论坛主席：神秘嘉宾

敬请期待

Harness Engineering（驾驭工程）

本论坛探讨如何通过驾驭工程搭建AI Agent的可控运行框架，平衡AI自主执行与安全合规的核心矛盾。聚焦驾驭工程核心体系，分享OpenAI、Anthropic等企业在沙箱环境搭建、结构化知识注入、刚性约束定义等实践案例。重点剖析如何构建“沙箱环境+工具赋能+自动反馈+持续治理”一体化体系，实现“人定方向、Agent执行”的人机协同模式，让AI稳定、高效完成复杂任务，推动AI技术从实验室走向规模化产业应用。
Claude Code + Superpowers 实战:
把 AI 编码助手驯成单人全栈生产力
魏 帅
北京火山动力网络技术 高级架构师
内容简介：
AI 编码助手让"单人全栈"重新变得可行,但默认用法常常带来新的混乱:规范不统一、流程被跳过、测试事后补、Bug修复夹带无效代码,效率被返工吃掉。
本议题分享基于 Claude Code + Superpowers 沉淀的一套工程化规则体系——通过分层规则、强制TDD、子代理双轮独立审查、测试粒度分级等机制,让单人也能稳定交付 Java/Node 后端 + Vue/React 前端 + iOS/Android/Flutter移动端的完整业务闭环。
内容包含可复用规则模板、Claude Code + Superpowers 的真实项目落地案例与效能数据。

演讲提纲：
1. 问题:AI 让全栈可行,也带来新混乱
2. 方法论:规则即法律 —— AI 编码的"治理"范式
核心论点:AI 交付不稳,不是模型能力问题,而是缺治理。用法要从"提示词工程"升级为"流程治理"——给 AI 一部可执行的宪法 + 执法 +审计。具体落成一套"AI 治理四权模型":
  - 立法:分层规则按作用域自动叠加(全局 → 语言级 → 项目级),只写"为什么"而非"做什么",让 AI 能泛化。
  - 执法:不可逆的破坏性操作不托付给 AI 自觉,用 Hook 在执行层物理拦截——文档里的是建议,Hook 里的才是法律。
  - 司法:实现者不能当自己的法官,需求审查与代码审查由两个独立子代理分别完成。
  - 传递:子代理读不到宪法,规则只有被注入 prompt 才生效——"规则没送达执行者"是多代理协作最隐蔽的事故源。
3. 贯穿前后端 + App 的六条核心规则
这六条能跨栈通用,因为它们治理的是"AI 该怎么干活",而非"某语言怎么写"——这正是单人全栈稳定交付的关键:
3.1 TDD 铁律:没有亲眼跑出的失败测试,不写一行生产代码。
3.2 删除而非注释 + 重构即清理:去功能连根删,不留注释尸体。
3.3 Bug 修复最小改动:逐行自查 diff,回滚所有失败尝试代码再提交。
3.4 删除前安全检查:删文件先查全部引用与配置声明,不可逆操作交 Hook 兜底。
3.5 逻辑复用与分层约束:重复逻辑强制抽取,工具类下沉禁止越层 import。
3.6 子代理护栏与规则传递:派子代理必带文件操作护栏,返回后强制 diff 验证。
贯穿全局的元规则是测试粒度分级:按改动"爆炸半径"决定测试范围,让严格纪律的成本可控,单人也能长期维持——这是"单人全栈可持续"的真正支点
4. 完整案例实战:用 Claude Code + Superpowers 从 0 到 1 交付一个全栈业务模块
5. 量化收益与避坑        

听众收益：
1. 覆盖前后端 + App 的可复用规则模板,会后可直接 fork
2. AI 编码工具从"提示词调优"升级到"流程治理"的方法论
3. Claude Code + Superpowers 在单人全栈场景下的真实操作范式
4. 子代理协同与双轮独立审查最佳实践        
16 年研发经验，前京东 T8。早年主攻 iOS 客户端，主导过多个大型 C 端 App 的架构演进；近两年深入 Flutter跨端开发，负责招聘业务三端（iOS / Android / 鸿蒙）统一架构落地。
过去一年专注于 AI 编码助手的工程化实践，基于 Claude Code + Superpowers 沉淀了一套覆盖 Java/Node 后端、Vue/React前端、iOS/Android/Flutter移动端的规则体系，通过分层规则、强制TDD、子代理双轮审查等机制，让单人也能稳定交付完整业务闭环。
从静态检索到动态自进化：ContextSeek 如何让 Agent 持续提升
汤 庆
北京奥星贝斯 OceanBase技术专家
内容简介：
本分享聚焦 Agent 系统的上下文核心瓶颈：数据接入在增长，能力却难以持续提升。我们提出 ContextSeek，通过统一语义层将 memory、trace、knowledge、skill 映射为可检索、可追溯、可关联的上下文对象，并沿 raw→extracted→knowledge→skill 持续进化。你将看到它如何把一次性任务产出转化为长期可复用资产，降低重复错误，提升多 Agent 协作质量与系统级复利

演讲提纲：
第一章：为什么 Agent 需要“动态上下文”
1.现状：数据接入越来越多，但能力增长缓慢
2.症状：重复犯错、经验难复用、协作链路断裂
3.根因：静态检索补信息，但不沉淀可复用能力
第二章：ContextSeek 的自进化方法与实践
1.统一语义层：将 memory / trace / knowledge / skill 映射到统一对象
2.ContextItem 能力：可检索、可追溯、可关联
3.演进路径：raw → extracted → knowledge → skill
4.工程实践：渐进式接入、证据链治理
第三章：总结与展望——从“可用”走向“持续进化”
1.总结：ContextSeek 的核心价值不在“接更多数据”，而在通过统一语义层让上下文可检索、可追溯、可关联、可进化，把一次性任务结果沉淀为长期能力资产。
2.展望：
-从单体优化到群体学习：一个 Agent 的有效经验可被其他 Agent 继承，而不是重复试错。
-从知识演进到系统涌现：多个 Agent 在统一上下文层上协作，形成跨任务、跨角色的整体智能增益。
3.结语：让 Agent 从“任务执行器”升级为“能力成长体” 。

听众收益：
1. 学会用统一语义层重构 Agent 上下文，把 memory/trace/knowledge/skill 从“信息碎片”变成“可进化能力资产”。
2. 掌握一条可落地的演化路径：从静态检索升级到动态自进化，并进一步走向多 Agent 的群体智能协作。
曾任职于商汤科技，现就职于OceanBase，主要从事OceanBase 数据库的 AI 生态建设工作，包括技术布道、AI 生态探索、开发者赋能、工具链优化等工作。
Harness 工程在企业研发中的落地实践与效能提升
郭 涛
浪潮 云计算研发技术负责人
 高级架构师 
内容简介：
本议题聚焦生成式 AI 时代下，规范驱动开发（SDD） 如何解决企业研发中的需求模糊、沟通低效、AI 生成代码质量不稳定等痛点。内容将从 SDD 核心理念出发，剖析其 “先规范后实现” 的方法论如何重构传统开发流程，形成以规范为唯一事实来源的协作模式。结合金融、互联网等行业的真实落地案例，讲解企业从试点验证到全团队推广的三阶段实施路径，包括规范模板设计、评审流程搭建、AI 工具链适配等关键实践。同时探讨 SDD 在降低 API 契约漂移、减少返工、提升并行开发效率上的量化收益，并分析落地过程中的常见挑战与应对策略，为企业实现研发效能跃升提供可复用的实践范式。        

演讲提纲：
理念重构：AI 时代为何需要 SDD？ 对比传统开发与 SDD 的核心差异，解析 SDD 如何解决需求歧义、沟通损耗与 AI 生成代码不可控的问题。
实践拆解：企业级 SDD 落地的关键动作 包括可复用规范模板库搭建、跨角色评审机制建立、Spec-Kit 等工具链适配与 AI 辅助规范生成技巧。
效能量化：SDD 带来的真实业务价值 分享案例中集成周期缩短 75%、返工率降低、并行开发效率提升等量化成果，以及长期维护成本的优化效果。
避坑指南：SDD 落地的挑战与应对方案 剖析规范编写成本、团队接受度、AI 适配难题等常见障碍，提供可落地的应对策略与组织文化建设建议。

听众收益：
1. 理解 SDD 的核心理念与方法论，掌握其在 AI 辅助开发场景下的核心价值与适用边界。
2. 获得一套可直接复用的企业 SDD 落地方案，包括实施路径、流程模板与工具选型建议，降低团队引入成本。
3. 学习如何通过 SDD 优化团队协作模式，减少需求与实现偏差，提升 AI 生成代码质量，实现研发效能的可量化提升。
拥有 10 年以上企业级软件研发与架构设计经验，长期负责云计算和AI相关的产品研发。主导过多个大型团队的敏捷转型与规范驱动开发实践，对 SDD 方法论在不同行业的落地有深刻理解与丰富经验。擅长将前沿技术理念转化为企业可执行的实践方案，帮助团队解决需求沟通低效、代码质量不稳定、AI 开发难以规模化等痛点，助力组织实现研发效率与交付质量的双重提升。
Harness 驱动的质量闭环：
一个 QA 在全员 AI Coding 团队的实战
贾澄臻
记忆张量 测试负责人
内容简介：
我们团队全员 Vibe Coding——需求 AI 写、方案 AI 审、代码 AI 出。听着效率拉满，但出了 Bug 才发现老流程兜不住：AI 写的代码更分散、Bug 更隐蔽，传统""测完提单等排期""的节奏根本跟不上。
怎么办？我们的做法是把交付闭环压到一个人身上。先是用我们自研的基于记忆能力的意图驱动框架，用例不写裸 HTTP，而是 Intent → Spec → Step → 语料四层分工，接口文档直接当契约，成功响应自动做 key 级结构对比，漂移当场现形。基础契约用例跑完之后，集成回归这步也交给 AI——AI 根据代码 Diff 和已有的业务经验库，生成回归建议和场景用例草稿，人来 check 哪些要跑、哪些要补、哪些可以跳过，不再靠拍脑袋决定回归范围。第二个是拿 AI 打 AI：测出 Bug，把报错和代码 Diff 喂给 AI 做定位，实测一段业务逻辑bug，样式等问题，AI 10 秒就能锁定到具体行号。第三个是 QA 直接拉代码改：借助AI改完bug后，本地 build + 重启 + 跑用例验证，全程 5 分钟，一个人干了测试、定位、修复、验证四个角色的活。踩过的坑和契约约束沉淀成特性矩阵，搜索隔离这种 P1 盲区就是矩阵审计时探索出来的，随着业务迭代场景用例不断完善，保持新鲜。

演讲提纲：
1. 全员 AI 团队的质量困境
1.1 AI 写代码大家都会了，但写完谁兜底——传统流程太慢，等排期等到下个版本都出了
1.2 我们踩过的坑：契约悄悄变、数据写进代码、前置里藏业务动作
2. 意图驱动框架：验什么和怎么调分开
2.1 意图—契约—步骤—数据，各管一摊
2.2 从「想测什么」到可跑用例，最短路径怎么走
2.3 一条原则：上下文可以隐掉，动作必须能看见
3. 契约左移：文档不是摆设
3.1 文档末尾 JSON 块就是契约，成功响应后自动对结构，漂移当场打告警
3.2 没契约别合并——有人写完用例忘了 Spec 文件，漂移检测直接失效
3.3 契约层和场景层怎么分：单接口形态归 contracts，用户旅程归 scenarios
4. AI 生成集成回归，人做 check
4.1 契约跑完后，AI 根据 Diff + 业务经验库生成回归建议和场景用例草稿
4.2 人怎么 check：3 分钟挑出真正要盯的，决定权在人
4.3 踩坑：AI 给的建议面面俱到但重点不突出，没经验的人会全跑一遍白费时间
5. 魔法打魔法：AI 定位 + QA 直接修
5.1 报错 + 代码喂 AI，10 秒定位到行号——靠谱和不靠谱的场景各是什么
5.2 QA 改代码的边界：样式，业务逻辑错误直接改，底层先对齐再修改
5.3 改完跑用例验证，5 分钟闭环——一个人串起四个角色的活
6. 覆盖不靠感觉，靠矩阵
6.1 特性矩阵：一眼看出哪里没盖住，搜索隔离就是审计时逮出来的
6.2 手工验收和自动化各管哪一段，不重叠
7. 经验别只活在聊天窗口里
7.1 踩过的坑沉淀进记忆系统，下次不用从头问
7.2 飞轮怎么量：对话轮数、生成符合率、重复踩坑次数
8. 收尾
8.1 几个具体坑：前置滥用、语料里写调用、契约没进流水线、AI 建议不删减
8.2 框架核心层业务无关，怎么和现有 CI 共存

听众收益：
1. 一套交付闭环的完整拆解：从 Diff 分析到意图测试、到 AI 出回归建议人做 check、到 AI 定位 Bug 到 QA 直接改代码验证——每一步怎么做、边界在哪、踩过什么坑，会讲得很具体，我们团队现在就是这么在实践的，不是方法论是每天在跑的流程。
2. 契约左移 + AI 辅助回归的可操作做法：文档变契约 + 自动对结构 + 合并门禁，找一个接口就能在自己团队试。集成回归怎么让 AI 出草稿、人怎么 3 分钟挑重点删废话，带团队的人可以直接参考。
3. AI 辅助的真实边界：AI不是万能，会讲清楚 AI 生成用例、定位 Bug、给修复方案各自靠谱和不靠谱的场景，以及用什么机制（门禁、矩阵、人工 review）兜住 AI 不靠谱的部分。
记忆张量 MemTensor测试负责人，全面负责公司产品质量体系的规划、建设与落地。将意图驱动测试（Intent-Driven Testing）方法论引入团队并结合业务深度实践，面向 AI 记忆系统"意图理解—记忆存储—检索召回—个性化响应"的核心链路，建立了一套适配 AI 原生产品特性的质量评估体系。在此基础上，主导搭建了基于业务域分层的意图驱动自动化测试框架，并积极探索人机协同的质量工程新范式——将AI深度融入业务交付全周期，持续推动框架的开源化演进，致力于填补 AI 记忆系统测试领域的工具与方法空白。此前拥有 7 年+互联网大厂质量工程经验，曾在美团负责商家履约业务质量保障，在百度担任用户增长效能负责人，主导无人值守交付体系建设及春晚红包等大型运营活动质量保障，沉淀输出《用增运营活动质量白皮书》。兼具测试架构设计、技术方案落地与团队管理的综合能力。
活动特惠

免费领取大会电子版PPT

京ICP备2020039808号-4

京ICP备2020039808号-4 京公网安备11011202100922号
返回顶部