当前软件工程正迈入大模型智能时代，Coding Agent成为破解研发复杂度攀升、人力缺口大等行业痛点的核心抓手。本次演讲将梳理软件工程三大发展范式，解读Coding Agent从辅助到自主的四级演进历程，剖析其关键技术与核心能力，并结合华为Vibe Coding实战案例，呈现其在研发提效中的实际价值。同时客观研判Coding Agent当前的能力边界与人工主导场景，展望多智能体协同、场景化自主学习等未来迭代方向，助力听众把握人机协同研发的核心趋势。

1. 行业趋势：软件工程发展全新变革
   • 软件工程三大发展范式
   • 行业现存研发痛点
   • 行业发展核心共识
2. 演进历程：Coding Agent从辅助走向自主
   • 智能编码四级演进体系
   • 前两代产品核心局限
   • 第三代Coding Agent核心核心特质
3. Coding Agent 关键技术与核心能力
   • Coding Agent 架构
   • 模型后训练
   • Harness 工程
   • CodeBase 代码仓快速理解
   • Skill
   • Coding Agent 能力评测平台
   • 数据飞轮
4. 落地应用：华为Vibe Coding开发实战
   • 高并发业务服务开发
   • 老旧遗留系统重构
   • 规模化落地成效
5. 客观研判：当前能力边界与迭代方向
   • 现阶段成熟落地场景
   • 仍需人工深度主导场景
   • 未来技术重点迭代方向
6. 总结与展望

听众收益：

• 系统理解 Coding Agent 的演进路径、核心能力与技术架构，建立对智能软件工程发展趋势的整体认知
• 借鉴华为 Vibe Coding 的实践经验，掌握 Coding Agent 的典型落地场景、能力边界及人机协同应用方法

AI 深度嵌入研发全流程、重构企业级研发体系，已成为大厂提效的共识方向。小红书在内部构建了面向不同人群的 Coding Agent 矩阵，其中 Muse 承担"面向非研发职能线、全程零代码"的最难一环——从需求表达、架构生成、开发实现到视觉验收、交付上线全链路打通。这种场景下传统 Workflow 编排与单 Agent + 长 Prompt 架构都难以兼顾"长任务稳定执行"和"用户随时介入表达"，对系统架构提出了高可用、高精度、强协作的多重要求。我们摒弃以"对话流"为核心的传统设计，转向以"状态管理"为核心的 agentic 架构：通过双通道人机协作模型分离"陪聊"与"干活"、通过子任务化的上下文工程对抗注意力衰减、通过编程护航在每一步产物上做精度兜底与质量保障、通过分阶段约束注入把企业设计规范与工程合规作为硬约束落地。

目前 Muse 已覆盖小红书全部职能线，在主流 AI Coding 产品中率先实现非研发独立完成从创意到可上线代码的全链路 NoCode 交付，验证了"人机协同新型研发范式"在企业级场景的可行性与工程路径。

演讲提纲：

1. 企业级研发体系重构的视角下，Muse 在做什么
   • Coding Agent 矩阵的整体格局：面向研发的 cli 侧 CodeAgent + harness + 面向非研发的端到端 Vibe Coding 平台
   • Muse 的定位：非研发职能线（PM、设计、运营、数据等）从需求到上线的全链路 NoCode 通路
   • 为什么这是矩阵中最难的一环：用户不会写代码也无法手动兜底，系统必须自己把事情做对
   •  AI 嵌入研发全流程的真实形态：需求理解 → 架构生成 → 代码实现 → 视觉/逻辑校验 → 合规检查 → 交付上线
2. 为什么"企业级 + 面向非研发"的 Vibe Coding 必须重做架构
   • 三个无法回避的架构挑战：长任务一致性、人机协作冲突、创作与交付的双重气质
   • 为什么 Workflow 编排走不远、为什么单 Agent + 长 Prompt 也走不远
   • 企业级确定性诉求与模型概率性输出的根本冲突
3. 架构核心：从"对话流"到"状态管理"的范式转变
   • Workflow 思维 vs Agentic 思维：现实场景天然是状态机而非线性流程
   • Muse 的核心抽象：会话状态、任务状态、产物状态的三层解耦
   • 状态驱动下的恢复、续跑、回滚能力如何保障高可用
4. 人机共创的双通道协作模型
   • Case：用户随口一句"这个颜色好看吗"把整个任务带偏的真实事故
   • 解法：把"陪聊通道"与"任务通道"做物理隔离，由意图识别层做分发
   • 用户感受是"随时能说话"，系统保障的是"任务不跑偏"
   • 踩坑：早期共享上下文设计导致 AI 频繁跑偏，后期通道隔离后稳定性显著改善
5. AI 驱动的智能质量保障：用编程护航替代 Prompt 祈祷
   • Case：AI 不用指定组件库自己"造轮子"——产物级校验与自动修正回路
   • Case：长任务下 AI 越做越偏——子任务拆解 + 上下文压缩 + 结论传递
   • Case：企业知识注入不是"把文档扔给模型"——组件库/设计规范/代码仓的预处理与索引
   • 关键设计：每一次模型产出都要经过"编程层"的硬校验，错了就拦下来不进下一步——这是 AI 时代的"持续质量保障"形态
6. 创作发散 × 交付严谨：分阶段的约束注入与企业合规落地
   • 创作阶段：用户的"赛博朋克风格""动态粒子效果"等 taste 优先
   • 交付阶段：自动切换到严格模式，企业设计规范与工程标准作为硬约束注入
   • 把"研发合规"翻译成 AI 能理解的硬约束：组件库白名单、API 调用规范、代码风格、安全/隐私红线
   • 同一个系统，两种气质，通过阶段化 policy 实现
7. 高可用的工程化保障
   • 长任务的断点续跑与失败恢复机制
   • 上下文爆炸下的注意力管理：动态裁剪、摘要传递、子 Agent 隔离
   • 多用户并发下的资源调度与任务编排
8. 踩过的典型坑与经验沉淀
   • 过度依赖 Prompt 工程，复杂任务下上限很低
   • 共享上下文导致 AI 跑偏，必须做通道与任务级隔离
   • 把 Agentic 当 Workflow 来设计，最终都要重写
   • 知识注入要做工程化预处理，原始 PDF/Figma/代码仓直接喂模型几乎无效
9. 效果与展望
   • Muse 在小红书内部的落地情况与反馈
   • 这套架构对企业级 Coding Agent 的贡献情况
   • 对 Agentic 系统架构演进方向的思考

听众收益：

• 看到一个真实落地的企业级 Coding Agent 矩阵全貌，理解面向研发与面向非研发的两类 Agent 在矩阵中如何分工与互补与融合
• 获得一套面向企业级生产环境的 Agentic 系统架构方法论，理解为什么"对话流"思维不够、"状态管理"才是核心
• 学习人机共创双通道模型的设计思路，掌握如何让用户随时介入而不破坏任务执行稳定性，是"人机协同新型研发范式"的具体可借鉴形态
• 获得 AI 驱动质量保障的实战 case 与解法：组件库约束失效、长任务上下文衰减、企业知识注入等典型问题的处理经验
• 理解如何把企业研发合规要求（设计规范、组件库白名单、安全红线）翻译成 AI 能理解并稳定遵守的硬约束
• 学习面向非研发用户的 Vibe Coding 产品架构思路，包括用户意图理解、任务编排、产物兜底的端到端设计
• 了解 Agentic 系统在高可用层面的工程化保障：断点续跑、上下文管理、异常恢复等关键能力的落地经验

AI Coding 工具正在快速渗透研发流程，但大部分企业的落地仍停留在"辅助写代码"阶段，缺乏体系化的工程方法论。菜鸟 AI 研发效能团队从 2023 年开始推进 AI Coding 落地，AI代码贡献率从 10% 提升至 80%+，部分团队接近100%

在落地过程中，我们经历了从 Vibe Coding 到 Harness Engineering 的演进，以Agent-Friendly的理念重塑了研发效能中的工具平台，并实现了以Playbook驱动的"硅基程序员"托管交付模式。本次分享将完整呈现这条从工具采用到工作流重构的实践路径，以及过程中踩过的坑。

演讲提纲：

1. 从 Vibe Coding 到 Harness Engineering，近3年的认知升级路径
2. 以 Agent-Friendly 的理念重塑需求交付全流程
3. 硅基程序员，实现从 Coding Copilot 到需求的托管交付
4. 研发效能度量的世纪难题与 AI Coding 的价值呈现

听众收益：

• 拿到一套可迁移的 AI Coding 工程化方法论。 分层上下文管理、Playbook 驱动的流程编排、确定性质量门控，可以直接迁移到自己团队的技术栈上
• 理解从 Vibe Coding 到生产级 AI 工程的完整演进路径和踩坑经验。 包括微服务场景的失败模式、上下文污染的解决方案、度量指标的坑
• 获得"硅基程序员"从概念到落地的具体架构参考。 完整呈现一个 AI Agent 如何从 Copilot 级别的辅助工具演进为可托管需求交付的硅基员工

当"文档追不上代码、验证追不上迭代"成为研发效能的天花板，我们需要的不只是更强的 AI 工具，而是全新的工程范式。

本次演讲将介绍蚂蚁自研的智能研发产品的技术内幕，并呈现蚂蚁 AI 研发的演进之路：从 CodeFuse Agent 实现编码提效，到 OpenSpec-Dima 形成跨仓库研发的最佳开发范式，最后通过 ADEV、ADS 系统工程打通全链路研发，实现需求驱动的全链路 AI 可信研发。

这些能力建设已形成可复制的企业级解决方案，从 CodeFuse、muse 等产品的私有化部署到可插拔的 ADS 组件化架构，我们构建了面向不同企业场景的灵活交付能力。最终通过 CodeFuse One 一站式平台统一研发入口，让更多企业客户实现 AI 驱动的研发模式升级，逐步达成从"AI 辅助编码"到"AI 主导交付"，让 Agent 真正成为软件交付的主体。

演讲提纲：

1. AI研发的核心痛点及范式演进必要性
   • 文档追不上代码：ALM需求与代码实现"两张皮"
   • 验证追不上迭代：流水线后置发现问题，返工成本高
2. 技术方案演进历程
   • 个人提效方案：基于CodeFuse Agent，结合MCP、Skills、Subagent等扩展，产品存在放大镜效应。
   • 规范驱动方案：OpenSpec-Dima，SDD四步流程+跨仓库协作，工具平权。
   • 端到端打通方案：ADEV+ADS，协议外化打通DIMA→LinkE→AntCode→ACI，全链路AI研发。
3. Harness Engineering 实践
   • 记忆外化：SkyBase四层记忆+AGENTS.md知识工程
   • 协议外化：ADS标准化+MCP/A2A工具链
   • 技能外化：Fuse市场六大原子组件+OpenSpec-Dima最佳实践固化
4. CodeFuse One一站式平台
   • 双模交互设计：IDE模式（专业开发）+ 对话模式（泛研发）
   • 三种外化统一封装：记忆、协议、技能一体化呈现
   • 复杂后置：自然语言入口，屏蔽底层实现复杂性
5. 范式变革核心洞察
   • 从"即兴创作"到"按图索骥"的认知外化理论验证
   • 从AI辅助编码到AI主导交付的主体态研发

听众收益：

• 了解AI原生研发模式的一个可落地路径：从"写代码"变成"提需求"，用SDD四步规范驱动交付，新人也能快速产出高质量代码
• 了解知识库与AI Coding结合的具体实践
• 了解一站式AI研发的关键思考和蚂蚁方案

AI 代码生成率从 0 做到 30%+，83% 的研发人员开始使用 AI 工具，个人体感提效 20-40%——但需求交付效率并未得到相应幅度的提升。这是快手在 2024 年真实观察到的数据悖论，是本次分享的起点。过去三年，快手在 10000+ 研发人员的组织里，走过了三个清晰的演进阶段：

• 智能化 1.0：以 Kwaipilot 为核心推动 AI 编码工具全员普及，完成从 0 到 30%+ AI 代码生成率的跨越，同时发现了"用 AI 工具 ≠个人提效 ≠ 组织提效"这道核心命题；
• 智能化 2.0：Kwaipilot 升级为 CodeFlicker，以其为载体，从推广工具回到元问题——如何用 AI 提升需求端到端交付效率？通过定义三种开发方法、建立需求 AI 研发成熟度模型（L1/L2/L3），并完成 Agent 架构的四方面升级（并行化、主动性、全闭环、自进化），在标杆团队验证了需求交付周期下降 53%、人均交付需求提升 38% 的结果；
• 智能化 3.0：随着 CodeFlicker 向 MyFlicker 演进，AI 能力从研发横向扩展至全员，从个人效率工具走向组织智能底座。

本次分享将呈现这条演进路径上的关键决策、架构变迁与真实数据，以及一套在大型研发组织里被验证有效的 AI 研发范式升级路径。

演讲提纲：

1. 背景与问题
2. AI Coding 工具的架构演进
   • 快手 AI Coding 工具经历了三个阶段的演进，每一次升级都指向一个更明确的组织目标：Kwaipilot（Code Copilot → Code Agent）：从 IDE 插件代码补全起步，逐步扩展至 AI IDE + CLI，覆盖率从 0 做到 70%+，AI 代码生成率突破 30%。核心发现：工具普及解决了"用起来"的问题，但无法解决"组织提效"的问题，必须在架构层做根本性升级。
   • CodeFlicker（AI 工程师）：针对组织提效的核心命题，完成 Agent 架构四方面的升级：
     • 并行化：从单链路到多层级并行，工具并行→任务并行→Agent 并行，开发者从"串行写代码"变为"并行指挥 AI"
     • 主动性：从被动响应走向主动协同，前置需求澄清与技术方案生成，后置 Auto Fix 与 Agent Review，向"AI 工程师"演进
     • 全闭环：从只管编码到端到端交付可用软件，覆盖 Figma2Code、Browser Use、Vibe Coding 等全场景
     • 自进化：上下文策略与记忆管理，积累项目知识与用户偏好，越用越懂业务场景上线 1 个月内，AI 代码贡献率从 30% 突破 50%+，研发覆盖率达 90%+
   • MyFlicker（AI 工作伙伴）：同一套 AgentOS，能力从研发横向扩展至全员全岗位。Agent Teams 实现多 Agent 并行协作，7×24 持续运行，100+ 公司级 Skills 覆盖全场景，Skills 市场形成组织级自进化机制。目标从"研发提效"升维为"组织生产力提升"
3. 工具演进如何服务于组织目标
   • 工具架构的升级，需要与效能实践和度量体系协同才能真正转化为组织效能。快手的做法：定义三种开发方法（AI 辅助编码/AI 辅助开发/AI 协同开发）+ 建立需求 AI 研发成熟度模型（L1/L2/L3）+ 三层落地实践（个人级/团队级/业务线级）
4. 总结与展望

听众收益：

• 认知升级：理解"用 AI 工具 个人提效 组织提效 ≠ ≠ "这道不等式的深层根因，以及为什么大多数企业的 AI 提效投入止步于个人层面、无法传导 到组织交付能力的提升
• 方法论参考：获得一套从工具普及到范式重构的完整路径，包括三种开发方法的定义与分级、需求 AI 研发成熟度模型（L1/L2/L3）的建立，以 及如何将度量指标从 AI 代码生成率升级为能真正牵引组织提效的核心指标
• 架构洞察：理解企业级 AI Coding Agent 的演进逻辑，架构升级背后的设计思路，以及每一次升级如何对应一个更明确的组织目标
• 实践经验：获得快手在万人规模组织里被数据验证的关键结论与落地过程，包括标杆团队和业务线级的真实案例、踩过的坑，以及 AI 能力从研 发扩展至全员的完整路径

AI Coding、Vibe Coding 与研发智能体正在改变软件生产方式，也重新定义了质量保障的对象与边界。质量保障不再只是验证代码和功能是否正确，而是需要覆盖意图表达、上下文供给、生成过程、智能体行为以及软件运行结果。面对这一变化，传统以脚本和人工为核心的测试模式，正在向 AI 原生质量保障体系演进。

本次分享将从 Harness Engineering 的视角出发，探讨如何围绕测试智能体构建可约束、可观测、可反馈、可治理的质量保障机制。测试智能体并不是单一模型能力的展示，而是由多模型协同、端侧工具编排、执行反馈、证据沉淀和治理机制共同组成的质量执行系统。它能够围绕测试目标完成理解、规划、感知、执行、判定和恢复，并在 Web、移动端、桌面端等不同环境中形成多端闭环。

分享将进一步分析测试智能体工程化建设中的核心挑战，包括认知稳定性、GUI 感知准确性、动作执行可靠性、结果判定可信度以及多模型、多端适配能力。在业务落地层面，将结合腾讯业务实践介绍当前更现实的实施落地路径。

通过本次分享，听众将理解测试智能体并不是传统自动化测试的简单增强，而是 AI 原生质量保障体系中的关键执行与反馈单元。未来的质量工程将从脚本驱动走向目标驱动，从单点自动化走向多模型协同，从阶段性验证走向持续校准，最终形成具备持续感知、持续验证、持续反馈和持续演进能力的新型质量保障体系。
 

演讲提纲：

1. AI 原生质量保障新视角
2. 测试智能体的体系结构
3. 测试智能体的建设挑战
   • 认知层面：稳定性难题
   • 感知层面：准确性难题
   • 执行层面：可靠性难题
4. 测试智能体的业务落地
5. 质量工程新范式

听众收益：

• 理解 AI 原生质量保障的演进方向：看清 AI Coding、智能体研发对测试对象、测试方法和质量体系带来的变化
• 掌握测试智能体的核心架构：了解测试智能体如何通过理解、规划、感知、执行、判定和恢复形成闭环
• 识别测试智能体建设的关键挑战：理解认知稳定性、GUI 感知、动作执行、结果判定、多端适配等工程难点
• 获得业务落地参考路径：了解如何以“基础自动化 + 智能测试”为主体，结合现有质量体系推进测试提效
• 建立质量工程新范式认知：从单点工具视角升级为 AI 原生质量保障体系视角，理解未来质量工程的组织方式和能力边界

本演讲源自蚂蚁数科企业级 AGI 转型的真实实践。面对"多产品、多场景、组合交付"的 ToB 复杂度挑战，团队探索从"AI 辅助"到"AI 原生"的研发范式变革，首创"AGI 研发指数"与"SIGN 成熟度模型"两大度量体系，构建"Agent In The Loop, Human On The Loop"人机协同新范式。内容将完整公开 AGI 研发体系重塑的方法论、组织进化路径及关键踩坑经验，包括 AGI 研发脚手架、多 Agent 研发自主智能体、苏格拉底式六层质量追问、三角组织保障等可落地方案，为技术管理者提供 AI 原生转型的可复用路线图与 ROI 评估框架。

演讲提纲：

1. 从工具到原生：数科 AGI 变革实践之路（破题）
   • TOB 企业的“困难模式”：多产品 × 多场景 × 组合交付的复杂度、多样性挑战；网格化组织，统一赋能难度高、AGI 提效定义不一；
   • 传统做法的局限：AI 辅助仅提升编码速度，流程与组织纹丝不动
   • 解法框架：两大坐标体系 → 研发体系重塑 → 组织全面原生进化
2. 建立两大坐标体系：AGI 研发进化目标拆解
   • AGI 研发指数（纵向 · 面向部门）：研发 AI 驾驭的基础能力 —— 能力深度
   • SIGN 研发成熟度模型（横向 · 面向产研单元）：端到端研发体系 —— 协同链路双轴交叉：从"个人提效"升级为"组织级提效"
3. 人机协同新范：Agent In The Loop, Human On The Loop
   • Agent In The Loop —— 让 AI 进入研发主路径
     • DTazzi 原生工程脚手架
   • Human On The Loop —— 用"约束"把 AI 拉回人设想的路径
     • 典型方案:苏格拉底式六层质量追问
   • 研发范式转变：从工具使用到知识资产化，领域技能多人复用/迭代，范式转变为赋能和把控
4. 组织全面 AI 原生进化
   • 独创SIGN 研发成熟度模型（ L1–L5等级）
   • 三角组织保障：建立AGI 委员会 + 护航员 + 辅导员
   • 文化运营组合拳:氛围、Tokens激励、最佳实践
5. 回答 AGI 的 "R"： ROI探索与避坑指南
   • 为什么 "R" 是企业级 AGI 落地最难一题
   • 数科的ToB企业级 ROI 答卷
   • 关键踩坑与可复用的经验
   • AI 原生 × ToB 技术深度融合愿景

听众收益：

• 一套企业级 AGI 原生研发组织塑造的完整作战地图：包含目标设定、AGI快速能力导入、 L1 到 L5 的升级路径、组织运营保障、价值度量。
• 可复用的度量体系：AGI 研发指数与 SIGN 成熟度模型的完整设计逻辑，可直接用于评估团队 AI 原生水平 
• 人机协同最佳范式：Agent In The Loop, Human On The Loop、六层质量追问等具体实践方法，避免"AI 失控"风险 
• 避坑指南：首次公开企业AGI 落地过程中的关键踩坑与应对策略，节省探索成本 
• ROI 评估框架：如何量化 AI 原生转型的组织级收益，回答企业最关心的投入产出问题 

AI 深度嵌入研发流程，已经不再只是“个人写代码更快”的工具问题，而是企业研发组织如何重新分工、重新编组、重新定义质量边界的问题。华为编译器与编程语言实验室在仓颉团队、编译器团队、标准库团队、昇腾算子迁移团队等多个真实工程场景中持续实践 AI 驱动开发，从三方库开发、工具生成、Crash 稳定性分析、Code Review，到编译器内存优化、标准库性能优化和算子迁移攻坚，逐步形成了从个人提效走向组织进化的方法论。

本次分享以“AI 研发的下半场是组织的进化”为主线，提出三组核心概念：Agent Centric Engineering、Human IO Loop 与 ATM。ACE 让 Agent 从辅助工具走向工程舞台中心，工程师从代码执行者上移为导演、编剧和质量仲裁者；Human IO Loop 用 Human On the Loop 与 Human In the Loop 区分人的治理位和判断位，让 Agent 最大化自主执行，同时把人的注意力集中在目标、边界、风险和可信结果上；ATM 则通过 Ability-based Task Matching，把任务池、人才池、Agent 池和优先级队列连接起来，让团队从固定职能组织转向任务驱动的动态作战组织。

分享还将介绍仓颉团队基于自身 ACE Engineering 经验沉淀并开源的 ACEHarness 系统。ACEHarness 把 Spec Driven Development、状态机工作流、Supervisor 智能路由、对抗式迭代、多 Agent 议场、Git 基线断点、长期记忆和 Skill 扩展等能力产品化，使“会用 Agent 的个人能力”升级为“团队可治理的 Agent 工程系统”。目前该系统已在公司内外部多个百人大型团队中使用，成为 ACE 方法论从团队经验走向工程平台的重要载体。

演讲提纲：

1. 背景判断：AI 研发进入下半场
   • 问题从"工具采用"转向"组织进化"
   • 全球四大 AI 圈层的形成（被遗忘群体 → 浅表应用 → 付费壁垒 → 规则制定者）
2. 个人效率到团队实践：仓颉团队五步走
   • 五步演进路径：局部试用 → 流程重塑 → 组织能力
   • 真实效率数据：三方库开发、工具开发、Crash 分析、文档英文化、API 测试、Code Review
   • ACE 模式的提出：工程师 = 导演 + 编剧 + 质量仲裁者
3. Human IO Loop：让 Agent 自主执行不失控
   • 方法论框架：Human On the Loop（系统可控）vs Human In the Loop（结果可信）
   • 案例一：编译器内存优化（高耦合场景）
     • 前置目标、接口边界、验证环境；Agent 自主执行方案设计 → 实现验证 → 自修复
   • 案例二：Hash 库性能优化（高知识密度场景）
     • 专家 + 实习生 + Agent 临时攻坚队；领域能力可复用
   • 核心原则：Agent 只能稳定改进"可验证的东西"
     • 测试、基准、日志、回归、审查标准是 Agentic 系统的边界
4. ACEHarness：把经验产品化、平台化、开源化
   • 系统能力：Spec 驱动、状态机工作流、Supervisor 路由、对抗式审查
   • Git 基线断点、长期记忆、知识资产沉淀
   • 规模：支撑多个百人大型团队使用
5. ATM：从固定分工到液态组织
   • ATM 方法论：能力标签连接任务池 × 人才池 × Agent 池 × 匹配引擎
     • 案例：昇腾算子迁移（Triton 算子 × AI 语义 × 编译器 IR × NPU 后端三层技术栈）
     • 案例：一周三线需求实战（A 客户 FLA / B 客户延迟 Gap / XX 平台批跑统计）
   • Human IO Loop 与 ATM 的关系：前者定治理边界，后者做最优配置
6. 认知升级：AI 时代的人与组织

​听众收益：

• 理解 Agent Centric Engineering 的核心逻辑：工程师不再只是写代码的人，而是目标、边界、流程和质量的组织者
• 获得 Human IO Loop 的系统化方法：区分 Human On the Loop 与 Human In the Loop，掌握如何让 Agent 自主执行而不失控
• 了解 ACEHarness 如何把仓颉团队的 ACE Engineering 经验产品化、平台化、开源化，并支撑多个百人大型团队使用
• 掌握 ATM 的组织变革思路：用能力标签而非固定岗位来匹配任务、人才和 Agent，形成按需动态编组的液态组织

结合云信 IM 研发多智能体中心的真实建设实践，介绍如何从单点 Agent 试验出发，逐步构建一套面向企业研发场景的智能体平台，并通过能力抽象、上下文治理、任务编排、权限控制、过程追踪和质量评测，让 Agent从“辅助工具”演进为可协同、可治理、可度量的研发基础设施。

演讲提纲：

1. 1. 研发 Agent 的落地现状与关键挑战
   • LLM 驱动下研发工具的演进：从代码助手到流程型 Agent
   • 企业研发提效的新阶段：不是替代单个动作，而是嵌入需求、开发、测试、文档和运维流程
   • IM 研发场景的复杂性：多端、多语言、多仓库、多系统协作与强稳定性要求
   • 单点 Agent 试用的常见瓶颈：上下文不足、工具割裂、任务不可追踪、结果不稳定、收益难度量
   • 企业级落地的核心命题：如何让 Agent 可用、可控、可审计、可规模化推广
2. 云信 IM 研发多智能体中心的架构设计
   • 为什么 IM 研发需要多智能体中心，而不是零散的代码助手
   • 整体思路：围绕研发流程构建统一的智能体平台能力
   • 能力单元设计：将模型、工具、知识、权限和任务模板组织为可复用的执行能力
   • 统一任务与会话抽象：支持不同类型的分析、协作与持续跟进
   • 执行体系设计：支持多任务并行、弹性扩展与稳定运行
   • 工具与知识接入：打通代码、文档、日志、需求、工单和知识沉淀等研发上下文
   • 治理能力建设：权限控制、过程留痕、反馈闭环、统计分析与审计机制
3. 研发全流程 Agent 实践
   • 代码诊断与修复 Agent：面向复杂研发场景辅助定位问题、分析根因并生成修复建议
   • 代码 Review Agent：嵌入研发流程，辅助发现逻辑缺陷、兼容性风险、可维护性问题和测试缺口
   • 文档 Review Agent：面向官网文档、SDK 文档和技术说明，检查准确性、一致性、完整性和发布风险
   • 日志分析 Agent：结合日志、错误信息、版本上下文和代码语义辅助定位线上问题
   • 需求 Spec Agent：将需求输入结构化为目标、边界、流程、异常场景和验收标准
   • 方案生成 Agent：基于需求背景、历史经验和系统约束生成可评审、可落地的设计方案
4. 关键场景落地案例
   • 从线上问题到修复建议：多类 Agent 协同完成问题分析与方案收敛
   • 从需求输入到技术方案：需求理解与方案生成的协同实践
   • 从代码提交到质量把关：代码 Review Agent 在研发流程中的应用
   • 从文档变更到发布校验：文档 Review Agent 的质量保障实践
   • 复杂协同场景下的上下文组织、工具调用和结果追踪
   • 从一次性问答到持续会话：会话沉淀与反馈闭环如何提升任务完成质量
5. 踩坑经验与治理方法
   • 如何降低幻觉：约束输入、限定边界、结构化输出、证据链要求和人工确认点
   • 如何做质量评测：构建覆盖准确率、可执行性、召回率、误报率和任务完成度的评测体系
   • 如何设计人机协同边界：哪些环节允许自动化，哪些环节必须人审，哪些环节只做建议
   • 如何处理安全与权限：访问控制、数据隔离、敏感信息保护和操作审计
   • 如何控制成本和稳定性：任务调度、并发治理、超时中断和失败恢复
   • 如何从单点试点走向规模化推广：从高频痛点场景切入，用平台能力沉淀复用机制
6. 总结与展望
   • 云信 IM 研发多智能体中心的关键经验：场景先行、平台承载、治理前置、评测闭环
   • 研发 Agent 的演进路径：从工具化，到流程化，再到平台化和基础设施化
   • 多智能体协同在 IM 研发、客户支持、运维保障和质量治理中的持续演进
   • 面向未来的企业研发智能化基础设施：更强上下文、更深工具融合、更可信的人机协作闭环

听众收益：

• 认知层面：理解企业研发 Agent 从单点代码助手走向多智能体研发中心的演进逻辑，以及规模化落地的关键阻碍
• 架构层面：掌握研发多智能体中心的核心设计思路，包括能力抽象、任务编排、执行体系、工具接入、上下文治理和权限
• 体系。
• 实践层面：获得网易云信在代码诊断、代码修复、代码 Review、文档 Review、日志分析、需求分析和方案生成等场景中
• 的一线经验。
• 治理层面：了解如何通过评测体系、质量指标、过程追踪、安全审计和人机协同边界，让 Agent 在真实研发流程中可控
• 落地。
• 趋势层面：看到 Agent 如何逐步融入企业研发链路，成为下一代研发基础设施的一部分