AiDD研发数字峰会

论坛主席：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。

华为技术专家

Agentic Engineering核心技术与实践

当智能体从单点辅助走向系统级协同，工程化落地成为规模化瓶颈。本论坛聚焦 Agentic Engineering核心技术与生产实践，深入探讨智能体编排架构、记忆与上下文治理、工具链集成及多智能体协同机制。分享如何将原型转化为高可靠、可扩展的企业级系统，覆盖可观测性设计、性能优化与灰度发布策略，为研发团队提供从"跑通Demo"到"规模用好"的全链路工程指南。

从 AI Coding 到 Agentic SDLC：
企业级研发智能体的工程化落地实践

刘昭远

词元无限技术负责人

内容简介：

AI Coding 正从个人效率工具走向企业级研发基础设施。本次分享将结合词元无限在 Code Agent、Test Agent 与 Agent 管控平台上的工程实践，探讨企业如何构建可用、可控、可评测、可治理的 Agentic SDLC 体系。内容将覆盖大型代码库上下文工程、Agent 执行闭环、多智能体协同、测试验证、过程追踪、效果评测、成本治理与企业落地路径，帮助研发组织从“AI 辅助写代码”迈向“AI 驱动软件交付”。

演讲提纲：
1. AI Coding阶段变化：从「辅助生成」到「Agent 交付」
2. 企业落地的真实挑战：大型代码库、复杂需求、测试验证与流程集成
3. 企业级研发智能体架构：Code Agent、Test Agent 与管控平台协同闭环
4. 从个人提效到组织级交付：智能体深入参与研发全流程
5. 规模化落地路径：从代码理解、缺陷修复、单测生成、Code Review 等高频场景切入
6. 企业研发从“模型能力调用”，走向“智能体协同、过程可控、结果可验证”的软件交付新范式。

听众收益：
1.理解企业级 AI Coding 的演进方向
2.掌握研发智能体工程化落地的关键方法
3.获得企业规模化推广 AI 研发能力的参考路径

词元无限技术负责人，长期专注大模型应用、AI Agent 架构、研发基建与代码智能，曾负责某头部大厂AI Coding工程化建设及代码智能方向孵化，具备大规模研发场景下 AI Coding 与多 Agent 协作落地经验。现负责词元无限企业级 AI Coding / Agent 技术规划与研发体系建设，推动 Code Agent、Test Agent 与 Agent 管控平台在企业级 SDLC 场景中的工程化落地。

Agentic Engineering：
新一代企业智能体平台架构、协同体系与工程化实践

喜超

华为云高级产品专家

内容简介：

本次分享聚焦Agentic Engineering前沿范式，围绕新一代企业智能体平台，拆解AgentOS底层基座架构与AgentTeams多智能体协同体系，解析平台核心能力与工程化实现逻辑。结合产业实战经验，梳理智能体规模化落地瓶颈与解决方案，输出标准化平台建设、协同调度的实践方法，助力企业构建体系化智能应用能力。

演讲提纲：
1. 范式迭代：从AI应用到Agentic工程化平台
1.1智能体工程化的定义与核心价值
1.2传统AI应用与工程化智能体的核心差距
1.3企业智能体规模化落地的核心瓶颈
2. 平台架构：AgentOS基座与AgentTeams协同体系
2.1AgentOS：底层运行架构、核心能力与资源调度机制
2.2AgentTeams：多智能体组队、分工协同、任务编排架构
3. 工程化落地：平台核心技术与实现机制
3.1智能体规划、记忆、工具调用核心技术实现
3.2多智能体通信、协同、冲突治理技术方案
3.3智能体可观测、运维、安全管控工程能力
4. 产业实践：平台化建设落地路径与行业趋势
4.1智能体工程化落地标准流程与场景选型
4.2落地典型问题、避坑方案与优化思路
4.3Agentic Engineering行业未来发展趋势

听众收益：
1.理清范式：理解Agentic Engineering全新工程化范式，明晰传统AI应用与平台级智能体的核心迭代差异。
2.吃透平台架构：系统掌握AgentOS底层基座能力、AgentTeams多智能体协同架构与运行机制。
3.掌握工程方法：掌握智能体平台标准化技术实现、协同治理、运维管控的全套工程化落地方法。
4.明晰建设路径：规避平台化智能体建设误区，掌握规模化落地路径，紧跟行业前沿发展趋势。

现任华为云智能体平台首席产品经理，统筹十余款云服务全生命周期产品管理，核心牵头ROMA Connect集成iPaaS、Astro低代码、AOM统一可观测等平台型云服务，主导多款云服务从0到1规划设计与商业化推广。曾在阿里云工作10年，聚焦AliOS和PaaS云产品构建。深耕企业数字化、智能化转型赛道，聚焦PaaS云底座与企业Agent智能体前沿方向，持续开展技术产品化、客户场景落地与商业规模化运营，沉淀通用平台、行业解决方案、智能体产品一体化操盘能力，助力政企客户完成云原生智能化升级。

面向运维的智能体 OpsAgent & 面向智能体的运维 AgentOps

张圣林

南开大学软件学院副院长

内容简介：

本报告分为两个部分。第一部分介绍面向运维的智能体 OpsAgent，系统阐述如何利用多智能体协同技术应对软件系统日益复杂的运维挑战，并介绍南开大学智能运维课题组与字节跳动、阿里巴巴等企业合作取得的研究成果，包括可解释、高准确率的根因定位基础模型 FoundRoot，以及面向操作系统故障诊断的 OScope 框架。第二部分探讨面向智能体的运维 AgentOps。与传统信息系统不同，智能体系统的高度自主性与非确定性行为给传统运维技术带来了难以应对的新挑战。本部分将讨论如何针对复杂执行轨迹进行根因定位与可解释证据链构建，以及如何将诊断结论转化为对下一轮执行加以约束的修复动作。

演讲提纲：
1. 开场与全局框架
2. OpsAgent背景与意义
2.1 现代IT系统复杂性挑战
2.2 现状对比
2.3 战略意义与国家需求
2.4 为什么选择OpsAgent
2.5 人机协同新范式
2.6 研究路线图
3. FoundRoot—微服务根因分析
3.1 问题与动机
3.2 架构核心—结构化深度思考
3.3 两阶段训练机制SFT+RL
3.4 性能突破
4. OScope—操作系统故障诊断
4.1 OS诊断的专业性门槛
4.2 OScope框架
4.3 Knowledge Aligner
4.4 Report Validator
4.5 企业部署成效
5. OpsAgent小结与展望
5.1 边界与局限
5.2 未来突破方向
6. AgentOps背景与意义
6.1 AgentOps的崛起
6.2 传统vs智能体系统对比
6.3 为什么AgentOps更难
6.4 AgentOps核心能力
6.5 路线图
7. PROBE—软件工程Agent失败恢复
7.1 AgentOps挑战
7.2 PROBE整体方法
7.3 Diagnosis Layer
7.4 Guidance Gate
7.5 性能结果
8. TraJudger—多智能体系统故障诊断
8.1 MAS诊断的现实挑战
8.2 TraJudger框架
8.3 神经-符号协同诊断
8.4 故障传播步骤设定
8.5 企业部署成效
9. AgentOps小结与展望
9.1 边界与局限
9.2 未来突破方向
10. 收尾与致谢

听众收益：
1. 建立"双向运维"的全景认知框架
2. 掌握 4 套可复用的工业级关键技术
3. 获取真实场景的可量化部署经验

南开大学软件学院副教授、博士生导师、副院长，入选南开大学"青年学科带头人培养计划"。2017年于清华大学计算机系获博士学位，并获清华大学优秀博士学位论文奖。主要研究方向为智能运维（AIOps）。以第一作者或唯一通讯作者在CCF A类会议和期刊发表论文40余篇。主持国家自然科学基金项目2项，以及华为、字节跳动、阿里巴巴、腾讯等企业横向课题近30项。曾三次荣获国际软件可靠性工程旗舰会议ISSRE最佳论文奖，创该会议35年历史上获奖次数之最。获中国电子学会科技进步一等奖（第3完成人）、天津市科技进步一等奖，以及华为计算产品线"最佳技术合作教授"、南开大学"良师益友"、麒麟软件"校企合作突出贡献奖"等荣誉。联合创办CCF AIOps挑战赛并担任首届和第六届程序委员会主席，担任CCF 2026中国软件大会程序委员会主席，CCF 2025中国网络大会宣传委员会主席，CCF YOCSEF天津学术委员会副主席（2023—2024），CCF互联网专委常务委员。

DevStar AI为企业构建 AI 时代的软件工程操作系统

孟宁

DevStar AI创始人

内容简介：

随着AI能力不断增强，将AI融入到现有产品研发流程中提升质量效能，已经是千行百业迎接AI时代的必然选择。
DevStar AI新一代智能原生研发平台基于软件定义一切实现AI赋能研发全流程。DevStar AI为企业构建 AI 时代的软件工程操作系统。面向产品研发阶段人机（Human + Agent）混合编队的一站式智能研发私有部署解决方案：
-研发全流程智能原生支持，如AI Issues、AI Actions、AI Coding、AI Code Review、AI Testing等
-内置Agent 编排解决方案（Agent Team）
-一键部署主流LLM大模型
-内置 MCP 服务器
-内置 AI 助手Chatbot
-自定义集成 AI CLI 工具Claude Code、Codex、OpenCode 等
-自定义集成 AI IDE如VS Code、Cursor、Trae 等
-一键部署 Actions Runner （Github Actions兼容）及在线调试 CI脚本

演讲提纲：
DevStar AI新一代智能原生研发平台基于软件定义一切实现AI赋能研发全流程。DevStar AI为企业构建 AI 时代的软件工程操作系统。
1. AI时代需要什么样的软件研发基础设施？
1.1 从生产能力瓶颈，转向质量控制与安全治理瓶颈
1.2 AI时代需要什么样的软件研发基础设施?
1.3 DevStar AI不应被理解为“另一个代码仓”
1.4 DevStar AI的目标：“企业如何让 AI 可控地参与研发”
1.5 DevStar AI是面向企业级研发团队的 AI 原生多智能体研发基础设施平台
2. 为什么企业需要 DevStar AI？
2.1 使用DevStar可以将AI纳入企业研发体系
2.2 DevStar提供平台级治理Agent
2.3 AI 生成结果难验证，该如何进入工程验证闭环？
2.4 DevStar提供基于软件定义的统一开发环境
2.5 DevStar将所有研发资产统一纳入仓库管理
3. DevStar AI的核心工作流
3.1 从需求到交付的 AI 原生研发闭环
3.2 CI 失败自动修复闭环
3.3 AI Code Review 工作流
3.4 变更提案工作流
4 DevStar AI的技术探索和实践落地
4.1 DevStar的安装配置方法
4.2 应用案例1：开箱即用的项目模板和AI Actions CI/CD流水线
4.3 应用案例2：基于DevContainer的在线Web项目开发调试
4.4 应用案例3：DevContainer + Debuging Host嵌入系统开发
4.5 AI Steps工作流编排
4.6 Agent Template和Agent Team
5 总结与展望：AI 时代的软件工程操作系统

听众收益：
1. 学习如何将AI相关新技术新产品（DevStar AI）引入到自己的工作场景中去；
2. DevStar AI为企业构建 AI 时代的软件工程操作系统，对DevStar AI相关功能和技术架构有一定的理解，明确AI+研发的演进方向。

软件工程博士研究生，梦宁软件创始人及多个开源软件项目创始人。多年来专注于自主可控基础系统软件研发和教学，致力于为软件研发团队赋能提效，打造软件开发⼯具产品和基础设施软件解决⽅案。曾荣获华为欧拉开源贡献领英教师奖、华为优秀成果奖等。著作有《代码中的软件工程》和《庖丁解牛Linux操作系统分析》等。主讲课程“软件工程”和“Linux操作系统分析”等曾获评国家精品在线开放课程和国家一流本科课程、入选教育部-华为“智能基座”精品慕课、被中国高校计算机教育MOOC联盟评为优秀课程、荣获安徽省教学成果奖二等奖，等等。在线课程累计学员20余万人。与华为、OPPO、龙芯中科等多家国内外企业和创业公司有技术合作。

AiDD峰会

K+峰会

联系我们