专场出品人：茹炳晟
腾讯 Tech Lead 腾讯研究院特约研究员 复旦大学 CodeWisdom团队成员
中国计算机学会(CCF)TF研发效能SIG主席，“软件研发效能度量规范“标准核心编写专家，中国商业联合会互联网应用技术委员会智库专家，中国通信标准化协会TC608云计算标准和开源推进委员会云上软件工程工作组副组长，腾讯云架构师技术同盟入会主席，年度IT图书最具影响力作者，多本技术畅销书作者，著作有《测试工程师全栈技术进阶与实践》《软件研发效能提升之美》《现代软件测试技术之美》《高效自动化测试平台:设计与开发实战》《软件研发效能提升实践》《软件研发效能权威指南》《现代软件测试技术权威指南》《多模态大模型技术原理与实战》《高质效交付》等，译作有《软件设计的哲学》《整洁架构之道》《持续架构实践》《现代软件工程》《DevOps实践指南（第2版）》《精益DevOps》《基础设施即代码-模型驱动的DevOps》等，国内外各大技术峰会的联席主席，出品人和Keynote演讲嘉宾。公众号“茹炳晟聊软件研发”主理人。
专场：AI+研发的智能化升级（AI4SE）
立足大模型时代软件工程的变革趋势，以“AI深度融入研发全链路”为核心立意，聚焦从理念到落地的实践探索。内容核心亮点涵盖：大模型对产品工程思路的重构，解析其如何通过workflow与上下文工程重塑产品信息流转逻辑；AI在研发全流程的落地实践，包括Agent协同编程、智能测试与量化评测的技术路径；AI对软件开发全生命周期的渗透，从需求分析到运维优化的全链路效率跃迁；大模型驱动的代码迁移技术，分享从数据工程到场景落地的完整路径；以及可视化AI编程在大型项目中的工程化突破，探讨信息供给机制与效果量化的实践解法，全方位呈现AI赋能研发的技术创新与落地价值。
张汉策
大模型时代下的产品工程思路
腾讯视频 AI产品经理
目前负责腾讯视频会员服务的AI能力搭建。曾负责腾讯元宝的基础agent设计，在NLP领域从业9年，多次负责各行业AI产品的搭建和落地。
大模型时代下，软件工程有了全新的范式，而产品工程作为软件工程的上游，也深受技术迭代的影响。大模型的随机性、知识引入的数据性都与过去有了较大的不同，这给产品设计带来了新的视角和挑战。
为了让产品工程能够跟上软件技术的发展，产品设计上需要融入新的知识概念，理解和设计产品中的信息流动对上下文的影响，灵活应用知识对模型的影响从而提升产品体验。本次分享会聚焦大模型时代下产品工程的变革思路。
为了让产品工程能够跟上软件技术的发展，产品设计上需要融入新的知识概念，理解和设计产品中的信息流动对上下文的影响，灵活应用知识对模型的影响从而提升产品体验。本次分享会聚焦大模型时代下产品工程的变革思路。
内容大纲
1. LLM对产品设计带来的影响与机会
2. 产品工程结合LLM时的一些共识点
3. 新一代产品工程的起点——workflow
4. 产品工程融合LLM上下文工程——产品信息工程
5. 巧用知识与数据，撬动大模型提升产品体验
6. 未来展望：LLM+产品设计，全新的参与感体验
贺晨超
有赞AI研发全流程落地实践
有赞科技 电商及开放技术负责人
12年大前端领域相关经验，多年跨职能研发团队管理经验。现任职于有赞，负责有赞电商SaaS及有赞云开放平台相关技术和团队。目前主要致力于AI在研发全流程中的落地，通过传统研发模式的变革，推动创新和提效，包括：AI Coding、AI Test、AI评测等。同时围绕AI Agent结合企业既有技术体系构建研发基础设施。
在AI时代，传统软件工程正迎来深刻变革。如何在大规模复杂的企业工程中落地AI成为关键命题。本次分享结合真实案例与演进过程，聚焦有赞技术团队在研发全流程中落地AI的实践探索，深入剖析AI Coding、AI Test及AI评测的创新应用与工程化实现，为企业在复杂研发流程中成功落地AI技术提供实战经验与启发。
内容大纲
1. 背景及现状
1.1 AI时代传统软件工程的变革
1.2 大规模复杂工程中落地AI的挑战
1.3 构建可行的AI落地路径
2. AI Coding：从个人助手到Agent协同编程
2.1 AI Coding的规模化之路
2.2 如何构建Coding Agnet
2.3 Workflow vs Agent
2.4 关键的工程化及AI问题
2.5 围绕Agent构建基础设施
3. AI Test：从自动化到智能化
3.1 传统自动化测试的瓶颈
3.2 AI与自动化测试的契合点
3.3 AI测试实践：用例生成、归因、自修复
3.4 AI提速
4. AI 评测：从炫酷到生产
4.1 评测三大核心：实验、日志、反馈
4.2 如何构建实验体系
4.3 评测的关键指标及AI成熟度
5. AI Native的团队
6. 落地效果及未来规划
听众收益
1. AI赋能研发全流程的落地路径
2. 大量真实的实践案例及经验总结
3. 关键技术卡点的解决思路
李钟麒
AI落地软件开发的实践与挑战（华为）
华为 代码模型技术专家
工学博士，华为技术有限公司 LLM技术专家，深耕 AI 领域近 5 年，聚焦代码应用垂域大模型研发与落地超 4 年。现主导华为云 CodeArts Doer、xMate 等核心产品模型研发，聚焦垂域数据构建、预训练、后训练及 Ascend 平台推理优化及AI for SE的落地应用；推动AI在研发领域场景服务内部研发落地，触达多个业务线及其垂域任务。
本分享立足 AI for Software Engineering（AI 赋能软件工程）的产业实践前沿，以华为企业内部 AI 辅助研发的落地经验为核心，系统拆解 AI 在软件开发全生命周期的典型应用场景，用真实数据呈现效率提升、成本优化等核心成果，并深入剖析技术瓶颈、安全风险与组织变革中的关键难点，最终给出可落地的应对策略与未来演进方向。
内容大纲
1. 2025 AI for SE 的范式革命
1.1 研发角色的本质转变
1.2 数据驱动的研发全链路效率跃迁
2. AI 渗透软件开发全生命周期
2.1 需求分析：从模糊表述到结构化文档的智能转化
2.2 架构设计：数据驱动的多方案量化评估与优化
2.3 编码实现：自然语言驱动的代码生成与逻辑构建
2..4 质量保障：动态测试与缺陷的智能预判拦截
2.5 运维优化：DevOps 到 AIOps 的全链自动化升级
3. 量化视角下的价值兑现
3.1 企业开发周期与代码产出的核心数据变化
3.2 缺陷率与系统稳定性的量化改善
4. 技术、安全与组织的三重挑战
4.1 开源or 自研？
4.2 AI全链路安全风险如何规避
4.3 组织阻力: AI与传统企业开发流程如何兼容？
5. 未来展望：下一代 AI 驱动研发体系
5.1 多模态开发
5.2 Agentic Develop
5.3 CodeWorldModel的沙箱替代
6. 互动交流：实践问题与落地建议
听众受益
全面掌握 AI 在需求分析、架构设计、编码实现、测试运维等环节的落地方式，明确不同场景下的工具选型与应用逻辑；获取 AI 驱动研发效率、缺陷率、创新周期等核心指标优化的真实数据基准，为内部推动 AI 落地提供量化依据；了解开发者技能重构与团队流程再造的关键方向，明确 Prompt 工程、后训练核心能力的培养路径。
王思远
基于端到端大模型训练的鸿蒙生态代码迁移技术及实践成果分享
华为 产品经理
本人长期深耕软件工程领域，有10年+经验，曾负责华为终端DevOps端到端软件工程能力构建和软件资产数字化可视化平台Codecity从0-1构建，实现对海量代码资产的深度治理与价值挖掘，相关成果已沉淀为多项技术专利。现阶段重心聚焦于终端AI辅助研发，致力于数据工程的基础建设与代码智能转换技术的研发与应用。
随着鸿蒙生态发展，如何将安卓代码快速转换为鸿蒙代码，实现鸿蒙化应用在UI、业务逻辑、资源配置等场景的加速开发，缩短交付周期，降低人力成本。本次演讲将重点介绍通过数据工程，模型训练，验证评测，应用落地，实践效果来展开介绍在大模型时代从数据，模型到场景落地全过程。
内容大纲
1. 在大模型时代，做时代的亲历者还是见证者
1.1 路线选择，独立自主还是依赖基模
1.2 从数据到语料，我们从失败到成功踩过的坑
1.3 如何让数据飞轮转起来，模型迭代进入正循环
1.4 验证评测是关键
2. 从玩具到工具，AI代码转换能力的羽化与蜕变：
2.1 从吃狗粮到赋能鸿蒙生态，脚踏实地做好每一步
2.2 拥抱每一个敢于吃螃蟹的用户
2.3 AI代码转换工具入门介绍
2.4 2026展望与思考
听众受益
1. 让听众了解一个从通用大模型到垂于大模型端到端闭环的成功实践。
2. 让听众了解安卓到鸿蒙应用迁移走出堆人堆时间困境，AI可以实实在在加速这件事。
3. 让听众从一个亲历者的视角听到一些更真实的声音。
吴沛霖
可视化AI编程在大型项目下的挑战和解法
腾讯 高级前端开发工程师
17 年进入腾讯，专注于探索高效的应用开发方式，践行以数据驱动为核心的自动化开发理念；近几年持续探索AI能力的边界及其多样化的产品实现形态，深度参与了多项具有前瞻性的创新项目，包括主导设计“多Agent智能开发”系统，旨在打通需求到产品的端到端自动化链路；推动“AI+低代码”平台的架构设计与实践，显著降低复杂业务场景下的开发门槛；并牵头构建“MCP统一接入层”的通用方案，实现接口即工具的自动化体系，为 AI 应用提供又一个智能基建。
AI编程已经发展出两个独立的分支，一个是基于IDE的本地开发，一个是基于浏览器的在线编程。在线编程的本质是platform engineering。平台帮用户解决了大量繁杂事务。但在线编程的能力边界在哪里，它能否胜任大型复杂项目呢？腾讯无极团队通过大量真实项目的实践，分享如何捅破AI编程落地的窗户纸。
内容大纲
1. AI编程的落地难点
2. AI信息供给机制设计
2.1 AOT方案 vs JIT方案
2.2 Carrot原则
3. AI编程的效果量化
3.1 产品能力评估
3.2 模型能力评估
4. 基于浏览器的工程化能力
4.1 秒级编译运行机制
4.2 跑在前端的git版本管理
听众受益
1. 明确AI编程的范式分野与能力边界
2. 掌握破解AI编程核心难题的关键思路
3. 了解如何评估AI编程工具的编程效果
4. 了解在线编程如何实现工程化
SECon组委会是由业界多位资深技术专家发起，负责组织技术指导委员会，并和委员会的专家一起挖掘全球软件工程领域的创新技术，同时依托智盟创课国内领先的人才能力提升服务供应商，组织专业的会务服务团队，全面推进会议的顺利落地，保证参会者体验。
服务总线：400-183-9980
商务合作：151-2264-3988 木子
票务联系：185-1306-7287 马静
E-mail：speaker@secon.com.cn
关注SECon公众号
添加SECon小助手，获取
会议最新资讯
