随着LLM的上下文语义理解以及生成能力不断增强，AI辅助编码产品已经成为研发同学不可或缺的日常工具之一，Vibe Coding正在形成新的趋势。但是在大型企业的内部研发场景下，这种新兴的研发方式仍然面临着不理解企业业务知识、内部框架、研发规范等问题。本次分享将从知识工程的角度出发，围绕智能研发在企业内部落地的一系列真实问题展开分析与探讨。同时也将结合具体的案例，分享我们在该场景的具体方案，包括GraphRAG、DeepSearch、Wiki生成等。

演讲提纲

1. 智能研发的现状、问题与知识工程解决方案
   • 什么是智能研发
   • 目前智能研发存在的关键问题
   • 知识工程在智能研发中的定位
2. 构建研发知识引擎
   • 知识引擎的架构与核心能力
   • 知识理解与消费
   • 业务知识图谱的构建
   • GraphRAG、DeepSearch等能力建设
   • 文件系统构建
   • 知识生产：业务Wiki构建
3. 落地实践案例与效果分享
4. 未来趋势与方向分析

您认为，这样的技术在实践过程中有哪些痛点？
落地成本较高。

听众收益

• 了解智能研发在企业落地中实际遇到的困难
• 了解企业级知识工程的现状与痛点
• 了解前沿的DeepSearch、GraphRAG等技术方案

软件研发作为大模型落地最成功的方向之一，从代码自动补全、智能问答到Agent，正改变当前的研发流程。然而，当我们将Agent应用于严肃的、线上生产级、存量代码项目时，面临诸多现实挑战，比如AI代码生成的稳定性、知识工程建设以及团队使用门槛等，Agent在企业大规模落地遇到了阻碍墙。
本次分享介绍百度在推动Agent落地过程中的一些实践探索，包括如何推动Rules知识工程建设、典型场景的Agent框架如何选择、厂内的工具如何集成、以及如何通过运营与培训机制实现了研发团队的广泛赋能等，有成功的经验也有踩过的坑。

演讲提纲

1. 从企业落地角度看Coding Agent带来的变化
   • AI代码生成占比的成分变化
   • AI赋予了身份后，融入研发流程带来的变化
2. Coding Agent企业落地的主要挑战与应对实践
   • 知识工程建设（如何大规模推进Rules建设）
   • Agent框架选择（Agent系统需要稳定可控）
   • Agent和人之间的边界（不是银弹，现阶段哪些任务适合Agent处理）
   • 如何大规模推广Agent的使用（运营培训、理念不停的宣贯）
3. 总结与展望
   • Agent是巨大机会，但落地需要长期主义

听众收益

• 认识Coding Agent在企业级研发中的价值与定位；
• 了解Agent落地过程中的关键挑战与应对思路；
• 了解推动Agent大规模应用的组织与运营方法。

由于AI技术发展迅速，平安集团从传统金融研发流程急需转化到AI生产提效的组织变革上来，围绕从需求到编码到测试全流程应用渗透。其中在测试阶段围绕功能用例生成、AI接口自动化用例生成、AI智能造数、AI精准分析四大亮点功能，入库数十万测试用例，大幅提升测试效率。

演讲提纲

1. 变“被动管理”为“主动发现”，构建可演进的API资产智能地图
   • 困境：在DevOps持续交付的高速轨道上，传统API治理正面临资产模糊、依赖混乱、变更无痕、测试无源等挑战。
   • 应对：我们提出在DevOps体系中构建可演进的API资产地图，让测试不再是“事后补丁”，而是成为研发流程中可度量、可优化、可演进的智能资产中枢。
2. 变“拍脑袋”为“智能推演”，构建金融级真实、合规、可复用的测试数据引擎
   • 困境：面对金融系统对数据真实性、多样性与合规性的严苛要求，传统手工造数模式已难以为继。
   • 应对：我们推出基于业务规则建模与AI驱动的数据推演引擎，让测试数据从“成本中心”转型为“质量杠杆”，支撑高并发、高复杂度场景下的可信验证。
3. 变“事后检查”为“测试左移”，构建代码变更的测试智能预判系统
   • 困境：在敏捷迭代节奏下，缺陷发现越晚，场景漏测越多，修复成本越高。
   • 应对：我们引入基于静态分析+AI模式识别的代码变更质量预判机制。将质量保障从“救火” 转向“防火” ，真正实现“在代码提交那一刻，质量已开始守护”。

您认为，这样的技术在实践过程中有哪些痛点？
测试和开发在API协作过程会出现一些割裂现象，双方对系统熟悉程度和技术水平有所差异，会出现部分测试人员无法熟练完成整个自动化测试的AI训练。

您的演讲有哪些前沿亮点？
依托于平安金融背景下API治理+DevOps工具链的底座，在AI热潮中构建可演进、可观测、可提效的API测试质量智能生态。讲述金融体系中传统技术管理向AI转型演进过程

听众收益

1. 你可以了解AI在复杂金融领域自动化测试发挥的实践应用能力
2. 你可以了解智能测试到自主测试的探索到落地
3. 你会发现有生命力的API资产地图是API测试的根基

通用AI研发助手在复杂项目开发中表现不稳定，普遍存在上下文理解偏差、代码生成幻觉、重复性错误等问题。针对这些业务痛点，我们构建了场景化专用智能体矩阵，通过深度理解具体业务场景的工作模式和质量要求，实现了高精度的自动化开发流程。采用模块化智能体架构，每个专用智能体都针对特定重复性工作深度优化，集成多轮验证机制和领域知识库，有效解决了开发效率低下、代码质量不稳定、团队协作成本高等核心瓶颈。实现了从"辅助工具"到"核心生产力"的转变。

演讲提纲

1. 从通用助手到场景智能体的进化
   • 通用AI助手的局限性：幻觉、重复报错、上下文偏差
   • 业务专用智能体的必要性
2. 汽车之家在AI编程的实践
   • 业务组件库的智能识别与复用
   • 如何实现设计稿转代码的90%+精度
   • 多层级验证机制确保代码质量
3. 研发智能体的企业级进化
   • 从“短期对话”到“长期记忆”的转变
   • 企业级项目与团队的长期记忆
   • 赋予智能体高效可扩展的能力
4. 经验总结与未来展望

您认为，这样的技术在实践过程中有哪些痛点？

1. 智能体生成代码的可读性和可维护性仍有待提升
2. 团队需要AI工程调优与传统软件开发的双重技术栈能力

您的演讲有哪些前沿亮点？

1. 90%页面还原度：在D2C设计稿转代码领域实现业界领先的转换准确率
2. 业务组件智能复用与编码规范理解，彻底解决团队协作一致性难题

听众收益

1. 了解 D2C 设计稿生成高还原度、高可用代码的方式
2. 了解如何构建场景化智能体实现开发效能突破