出品人：王一男
华为技术专家，华为云智能化DevOps产品专家。拥有北京航空航天大学软件工程专业本科及硕士学位，具备多年软件工程与管理实践经验，专注于通过方法与工具的结合提升组织研发效能。
小红书 云原生基础设施负责人

multi-Agent协同开发框架

聚焦多智能体在软件工程中的协同机制，探讨软工智能体角色分工，任务规划分解，上下文压缩与传递，知识沉淀与检索，异常处理与恢复等关键技术。展示在需求分析、自动编码、测试验证等场景中的Agent协作实践，构建可解释、可调控、可持续演进的智能开发系统。
Building the Future of Multi-agent Workforce
孙 韬
CAMEL-AI 工程师
内容简介：
本次演讲将深入分析AI技术的三个发展阶段：从辅助工具到自动化的单体Agent，再到能够在多种环境和任务中协同适应的多Agent系统。我们将聚焦于技术构建的细节，探讨如何利用底层的大模型、辅助工具、记忆等组件构建复杂的AI系统，并分析这些技术的实际工程实现。        

演讲提纲：
主线叙事将以CAMEL-AI的各项研究项目为核心，重点介绍开源Agent产品Eigent，并在叙述过程中穿插相关背景与细节：
1.AI 技术的发展阶段
1.1从辅助工具到自动化 Agent 的演进
1.2单体 Agent 与多 Agent 系统的差异
1.3典型应用场景案例
2.技术构建的核心要素
2.1底层大模型与推理能力
2.2辅助工具（搜索、计算、插件等）的整合
2.3记忆、反思与任务分解等机制的实现
3.工程实践与挑战
3.1架构设计与模块化实现
3.2系统鲁棒性与可扩展性问题
4.未来趋势：跨领域协作、多模态融合

听众收益：
1.掌握如何在实际工程中利用大模型、工具和记忆机制构建复杂 AI 系统的思路。
2.获得对未来 AI 应用与产业落地方向的启发，帮助规划自己的研究或产品。 
CAMEL AI核心成员，Eigent AI 工程师，是camel和owl两个万星开源项目的核心开发者和维护者，曾任职于百度在线网络技术（北京）有限公司，从事搜索推荐及Agent相关工作。
Agent 研发框架的设计及其在业务全域质效提升中的实践
刘琮玮
腾讯PCG工程效能平台部  工程效能与AI算法研究专家
内容简介：
自2023年大模型诞生以来，我们就持续探索大模型与质效领域的结合，致力于通过模型能力不断拓展我们的能力边界，帮助业务解决更多质效问题。在过去一年中，我们无论是在模型能力的宽度上还是在广度上都取得了大幅提升，将模型能力切实融入到了研发流程的各个阶段，在需求域，代码域，用例域，缺陷域，等多个领域上均切实取得应用成效。与此同时，结合我们的项目实践经验以及对大模型应用的思考，持续探索大模型的研发应用模式，围绕大模型构建研发框架，降低模型应用成本，提升模型研发效率，助力模型能力领域化。在本次分享中，我将详细介绍我们的探索历程，包含实际的研发应用经验，对AI技术的畅想与展望，以及我们在研发过程中沉淀的思考与方法，希望可以帮助大家更好的研发大模型，应用大模型。

演讲提纲：
1. 项目简介：一句话介绍
2. 大模型赋能研发全流程质效提升
3. 项目现状及成效
     3.1. 用例检查与生成，赋能用例质效提升
     3.2. 缺陷检查与分析，严控产品质量风险
     3.3. 需求规范性检查，辅助业务需求治理
     3.4. 代码变更风险识别，助力业务测试左移
4. 技术架构-大模型研发框架
     4.1. 大模型，Agent，AI应用
     4.2. MCP与大模型生态
     4.3. MultiAgent 大模型应用研发框架
     4.4. 模型应用研发示例-人人都能用好大模型
     4.5. 框架技术细节-Prompt 工程
     4.6. 框架技术细节-MCP和能力调度
5. 未来展望
     5.1. Agent的产品化与领域化

听众收益：
1. 可借鉴的“大模型”探索历程
2. 大模型在研发全流程上的质效提升实践经验
3. 可复制的研发应用方法论
4. 大模型落地过程中的思考和经验
5. 对大模型未来的构想和规划        
专注于人工智能(NLP)技术，大数据技术与质效领域的结合，参与过多个质效项目从0到1的研发落地工作，擅长通过引入人工智能技术驱动业务质效改进，具备丰富的人工智能研发落地经验。目前，正致力于通过“大模型”技术驱动业务质效提升，探索质效大模型建设，质效Agent研发与落地，摸索“大模型”技术与质效工作的深度结合，希望通过这些前沿技术推动为业务质量内建与质效提升。
多智能体协同 - 打造智能化驱动的研效提升新范式
于 航
科大讯飞 研发效能产品团队负责人
内容简介：
在当前AI赋能软件工程的浪潮下，我们正致力于打造一个基于多智能体技术的统一研发效能平台，以解决原有系统烟囱式发展的痛点。该平台将多个领域如需求管理、项目管理、测试管理、CI/CD及效能管理等核心能力模块化为独立的Agent助手，每个Agent专注解决特定领域的专业问题。通过Muti-Agent多智能体协同机制，实现场景级问题的端到端智能处理，从需求分析到自动部署的全流程自动化。这一架构不仅提升了系统集成性与响应灵活性，更通过AI驱动为团队效能优化开辟了新路径。

演讲提纲：
1.背景痛点分析：传统研发效能平台烟囱式发展导致数据孤岛与协作效率低下的痛点呈现。
2.核心思路：以单智能体重构子产品，实现能力的模块化与高度专业化。通过多智能体协同框架，打通需求-开发-测试-部署全链路。
3.场景实践：展示单智能体在需求PRD生成、任务拆解、测试自动化的场景的实践,以及多智能体协作的部分场景。
4.问题总结：分享设计过程当中的问题总结，如需求智能体设计开发过程中的难点关键点，多智能体协同时设计开发的难点和解决问题的过程。
5.趋势展望：描述多智能体协作对未来研发模式提升效能的可见性，助力研发智能化转型,打造软件研发新范式。

听众收益：
1. 对未来研发效能智能化的发展方向有一定的认知
2. 对未来研发效能智能化的产品建设方向有一定的参考
华为云MVP（最具价值专家）、华为云享专家
中国DevOps社区理事会荣誉理事
信通院云大所标准制定专家组 专家成员，参与信通院《面向行业场景的软件研发效能成熟度模型 第1部分：汽车行业》标准制定、《面向软件系统的平台工程能力要求》标准制定。
用AI Agent与知识库重塑遗留系统迁移范式
张思楚
Thoughtworks Technical Principal
内容简介：
本议题将深入剖析一个极具代表性的企业难题：如何高效、高质量地将一个运营超过20年的CMS系统迁移至新平台。当原始代码和数据库已成“黑盒”且无法读取时，传统的ETL（抽取-转换-加载）工具和人工平移方法将面临巨大挑战，不仅效率低下，且难以实现内容的结构化与美化升级。
针对这一痛点，本演讲将提出一个基于前沿大语言模型（LLM）驱动的创新解决方案。我们利用Langflow作为可视化的AI工作流编排中枢，串联起多个Agent与外部工具MCP，构建了一个端到端的内容迁移自动化流水线。

演讲提纲：
核心挑战：从“黑盒”到“智能迁移”
传统方法的困境： 传统迁移方法需要耗时耗力地进行逆向工程，破解老旧系统的“黑盒”，成本高昂且风险大。
AI 解决方案：不破解代码和数据库，而将重点转移到用户可见的页面内容，将“代码结构”问题转化为大语言模型擅长的“内容理解与重构”问题，从而解耦底层代码依赖。
第一幕：勘探“黑盒”——AI 驱动的自动化流水线
引子-挑战： 老旧CMS的传统迁移在成本、周期、质量上都陷入困境。AI方案能将迁移周期从一年缩短到四个月，程序转换时间从 40 周缩短到 10 周，测试时间缩短 85%。
第一式-AI 当“侦探”： AI Agent 能像侦探一样自主推理，通过多 Agent 协同和MCP调用，自动生成高效的爬取策略，将复杂任务分解成可执行的子任务。
第二式-可视化编排： 利用 Langflow 的可视化界面，通过拖拽将 Agent 与内容下载工具连接，构建稳健、可维护、可扩展的自动化流水线。
第二幕：点石成金——让内容重获新生
第三式-智能“翻译官”： Gemini Agent 可理解 DOM 语义，而非简单替换标签，从而生成干净、结构化的 Markdown 内容，并重构关键信息。
第四式-经验即规则： 通过构建 Context 知识库，将人工美学和编辑经验（如标题格式、图片处理、关键词高亮）转化为 AI 可执行的语言指令。
第三幕：价值飞轮——从技术实践到商业启示
成果与价值-不止于迁移，更在于创造： 相比传统方法，AI 驱动的迁移项目效率提升 3 到 4 倍。70% 的迁移工作由 AI 自动化完成，20%由 AI 辅助，仅 10% 需人工手动修改。
“AI+人”协同的工程哲学：本案例构建了持续优化的价值飞轮：建立 “AI生成→人工审核→优化规则→知识库沉淀→AI增强”的持续闭环，让每次人工反馈都转化为知识库规则，推动系统智能不断升级。
核心启示： 这种模式将人类智慧转化为可无限复用、持续进化的知识资产，确保所有内容风格和质量保持一致，同时实现指数级的效率和质量增长。

听众收益：
Langflow的“黑盒”可视化与编排：Langflow通过其拖拽式的可视化界面 ，将一个复杂的、多阶段的AI任务流，转化为可被任何人理解和协作的流程图。这极大地降低了AI工程的门槛，使得非专业开发者也能参与到AI工作流的构建和优化中来。
Agent + RAG + MCP的创新组合：这三种技术的结合并非简单的技术堆砌，而是为了解决“黑盒”迁移和“内容重塑”这一特定工程难题而精心设计的架构。Agent负责自主执行任务，MCP提供标准化的工具接口，RAG则赋予了系统持续学习和优化的能力。这个组合展现了对前沿技术的深刻理解和将它们融合应用于实际问题的实践能力。
“重塑式”搬迁的业务价值：该议题超越了传统的“数据平移”思维，通过内容的“美化”和“更新”，证明了AI迁移不仅是成本中心，更是一个可以创造新价值的工具。它回答了企业关心的核心问题：AI能否为传统业务带来新的增长点？本案例通过技术方案证明了这一点。
Thoughtworks的技术负责人Sichu Zhang，他拥有超过20年的全栈工程和企业架构经验 。作为一名资深技术领导者，他擅长设计和交付任务关键型数字平台，并在云原生微服务、DevOps与工程效率等领域拥有深厚的实践积累。
他也是Thoughtworks内部AI赋能工程的先驱和倡导者。他曾发起并领导“AI能力增长”计划，推动GitHub Copilot在公司内部的落地，并取得了显著的量化成果，例如将使用Copilot的任务周期时间减少了约15% 。
曾在QCon北京、Top 100全球软件案例研究峰会、Google开发者社区（GDG）和AWS用户组（UG）等顶尖技术社区和行业会议上发表演讲 。他的主题涵盖数字化转型、精益工程和研发效率等。同时，他还是三项web技术相关专利的发明人 。
京ICP备2020039808号-4 京公网安备11011202100922号
返回顶部