AI Coding 降低了从需求到代码的转化成本，研发链路的生产节奏正在被重新拉快；但稳定性保障链路并不会自动提速：测试覆盖、风险识别、线上告警、根因定位、止损决策，仍然大量依赖人打开平台、拼接线索、分析原因、修复问题。AI真正带来的冲击是研发生产吞吐提升后，和传统稳定性监控处置体系吞吐跟不上的矛盾。

本次分享将结合快手大前端稳定性 Agent「柯南 AI」的建设实践，讨论一个现实问题：当线上问题不可避免地发生时，能不能让 AI 自动完成现场聚合、证据补齐、根因假设、处置建议、自动修复和经验沉淀。让大家拥有一个稳定性专家数字同事，让稳定性专家从反复搬运信息、手工串联线索中解放，也让普通研发不再只能“看到一个崩溃，然后从零开始排查”。其中鸿蒙作为 AI 赋能空间最大、工程挑战最新的方向，将是本次分享的重要视角。

演讲提纲：

1. AI 对大前端稳定性保障体系的冲击
   • AI Coding 对研发生产节奏的改变
   • 稳定性保障链路没有同步提速，AI Native的最后一公里
   • 为什么线下前置无法消灭所有稳定性问题
2. 柯南 AI 的定位与分析
   • 面向线上稳定性问题的监控、排障、止损 Agent
   • 核心挑战：碎片信息组织成可推理的证据链，可信、可执行、可验证
     • 多端 / 多栈 / 多信息源
   • 鸿蒙 - AI 赋能稳定性的新战场：稳定性赋能上限更高、做功空间更大行业
     • 技术储备薄 / AI 对鸿蒙知识内化不足 / 系统侧的支持、协同
3. 柯南 AI 的工程关键
   • 端侧基建是根基：上下文决定 AI 上限
     • 鸿蒙稳定性基建举例：JS 泄漏检测 / JS + KMP 循环引用检测
   • 数据资产接入：让 AI 能读懂稳定性现场
     • 鸿蒙 FaultLog 预处理 / 源码服务
   • Skill-as-Code：专家经验如何变成可工程化的资产
     • 按需加载 / 反例驱动 / 版本管理
   • Workflow vs. Agent：线上场景的自主性边界
   • 评测、可观测与回放：让 Agent 迭代有据可依
4. 总结展望
   • AI 重塑稳定性，人的角色变化：稳定性专家、普通研发、稳定性团队
   • 未来展望，自进化数字分身、复杂问题 Agent UX 交互体验

听众收益：

• 学习大前端稳定性Agent可落地路径：如何从告警、日志、堆栈、源码、变更这些已有资产出发，建设一个真正能参与监控、排障、止损的垂类 Agent，包含工程实战经验
• AI 对传统稳定性保障体系的冲突及应对策略，了解AI重塑稳定性体系后人的角色变化