CodeArts Doer 是业界首个商业级研发全流程智能研发平台，通过 6 大研发角色 Agent，实现了企业级项目研发过程中的多 Agent 协同研发，极大提升了研发效率。本次演讲通过产品理念设计、架构设计、真实企业案例实践等多个维度介绍 CodeArts 团队在多 Agent 协作以及 AI 赋能研发体系变革的设计理念、技术实现与实践落地。并针对多 Agent 协作、AI 与工具的关系作出分享与展望。

演讲提纲：

1. CodeArts Doer与多研发Agent协作平台
   • 介绍什么是多研发Agent协作平台
2. 产品理念与技术架构
   • 为什么选择多Agent协作模式
   • 大模型、Agent、用户、工具在ai赋能后的全新生产关系，以及对研发工具的再思考
   • 多研发Agent协作平台架构及关键技术点
3. 多Agent协同模式赋能研发体系，实现效率跃升
   • 结合企业级的真实案例实践，介绍多Agent协同模式带来的提升效果
4. 挑战及未来展望
   • 当前多Agent实践遇到的困难与挑战
   • 未来发展和优化方向
   • 总结

听众收益：

• 了解 AI 赋能下的研发新范式
• 了解华为多 Agent 协作实践

面对金融业数字化进程中的诸多挑战，工程师们往往需要投入大量的时间与精力来修复系统与应用中的各种安全缺陷。一旦其未能妥善解决，可能会对系统造成重大影响，同时影响金融业务的连续性。Fixer.AI 作为汇丰自研的全栈式 AI 安全代码自动修复平台，借助 AI 大模型的能力，自动化识别与修复代码中的安全缺陷，并提供相关验证与优化方案。本议题将围绕 Fixer.AI 的研发背景、核心能力、实践方法等多维度展开分享，带大家深入了解构筑 FinTech 安全防线的第一线。

演讲提纲：

1. 商业银行应用代码安全漏洞修复的挑战
   • 遗留系统与技术债务
   • 漏洞数量与高复杂度
   • 风险优先级与资源限制
2. 基于大模型的应用代码安全漏洞修复方案
   • 漏洞识别与优先级排序
   • 自动化补丁生成与集成
   • 修复验证与持续学习
3. Fixer.AI 安全代码自动修复平台产品演进
4. 总结与展望

听众收益：

• 了解 LLM 代码生成的真实落地场景
• 了解 AI 应用本身的安全和合规要求

一方面，在操作系统运维中，传统运维面临诸多难题，如监控指标繁杂难懂、缺乏现场信息、秒级抖动难查以及无效告警过多等。而改进后的方案引入 AI Agent，提供了集群健康度全景视图，多维度呈现健康分；联合指标分析，结合 MCP 深入诊断 CPU、内存、网络等；指标异常时采集辅助信息，实现自动化诊断；利用持续追踪技术实时采集 CPU 调用栈，针对特定问题开发多种专家诊断工具，有效解决了传统运维困境，助力运维工作高效开展。

另一方面，AI 场景的运维在分布式架构的演进、巨额的成本下也充满挑战。讲解如何通过丰富的指标维度、集群化的监控指标观测、日志告警，实现一分钟极速发现问题，通过常态化 AI 火焰图、集群拓扑和触发式 Profiling 剖析、AI 诊断，完成五分钟高快速定界和定位问题，高效运维 AI 场景。

演讲提纲：

1. 传统运维面临的问题
2. AI Agent 在OS运维应用
3. AI Profiling高效运维实践
4. 典型案例分享

听众收益

1. 深入了解 AI Agent 在操作系统运维中的创新应用，听众将了解如何利用 AI Agent 解决传统运维难题，包括监控指标繁杂、问题分析困难、秒级抖动问题难以排查以及无效告警过多等问题
2. 听众将接触到内存诊断、调度延时诊断、load 诊断、网络抖动和丢包诊断等专家诊断工具，以及如何利用这些工具和技术更好地应对操作系统运维中的各种问题。
3. 了解 AI 场景运维的分层方法及案例分享

人类软件开发方式正经历着快速变革。从初始的代码补全，到提供单次问答服务的智能助手，再到具备自主规划与执行能力的Coding Agent，AI辅助编程推动着开发模式发生革命性转变。

伴随大模型迭代速率的提升，Coding Agent产品层出不穷，效果、成本与体验依旧是最为核心的竞争力。在瞬息万变的发展态势下，传统架构及研发流程与AI驱动的新范式发生融合与碰撞。怎样在兼顾效果与成本的基础下，为用户提供最佳的研发体验，是所有Coding Agent产品必须解决的问题。

本次分享将聚焦于Trae Agent的核心设计理念、工程架构优化以及提升研发效率的实践经验。借助具体案例展示，呈现智能助手如何在代码理解、生成和优化等场景中提供有效支持，探讨AI原生应用的研发范式变革以及对未来的展望。

演讲提纲：

1. AI Coding领域的发展趋势
   • 大模型带来的机遇与挑战
   • AI Coding产品的发展与变革
2. Coding Agent技术架构与核心能力
   • Agent架构设计
   • IDE系统集成
   • AI后端工程链路
3. 构筑Coding Agent的核心竞争力，绕不开的三座大山
   • 效果：上下文感知、Prompt设计与调优、代码理解、记忆管理、toolcall优化......
   • 成本：上下文裁剪、Prompt Caching、混合模型、流量调度......
   • 体验：IDE性能优化、模型稳定性保障、端到端体验优化......
4. 从Coding Agent看AI Native应用的研发范式变革
   • 敏捷的PE迭代能力
   • 完善的自动化评测机制
   • 构建数据驱动的飞轮
5. 打造可扩展的生态体系，为研发流程插上翅膀
   • 自定义Agent与MCP集成
   • 内部案例分享
6. 总结与展望

听众收益：

• 了解大语言模型在研发领域的应用，和市面上主流的产品趋势
• 系统理解大模型在实际工程化落地中的挑战与解决路径
• 洞察AI原生应用的研发方式变化，以及未来的技术趋势