专题：闭门会议：在 AI 时代的iOS、 Android、鸿蒙生态下，如何做好 Coding 这件事

演讲题目：

AI 时代 Android 开发体验与优秀实践

在业务快速迭代和系统复杂度持续攀升的背景下，传统Android研发模式正面临需求交付效率低、历史代码包袱重、协同成本高等现实挑战。尤其在 AI Agent 加速落地的 2026 年，终端技术栈正在经历一场深刻的范式变革，如何让AI真正融入研发流程、提升工程效能，而不是停留在工具尝鲜和概念包装层面，成为终端团队必须回答的问题。本次演讲将围绕 Android 研发体系的重构与 AI Agent 全链路落地实践展开。首先剖析传统架构下需求交付流程长、效率低、数据回收慢的瓶颈，以及引入 AI 的必要性与切入点。随后分享如何通过 Monorepo 改造、代码仓库索引与知识图谱建设、终端基建 AI 能力建设，为智能化开发奠定工程基础。核心实践部分，将结合项目复盘从 PRD 到交付的 AI 全链路工作流（含 AI 友好设计稿、多 Agent 协作、上下文管理），以及线上运维中的 Crash AI 追踪、客诉分类、三层审查流水线与自动修复，并分享跨端迁移中基于条件映射和 API 知识库的渐进式转码实践。最后通过真实效能数据、踩坑经验，总结 AI Agent 改造的实际收益，并展望 Google Android AI 生态的拥抱方向。

演讲大纲：

1. 痛点与破局：被历史包袱拖垮的研发节奏

• 需求交付的瓶颈
• 为什么必须引入AI

      2.架构重塑：打造适应智能时代的终端基础设施

• AI友好的代码仓库
• 代码仓库索引和知识图谱建设
• 终端基建AI能力建设

     3.核心实践：当Android开发遇上AI Agent

• AI全链路工作流探索
• 自动化线上运维和质量保障
• AI跨端复用能力探索

    4. 成效、反思与未来：拿到了什么结果？

• 效能度量与数据表现
• 踩过的坑与经验教训
• Google AI生态的拥抱

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。

演讲主题：

从个人提效到组织生产力提升：快手 AI Coding 演进实践

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

演讲主题：

Coding Agent 重塑研发效率 · 超级个体篇

研发效率的瓶颈，正在从“写代码速度”转向“任务理解、上下文管理、工程判断和交付闭环”。Coding Agent 的价值，不是替代程序员敲代码，而是重构研发流程中的执行层。

演讲提纲：

1. 一个正在发生的变化
2. 为什么我们需要重新讨论研发效率？
3. AI Coding 的三个阶段
4. Coding Agent 的本质
5. 它重塑研发效率的四个层面
6. 真实工作流案例
7. 不是所有任务都适合 Agent
8. 落地 Coding Agent 的工程化前提
9. 对个人开发者的影响
10.  对研发团队的影响

听众收益：

1.  重构研发工作流
2.  如何配合Agent快速完成产品和项目