专场出品人：王昊奋
OpenKG联合创始人，同济大学特聘研究员
同济大学百人计划，特聘研究员，博士生导师。长期在一线人工智能公司担任CTO之职。他是全球最大的中文开放知识图谱联盟OpenKG发起人之一。他负责参与多项国家级AI相关项目，发表100余篇AI领域高水平论文。他构建了全球首个可交互养成的虚拟偶像—“琥珀 · 虚颜”；所构建的智能客服机器人已累计服务用户超过10亿人次。目前，他担任中国计算机学会术语工委副主任，SIGKG主席，上海秘书长，中国中文信息学会理事，语言与知识计算专委会副秘书长，上海市计算机学会自然语言处理专委会副主任，上海交通大学AI校友会秘书长等社会职位。
专场：RAG 与上下文工程
在人工智能迈向认知智能的关键阶段，RAG技术与上下文工程正成为突破大模型知识边界的重要支柱。本专场聚焦大模型时代知识工程的创新实践，探索如何通过动态知识检索与上下文优化，实现大模型从"参数记忆"到"智能推理"的跃迁。通过构建"检索-融合-推理"三位一体的知识工程体系，以及开发自适应上下文压缩与关键信息提取技术，来搭建大模型的智能知识引擎。
陆建国
上下文工程：驱动下一代AI智能体的核心引擎
中兴通讯 AI算法资深专家
中兴通讯AI算法资深专家，公司青年领军人才。长期专注于大模型应用技术的研究与实践，特别是如何通过RAG和智能体技术，将大模型真正落地到企业级的复杂场景中，例如研发提效和智能运维。在这个过程中，积累了20+项技术专利，并带领团队研发了“自智网络生成式AI”网络智能体，同时项目获得了TMF国际大奖。我们所有的探索和实践都指向了一个共同的核心：要让大模型“听懂话、办好事”，关键在于精准、高效地构建和管理信息
随着以ReAct为代表的AI智能体技术在复杂任务处理中崭露头角，其多轮交互带来的上下文爆炸问题也成为性能和成本的瓶颈。为解决此挑战，本次分享将系统性地阐述上下文工程的核心理念。我们将从剖析上下文爆炸的根源入手，引出上下文工程的定义及其原则。分享将重点探讨该工程方法在智能体设计中的应用，包括短期记忆的动态管理与长期记忆的高效管理。最后，将结合我们在研发提效场景下，展示上下文工程如何将理论转化为生产力，为构建更高效、更鲁棒的AI智能体提供一套行之有效的方法论。
内容大纲
1. 问题的提出：为何上下文需要“工程化”？
1.1 智能体困境： 从ReAct框架的“上下文爆炸”谈起，展示信息失控带来的性能与成本问题。
1.2 根本挑战： 指出这是所有复杂大模型应用的共同瓶颈——从“信息过载”到“模型失效”。
2. 核心与原则：到底什么是上下文工程？
2.1 核心定义： 提出它是一套超越提示词优化的系统性方法论，旨在主动设计、构建与维护模型的输入信息。
2.2 四大原则： 详解上下文工程的原则。
3. 关键应用：上下文工程如何赋能智能体？
3.1 短期记忆工程： 聚焦于智能体“工作台”的动态管理，如信息压缩与滑动窗口技术。
3.2 长期记忆工程： 聚焦于智能体“知识库”的高效检索，重点阐述RAG作为上下文工程的关键实践。
4. 实战案例：研发提效场景下的上下文工程
4.1设计思路：介绍我们研发的智能体如何运用上下文工程思想，应对研发场景的复杂信息。
4.2 架构落地：展示短期与长期记忆工程的具体实现。
5. 总结与展望
5.1 核心价值： 再次强调上下文工程是释放大模型潜能，实现应用从“可用”到“可靠”的关键。
5.2 未来方向： 简要展望自动化的上下文优化与多模态上下文工程的前景。
听众受益
1. 获得体系化认知：清晰系统地了解上下文工程的概念，而不仅仅停留在RAG的层面。
2. 掌握可落地原则：理解上下文工程核心设计原则，可以直接用于指导自己的AI应用或智能体开发。
3. 收获实战经验：学习到国际获奖项目和企业级研发提效场景的一手实践经验，了解如何将理论应用到真实、复杂的业务中。
4. 激发前瞻性思考：对AI智能体的未来发展方向和技术挑战产生新的思考，为自己的技术规划带来启发。
卢俊星
实战D2C：我们如何通过上下文注入与中间指令将前端开发效率大幅提升
科大讯飞 教育事业群大模型研发提效组组长
当前就职于科大讯飞教育事业群，担任大模型研发提效组组长，曾参与LangChain、Dify等多个热门大模型开源项目的社区贡献。当前专注于探索和实践如何将大语言模型（LLM）深度融入软件开发生命周期，以解决工程效率的核心痛点。从0到1主导设计并搭建了内部的“CodeCraft-智能研发助手”，推动大模型研发提效落地，部门人员AI代码采纳率从10%提升至48%。
本次分享将深入剖析一套经过我们团队实战验证的前端AI协作方案及工具链，它成功地将中等复杂度页面的开发效率提升了81%，同时将UI缺陷率降低了91%。我们没有追求一个通用的黑箱D2C Agent工作流，而是通过上下文工程，让AI能够理解项目特有的组件库和编码规范，获取设计稿DSL并进行预处理和语义分析，通过把D2C的流程环节打开，提供人在环路的审查和编辑。该方案的核心是创新性地设计了一种结构化的“高级代码指令”作为中间语言，它将复杂的设计稿转化为一份清晰、可审查的“代码生成计划”。我们将详细展示这套方案如何无缝集成到从MasterGO到Cursor的真实开发工作流中，并强调工程师作为“审查者”的关键作用。最后，我们将重点解读过程中设计的多维度实验，特别是A/B测试，如何从数据上证明了这套新范式在效率、质量和代码可维护性上的巨大商业价值。
内容大纲
1. 重新定义问题——真正的瓶颈是“翻译”，而非“编码”
1.1 现状与痛点量化
1.1.1 效率瓶颈： 一个中等复杂度的页面，前端平均耗时16人/小时。
1.1.2 质量红线： 首次提测平均产生7个低级UI视觉缺陷。
1.1.3 协同损耗： 代码审查中20%的意见与UI实现不规范有关。
1.2 根源诊断：非结构化的“视觉蓝图”与缺失的“项目上下文”
1.2.1 通用D2C工具的失败点：它们不理解我们的项目，生成的代码是“外来物种”，无法直接使用。
1.2.2 我们的核心挑战：如何让AI不仅看懂设计，更能理解我们当前的项目工程环境。
2. 核心解法——“中间指令”与“上下文工程”的双轮驱动
2.1 设计理念：“规划-审查”模式
2.1.1 我们摒弃了“一步到位”的黑箱生成模式，采用更可靠的“两步走”策略：先让AI生成一份高质量的“计划”，再由人和工具去“执行”。
2.2 方案的核心：作为中间语言的“高级代码指令”
2.2.1 定义： 展示“高级代码指令”的结构与实例。它不是最终代码，而是对代码的结构化描述和规划。
2.2.2 价值： 它是连接“设计意图”和“项目代码”的桥梁，极大地降低了AI的生成难度，并为我们实现“人在环路”进行审查提供了坚实的
基础。
2.3 方案的“记忆”：上下文工程的实现
2.3.1 静态上下文注入： 我们的工具通过扫描项目仓库，自动学习可用的业务组件列表、工具函数、目录结构和编码规范（ESLint等）。
2.3.2 动态上下文理解： 方案背后的AI模型，基于我们内部的“最佳实践”数据微调，使其具备了“工程经验”，知道在何种设计模式下，
2.3 方案的“记忆”：上下文工程的实现
2.3.1 静态上下文注入： 我们的工具通过扫描项目仓库，自动学习可用的业务组件列表、工具函数、目录结构和编码规范（ESLint等）。
2.3.2 动态上下文理解： 方案背后的AI模型，基于我们内部的“最佳实践”数据微调，使其具备了“工程经验”，知道在何种设计模式下，
应该优先复用哪个现有组件。
3. 落地实践——人在环路的无缝集成工作流
3.1 全新的AI协作工作流
3.1.1 步骤1 (MasterGO)： 工程师点击插件，AI引擎开始分析设计稿并结合项目上下文。
31.2 步骤2 (VS Code/Cursor)： AI生成的“高级代码指令”（代码生成计划）被自动注入到Cursor中。
3.1.3 步骤3 (关键交互点)： 工程师审查并确认这份计划。这是“人在环路”的核心，确保AI的生成意图与工程师的专业判断一致。
3.1.4 步骤4 (执行)： 工程师命令Cursor根据这份高质量的计划，一键生成符合项目规范的、可维护的代码框架。
3.2 背后的技术引擎
3.2.1 整个方案由一个轻量化微调的DeepSeek Coder 6.7B模型驱动，该模型专精于将设计DSL结合项目上下文，生成“高级代码指令”。
4. 效果验证——实验如何证明方案的巨大价值
4.1 核心价值验证：A/B测试
4.1.1 实验设计： 详细介绍对照组（传统开发）与实验组（AI协作）的任务、流程和人员分组。
4.1.2 惊人的量化结果：
效率： 开发耗时从16小时降至2.9小时，效率提升81.25%。
质量： 首轮UI缺陷数从7个降至0.6个，缺陷率降低91.43%。
4.2 全方位质量保证：多层级测试框架
4.2.1 模型能力单元测试： 验证AI引擎将DSL转换为指令的准确率（>95%）。
4.2.2 端到端场景测试： 验证从插件到IDE的整个工作流是否流畅稳定，无阻塞性问题。
4.2.3 专家双盲评估： 邀请资深架构师在不知情的情况下评审两组产出的代码，从可读性、可维护性、规范性等方面进行定性打分，
3. 落地实践——人在环路的无缝集成工作流
3.1 全新的AI协作工作流
3.1.1 步骤1 (MasterGO)： 工程师点击插件，AI引擎开始分析设计稿并结合项目上下文。
31.2 步骤2 (VS Code/Cursor)： AI生成的“高级代码指令”（代码生成计划）被自动注入到Cursor中。
3.1.3 步骤3 (关键交互点)： 工程师审查并确认这份计划。这是“人在环路”的核心，确保AI的生成意图与工程师的专业判断一致。
3.1.4 步骤4 (执行)： 工程师命令Cursor根据这份高质量的计划，一键生成符合项目规范的、可维护的代码框架。
3.2 背后的技术引擎
3.2.1 整个方案由一个轻量化微调的DeepSeek Coder 6.7B模型驱动，该模型专精于将设计DSL结合项目上下文，生成“高级代码指令”。
4. 效果验证——实验如何证明方案的巨大价值
4.1 核心价值验证：A/B测试
4.1.1 实验设计： 详细介绍对照组（传统开发）与实验组（AI协作）的任务、流程和人员分组。
4.1.2 惊人的量化结果：
效率： 开发耗时从16小时降至2.9小时，效率提升81.25%。
质量： 首轮UI缺陷数从7个降至0.6个，缺陷率降低91.43%。
4.2 全方位质量保证：多层级测试框架
4.2.1 模型能力单元测试： 验证AI引擎将DSL转换为指令的准确率（>95%）。
4.2.2 端到端场景测试： 验证从插件到IDE的整个工作流是否流畅稳定，无阻塞性问题。
4.2.3 专家双盲评估： 邀请资深架构师在不知情的情况下评审两组产出的代码，从可读性、可维护性、规范性等方面进行定性打分，
验证AI生成代码的真实工程质量。
4.3 结论：数据证明新方案是合格的“生产力工具”
总结实验结果，证明我们的方案不是一个“技术玩具”，而是一个在实践中创造了巨大的、可衡量的业务价值的生产力工具。
听众收益
1. 获得一个全新的D2C解题思路： 理解为什么“中间表示”（高级代码指令）是解决复杂AI翻译任务的关键，以及如何通过任务拆解，将一个看似不可能的端到端问题，转化为一个更简单、更可靠、更可控的工程化解决方案。
2. 看到一个AI与真实工作流无缝集成的范例： 学习如何将AI能力真正融入工程师从MasterGO到Cursor的日常工具链，让AI成为感知项目上下文. 提升生产力的“智能副驾驶”，而非一个体验割裂的、生成“一次性代码”的外部工具。
3. 掌握一套科学量化AI项目价值的A/B测试方法： 学习如何设计并执行严谨的A/B测试，来精确度量AI工具在“开发效率提升”和“代码质量改善”等核心业务指标上的真实影响，从而为AI项目的价值提供强有力的数据证明。
4. 收获一个可复用的AI工程化落地蓝图： 获得一个从定义问题、设计核心方案、集成工作流到最终价值验证的完整项目范例，为在自己团队中规划和推动类似的、能够创造真实业务价值的AI项目，提供清晰的思路和实践指导。
4.3 结论：数据证明新方案是合格的“生产力工具”
总结实验结果，证明我们的方案不是一个“技术玩具”，而是一个在实践中创造了巨大的、可衡量的业务价值的生产力工具。
听众收益
1. 获得一个全新的D2C解题思路： 理解为什么“中间表示”（高级代码指令）是解决复杂AI翻译任务的关键，以及如何通过任务拆解，将一个看似不可能的端到端问题，转化为一个更简单、更可靠、更可控的工程化解决方案。
2. 看到一个AI与真实工作流无缝集成的范例： 学习如何将AI能力真正融入工程师从MasterGO到Cursor的日常工具链，让AI成为感知项目上下文. 提升生产力的“智能副驾驶”，而非一个体验割裂的、生成“一次性代码”的外部工具。
3. 掌握一套科学量化AI项目价值的A/B测试方法： 学习如何设计并执行严谨的A/B测试，来精确度量AI工具在“开发效率提升”和“代码质量改善”等核心业务指标上的真实影响，从而为AI项目的价值提供强有力的数据证明。
4. 收获一个可复用的AI工程化落地蓝图： 获得一个从定义问题、设计核心方案、集成工作流到最终价值验证的完整项目范例，为在自己团队中规划和推动类似的、能够创造真实业务价值的AI项目，提供清晰的思路和实践指导。
茹炳晟
知识工程在软件工程场景的应用实践与建设思路
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。
1. 知识工程对于企业级软件工程的必要性
2. LLM时代的“定义悖论”
3. 从需求结构化到业务知识工程
4. UAT的落地实践
5. 从契约管理到契约知识工程
6. 微服务单模块接口测试agent落地实践
2. LLM时代的“定义悖论”
3. 从需求结构化到业务知识工程
4. UAT的落地实践
5. 从契约管理到契约知识工程
6. 微服务单模块接口测试agent落地实践
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
