AI 改变了工程师的工作方式，单纯写代码的价值在降低，不同岗位之间的边界也变得不再清晰，本次分享基于飞猪团队两年的实践经验，讨论工程师如何从完成需求转变为解决问题。会介绍几个具体的转型案例：全栈方向搭建了供应链对接平台，覆盖三大业务线；产品方向在没有专职产品的情况下完成 AI 平台的完整建设；体验治理方向把线下走查改造成数据化跟进体系；数据方向建立了从底层到应用层的完整方案。 并重点讨论三个问题：AI 创造了哪些新的可能性，工程师如何利用 AI 拓展能力边界，转型过程中会遇到哪些实际困难以及如何应对。

演讲提纲

1. 机遇与挑战并存
   • AI 时代的岗位变化：从"写代码"到"解决问题"的转变
   • 真实挑战：AI 工具已能写出比人更好的代码，只写代码性价比降低
   • 新机遇：AI 模糊岗位边界，工程师可以做更多 +X 的事情
   • 核心观点：保持专业核心优势，善用 AI 横向扩展能力
2. 从岗位到能力的思维转变
   • 大公司岗位细分的困境：专人专岗 vs 现实协作成本
   • 团队转型思路：把团队当产品迭代，从前端升级为产品工程师
   • 关键原则：补位但不越位，用 Hacker 方式解决合作方不好做的事
3. 转型实践案例
   • 全栈工程师转型
     • 业务背景：供应链 N→N 烟囱架构问题
     • 技术方案：N→1→1 业务网关架构
     • 核心踩坑：从平面视角到链路视角、长链路问题排查
     • 产品化创新：AI 预生成代码 + 完型填空调试
   • 产品工程师转型
     • 核心观点：AI 落地是业务场景的工作流解决方案，不是单纯调用
     • AI 应用平台建设：无专职产品情况下的全流程建设
     • 内容生产方案：不同平台的差异化处理、版权合规的工程化
   • 体验治理转型
     • 痛点：线下走查难量化、趋势看不清
     • 解决方案：多源数据整合 + AI 分类 + 线上化治理
     • 核心价值：可量化改善效果，指导产品迭代
   • 数据工程师转型
     • 核心理念：能发现问题、提供指引才是数据产品
     • 技术体系：底层统一指标 + 中层搭建能力 + 上层数据产品
     • 产品创新：埋点可视化、流量分析、实时看板
4. 转型方法论与思考
   • 发展路径：前端从页面 UI → 工程化 → 全栈+AI → 解决方案
   • 下一代工程师关键能力：技术品味、发自内心的激情
   • 给听众的建议：找到适合自己的横向扩展方向

您认为，这样的技术在实践过程中有哪些痛点？

• 岗位 Job Model 滞后：现有的岗位定义还是岗位工程师，但实际工作已经涉及多个工程师领域，横向扩展的能力在述职和晋升时不好衡量。
• 管理者认知差异：不少管理者对岗位变化的理解需要时间，还是习惯用传统方式管理团队。
• 深度与广度的矛盾：做横向扩展会占用钻研本专业的时间，容易哪边都做不精。

听众收益

• 分享 AI 在业务中的四个落地场景：AI Coding 如何提升研发效率、AI 应用平台怎么从零搭建、AI 在体验治理中的应用、数据分析的智能化实践
• 讨论工程师如何利用 AI 拓展能力边界，从完成需求到解决问题的转变，以及转型中遇到的 Job Model 滞后、晋升标准不匹配等实际问题和应对经验。

在AI Coding帮助下，美团的非技术同学构建了3000个以上的持续在使用的应用，不仅极大的节省了研发的资源，而且用户自己构建的工具更加符和自身的需求和使用场景。本次分享，为大家带来了其中优秀的案例、相关的工具及技术实现、运营推广的重点以及由此带来的产研流程变化。

1. 非技术用户为什么要需要 AI Coding
   • 非技术同学的需求困境
   • 为什么 IDE 类产品无法满足
2. 基于NoCode的非技术用户 AI Coding 实践
   • NoCode产品及功能介绍
   • 实践历程一：兴趣与探索
   • 实践历程二：使用场景的涌现
   • 实践历程三：与业务的深度融合
3. 成果及优秀案例
   • NoCode在美团的使用现状
   • 优秀的实践案例分享
4. 未来的演进方向
   • 未来产品能力的迭代
   • AI Coding带来的行业变化展望

您认为，这样的技术在实践过程中有哪些痛点？

• 如何解决非技术用户对于研发基础认识问题。

听众受益

• 非技术用户 AI Coding 的可行性及实践思路
• 相关工具建设的思路
• AI Coding 下新的产研流程的变化的思考

随着 AIGC 内容爆发与对抗成本降低，传统“识别-拦截-人工修改”的内容安全模式正遇到效率与体验瓶颈。本次分享将介绍快手如何以大模型与 Multi-Agent 技术重构内容安全范式：构建“精细拒绝—AI修复—自动过审”的生成式闭环，多智能体协同实现审核、回扫、验真等流程自动化，显著提升安全治理效率与创作者体验。同时，大模型也带来了组织层面的跃迁，产品、算法、运营、研发等岗位从“规则维护”升级为“AI-Native协同”，形成以 HITL（Human-in-the-loop）、大小模型协同、MLLM as Judge 为核心的增强型安全体系，为企业构建 10x 的治理效率和未来进化能力。

演讲提纲

1. 大模型带来的生产力变革：内容安全的新挑战与新范式
   • 技术出现“不连续性”：传统经验不再适用
   • AIGC内容井喷：创意门槛消失，安全边界模糊
   • Prompt攻防：低成本对抗的新战场
   • Scaling Law下的“模型平权”：小团队也能玩大模型
   • AI带来的“马太效应”：强者愈强，弱者愈弱
2. 组织架构重构：AI驱动产运研角色持续向价值链上游升级
   • 产品工程师：从“PRD设计”到“AI-Native产品范式”
   • 运营工程师：从“写规则”到“Prompt Engineer”
   • 算法工程师：从“风险识别”到“内容理解+生成”统一
   • 数据工程师：从BI报表到“AI数据飞轮”构建者
   • 研发工程师：从“写代码”到“Vibe Coding + AI Copilot”
   • 组织效率：从“师级单位”到“AI合成旅”
3. 协同模式升级：构建“人机协同”的AI增强型安全系统
   • 大小模型协同：效率与效果的“双轮驱动”
   • Multi-Agent编排：构建“多模态安全大脑”
   • HITL（Human-in-the-loop）人机混合协同
   • MLLM as Judge：让大模型成为“AI质检员”
4. 未来展望：打造AI-Native型安全组织
   • 从“被动防御”到“主动免疫”：构建主动进化、主动修复的安全系统
   • 从“人机协同”到“人机共生”:It is not for you，it is you
   • 给听众的3个行动建议

听众收益

1. 大模型和商业应用的有机结合，背后的思考逻辑
2. 内容安全领域的最新前沿技术实践经验
3. 大模型通过内容理解+内容生成的生产力变革，重塑垂直领域生产关系