解决问题吗？
   • 构建 AI 时代的测试体系实践
3. Gru 构建 Coding Agent 实践
   • 为什么需要自建 AgentOS 
   • Agent 公司的工作核心：构建有效的上下文
   • 如何处理 Agent 与底层模型的关系
4. AI Coding 总结与展望

听众收益：

• 通过 Gru 团队使用 AI 踩坑的过程，了解大模型的能力边界，以及在这种边界下人与 AI 如何分工协作
• 在 AI 产生的代码越来越多的情况下，软件工程过程如何变化，软件质量如何保障
• 了解 Coding Agent 的架构选择与开发中的取舍

本演讲将分享利用 AI 技术打造开源 AI Chat 应用 LobeChat 并获得 59K Star 的实践经验。我们将深入剖析如何将 AI 融入产品设计 & 研发全流程：例如从 AI 生成单元测试提升代码质量、实现自动国际化；从 AI 辅助技术架构决策提高选型效率，到 AI 参与项目架构设计，解决技术难题。通过真实的应用 AI 研发的演进案例，展示大模型如何赋能产研团队，实现高效率、高质量的产品研发，为开源社区贡献优质解决方案。

演讲提纲：

1. LobeChat 项目背景与成长历程
   • 项目从 0 到 59K Star 的成长历程
   • AI 在产研中的角色定位与协作模式
2. AI 驱动的研发效能提升实践
   • AI 生成单元测试：测试覆盖率提升与质量保障
   • 国际化(i18n)实现：多语言支持的快速实现方案
3. AI 赋能技术决策与架构设计
   • AI 辅助技术架构选型
     • 结合 AI 生成代码的决策方案
     • 技术选型的实践案例分析
   • AI 参与复杂领域架构设计
     • 大规模系统设计中的 AI 协作
     • 前沿架构模式的 AI 辅助实现
4. 经验总结与未来展望

听众收益：

• 掌握将 AI 融入产品研发全流程的实用技巧，提升 50% - 100% 的研发效率
• 了解如何结合 AI 辅助完成复杂架构设计和技术选型，降低决策风险
• 获取开源项目从 0 开始增长的实战经验，学习如何利用 AI 打造高质量产品