AiDD研发数字峰会

论坛主席：丁向惠

京东云数字化效能部质量总监，深耕企业级质量体系建设与智能化测试技术落地，主导京东云全链路智能测试平台与评测体系构建。长期聚焦AI 赋能测试领域，在智能用例生成、自动化测试智能化、大模型及应用评测、研发效能度量等方向有深度实践与行业落地经验。牵头推动测试工具链智能化升级，支撑大规模分布式系统与云原生业务的高效质量保障，致力于通过智能化技术持续提升企业研发质量与效能。

京东云数字化效能部质量负责人

智能测试工具开发与应用

本论坛聚焦智能化测试工具的创新实践与价值赋能，涵盖智能自动化编排、测试效能度量、全链路协同测试等核心方向。分享在智能化场景中借助工具提升测试效率、简化测试流程的前沿实践与标杆案例，推动研发测试范式从传统人工驱动向智能工具驱动转型，助力企业实现质量与效能的双重突破。

AI驱动测试范式演进：
从辅助到自主，构建端到端AI协同交付体系

刘敏

北京兴云数科测试领域研发提效负责人

内容简介：

当前软件测试领域正经历AI技术的深度重构，研发范式持续迭代升级：从规则驱动、MCP、技能化到Harness体系的技术演进，从AI辅助测试迈向AI自主测试，测试载体也从自研智能体、Cursor+规则模式，逐步升级为多智能体协同（Agent Team）形态。在此背景下，测试端到端能力实现跨越式发展，从分段式测试升级为需求、架构、开发、测试全环节AI自主协同，通过自主迭代循环确保交付任务达标。同时，构建配套知识工程体系，依托全量知识反构完成存量知识0到1建设，结合增量知识实时回流与一致性校验，为AI自主交付提供坚实知识支撑，同步针对性解决长程任务落地痛点，助力测试领域实现从“工具革命”到“质量范式革命”的转型，为企业研发数字化升级提供实践路径。

演讲提纲：
1. 测试研发范式的迭代历程：从规则、MCP、技能到Harness的技术演进，以及从AI辅助到AI自主、从单一智能体到Agent Team的形态升级，结合行业实践趋势说明演进核心逻辑。
2. AI驱动端到端测试的升级路径：从分段式测试到全流程协同，详解AI在需求、架构、开发、测试全交付场景的自主协同机制与迭代闭环逻辑。
3. 知识工程体系的构建与价值：存量知识0到1的全量反构建设、增量知识实时回流机制，以及知识一致性校验的实施方法，阐述其对AI自主交付的核心支撑作用。
4. AI自主端到端交付的痛点突破：聚焦长程任务的核心痛点，分享针对性解决方案与落地实践经验，助力企业规避落地瓶颈。
5. 实践总结与未来展望：结合当前AI测试技术成熟度，总结落地成效，展望AI在测试领域的发展方向，贴合AIDD峰会“AI+研发数字化”的核心主题。

听众收益：
1. 明晰测试领域AI驱动的范式演进路径，掌握从AI辅助到AI自主、从单一智能体到Agent Team的转型方法，借鉴技术升级经验。
2. 了解端到端AI协同交付的实现逻辑与知识工程体系的构建要点，可直接参考应用于企业自身测试流程优化，提升交付效率与质量。
3. 掌握AI自主交付中长程任务痛点的解决思路，规避技术落地误区，助力企业快速推进测试智能化转型，契合当前AI测试规模化落地的行业需求。

深耕软件测试领域十余年，先后专注测试工具研发、测试全流程研发提效、研发效能体系度量等方向；同时牵头搭建组织级知识工程体系建设。深度参与关键字驱动测试、软件研发效能国家标准、云上测试平台、智能助手（Claw）基准测试技术规范等多项行业标准与技术规范的编制工作。

基于知识库驱动的AI测试平台TestNexus

刘须华

京东科技测试开发工程师

内容简介：

TestNexus 平台——一个基于知识图谱的 AI 测试智能分析平台。通过构建代码、业务、用例三位一体的知识图谱，结合 Agent+Skill+MCP 架构，实现测试知识沉淀、代码变更影响分析、智能用例推荐等核心能力，推动测试工作从"经验驱动"向"数据+AI 驱动"转型。

演讲提纲：
1、平台建设背景：代码、需求、用例等测试知识分散在不同系统内，形成知识孤岛，导致AI进行测试分析结果不准确，测试经验停留在个人脑中，无法形成组织级资产。
2、平台核心理念：1+N+X (1个Agent+N个业务领域测试Know-how+X个测试Skill技能),引导测试范式转型，由传统的靠个人经验测试进阶到AI+业务knowhow驱动转测试转型。
3、测试知识库建设：公共知识库+个人知识库并轨组合建设，提供人看和AI用的双模式测试知识库。构建测试真正的护城河。
4、经验skill化：内置常用测试skill,提供一句话生成skill的能力,让测试同学的测试经验沉淀成组织级资产。

听众收益：
1. AI驱动测试工具开发
2. 测试知识库建设

主要负责智能化搜推、数据应用产品和AI原生产品工具的质量保障，同时在AI测试领域积极探索，尝试使用AI技术进行测试范式的更新。

大模型驱动：从需求到用例的 AI 自动生成平台实践

赵丽艳

北银金科信息安全部部门负责人

内容简介：

随着研发迭代加速，需求碎片化、用例编写成本高、覆盖率难保障成为测试团队核心痛点。为此我们自研了AI 驱动的需求分析与测试用例自动生成平台，深度融合大语言模型与 RAG 知识库，支持多格式需求文档一键上传，自动完成需求结构化解析、歧义识别、功能点拆解、场景推导，并生成覆盖功能、边界、异常的标准化测试用例，支持导出 Excel/Markdown/ 禅道格式。平台已在多条业务线落地，简单需求用例生成效率提升，复杂需求覆盖率提升，显著降低人工成本、减少遗漏。本次将分享平台架构、关键技术、落地效果与避坑经验。

演讲提纲：
1、背景与痛点：当前金融科技高速迭代下，软件测试面临的行业现状，重点剖析传统测试模式依赖人工经验、标准不统一、效率偏低、质量管控难等普遍痛点，大模型赋能测试的行业诉求愈加强烈。
2、AI智能测试设计：大模型驱动 AI 测试平台，介绍平台整体设计理念，展示一套覆盖测试全流程的智能化解决方案。
3、关键技术突破：揭秘平台落地背后的核心技术体系，分享大模型、规则引擎、智能测算、数据分析、可视化管控五大关键技术，分享AI技术如何支撑智能测试落地。
4、落地成效：展示量化落地成果，分享平台为业务带来的实际价值与竞争力提升。
5、未来规划：结合行业发展趋势，分享平台后续迭代方向与发展蓝图。

听众收益：
1. 可复用的平台建设方案：掌握从 0 到 1 搭建 “AI 需求解析 + 用例自动生成” 平台的完整架构、技术选型与落地流程，可直接参考回团队建设。
2. 效率提升的量化方法：获得真实业务场景下的效率、覆盖率数据与评估指标，帮助听众说服团队引入 AI 测试工具，明确投入产出比。
3. 避坑与最佳实践：了解大模型在测试用例生成中的常见问题及解决方案，掌握人机协同的高效工作模式，少走弯路。

具备 20 年丰富的质量实践管理经验，专注于质量风险预测模型的构建与优化，主导北银金科大模型测试项目，积极探索 AI 智能在测试领域的应用，推动测试技术的创新升级，实现智能化测试的落地实践，建立科学合理的质量效能指标体系，通过数据驱动的决策方式，精准识别质量改进机会，助力企业实现质量效能的持续提升。

复杂ToB业务场景下的AI Native Test Harness 架构和实践：
以跨代码仓库知识图谱为知识底座

吴武辉

京东云高级测试专家

内容简介：

我们对 AI Native Test 的理解，落在一个具体选择上：让测试同学在本地为Code Agent（LLM + 内建 Harness）配备一套由 agents / assets / skills / specs 四件套构成的 User-Defined Harness，把测试领域知识、流程纪律与工具能力沉淀其中，按业务演进的节奏在本地持续热迭代。
这套 Harness 立在两根支柱上。
1. 一套可自演进的多 Agent 测试架构：从编排准入、代码级静态 review，到 E2E 分析、用例生成与执行，再到执行反思，各 Agent 单一职责、显式契约；反思 Agent 把改进需求回流，测试同学在本地热迭代 agents/skills/specs，让整个架构形成自我进化的 Agentic loop。
2.跨代码仓库知识图谱：复杂 ToB SaaS 是多端多服务的分布式系统，影响面、合约、调用链天然跨仓，单仓视野不足以支撑测试判断，因此我们用全局合约级图谱作为 Agent 的知识底座。本议题完整分享这套架构，并以一次脱敏的真实跨端变更复盘其端到端链路。

演讲提纲：
1.痛点与架构选择：复杂 ToB 业务系统测试的真实痛点——一次改动牵动多端多服务、影响面跨仓、回归难覆盖难定位；以及我们的选择——测试同学在本地给Code Agent，配一套包括agents / assets / skills / specs 四件套的 User-Defined Harness，按业务节奏在本地持续热迭代
2. 测试 Agent 架构：职责清晰的 6 个测试 Agent——编排准入、代码级静态 review、E2E 测试分析、E2E 用例生成、E2E 执行、执行反思每个单一职责、显式 I/O 契约；执行反思 Agent 把改进需求回流、测试同学在本地热迭代，使整套架构成为可自演进的 Agentic loop，并配以""独立产出、不维护跨 Agent 中间账本、少通信""的协作纪律
3. 知识底座：上述 Agent 要做准确的影响面判断，就必须有跨仓全局视图——为什么""跨代码仓库知识图谱""不可绕过：复杂 ToB SaaS 下影响面、合约、调用链天然跨仓，全局合约级图谱是单仓视野必须补齐的一环，也是测试 Agent 静态分析与用例设计的知识来源
4. 脱敏落地复盘：一次资金/账务类的真实跨端变更走完整 loop——牵动多个服务、多条跨仓合约边，从代码 diff 到最终准入结论，配合量化结果（识别出的风险点 / 高优问题计数）谈实战取舍与坑

听众收益：
1. 拿到一套可自演进的多 Agent 测试架构参考：6 个 Agent 的职责切分与显式 I/O 契约，以及"执行反思 → 本地热迭代"的闭环怎么让架构持续进化，可直接作为团队 Harness 建设蓝本
2.看到「本地 Code Agent + User-Defined Harness」范式的完整样貌，理解四件套（agents / assets / skills / specs）如何承载测试知识、并随业务热迭代
3. 跨代码仓库知识图谱的方案选型、工具构建、为什么把ta作为复杂分布式系统 AI Native Test 的知识底座，以及测试 Agent 如何把全局合约级视图转化为可执行的测试判断

深耕质量工程与测试开发多年：曾在高德、蚂蚁先后任职测试开和效能工具架构师。2019 年加入京东，历任测试架构师、测试开发团队负责人，主导多条核心业务线的测试体系与效能建设。目前聚焦 AI Native Test 方向，在复杂 ToB SaaS 业务下探索 AI Native 的测试范式，以跨代码仓库知识图谱为底座构建可自演进的多 Agent 测试架构，推动测试从人工驱动向 Agent 驱动持续演进。

AiDD峰会

K+峰会

联系我们