在业务测试提质效的目标背景下，自动化测试是最重要的解决手段。面对字节海量的移动端产品，千差万别的业务诉求，如何提供符合业务需求的移动端自动化方案，成为一项亟待解决的技术问题。本次分享将介绍字节在移动端自动化领域的技术思考、解决方案和应用实践，通过意图识别、步骤自动纠错修复、自动分级 mock、断言规则自动生成、音视频断言、页面元素级智能断言等能力，解决移动端自动化在场景覆盖、稳定性和效果回报等方面的挑战，探索自动化测试的杠杆效应，实现对业务测试团队的规模化提质增效。移动端智能化测试平台已经在字节多个主要产品中应用，包括头条、西瓜视频、番茄小说、豆包、飞书等几十款 App。

演讲提纲：

1. 移动端质量保障痛点分析

2. 移动端智能化测试平台建设思路

• 基于意图识别录制、片段编排生成用例，低成本生产用例
• 自动分级Mock、步骤纠错自愈，流量Mock保障运行稳定性
• 页面元素级、音视频、AI智能断言，实现无死角验证
• 统一控件树、业务场景还原构造，实现高覆盖

3. 移动端智能化测试平台业务落地挑战和经验

• 立标杆形成最佳实践
• 建立完整的运营机制

4. 移动端智能化测试平台落地效果

• 能力效果：用例步骤秒级生成；高稳定运行
• 业务效果：App接入情况；5端全控件覆盖；问题召回情况

5. 大模型赋能移动端自动化的探讨

• 文本用例生成自动化用例
• 需求文档生成自动化用例

听众收益：

• 了解字节在移动端智能化测试领域尝试与思考
• 了解如何用新方法解决传统移动端自动化领域问题
• 探讨移动端智能化测试发展趋势与前景

方案痛点：

• 对测试人员的基本要求，虽然不要求会写代码，但需要对自动化技术有一定了解
• 迭代发版高效率要求下，单人生成&维护用例数有一定上限

Motiff 是一个浏览器中的矢量图形编辑器，它的功能类似于 Figma。作为一个典型的单页面应用，它同时踩中了可视化编辑器、地图、仿桌面三大前端深坑。为了保证 Motiff 的发布质量，我们在一开始就没有采用传统的分支发布 + 人工测试方案，而是使用主干开发 + 自动化测试的方案，在实现了高频发布的情况下，仍然很好地保证了软件质量。这次分享着墨于主干开发实践中我们遇到的一些问题，以及团队的应对之策。我将以讲故事的形式，为听众提供以下问题的解决思路：

• 团队不写测试怎么办
• 每次发版都要熬夜怎么办
• 开发一周，进入测试后 Bug 不收敛怎么办
• 合并代码一合一星期怎么办

演讲提纲：

1. Motiff 项目背景，和常见 Web 项目的异同

2. Motiff 实施主干开发后取得的成果

3. Motiff 在主干开发中的关键环节的实践经验

• 自动化测试
• 代码合并策略与流水线管理
• 高频部署，部署与发布分离

4. 团队如何进行持续改善

听众收益：

• 主干开发第一线团队的实际感受
• 让研发团队自主完成 UI 自动化测试的经验
• 线上部署自动化的经验

方案痛点：

• 对业务的需求稳定性要求很高，如果需求变来变去，那么就不适合做 TBD
• 对于团队整体的技术能力和技术追求有更高的要求

微信小程序为用户带来了即开即用的便捷应用体验，而随着小程序应用的大规模普及，开发者所面临的开发效率和复杂度的挑战也日益凸显。在此背景下 AI 大模型技术的快速发展，为小程序开发提供了新的可能性。本次分享将重点介绍团队在基于大模型生成小程序应用方面的探索和实践，分享相关技术架构、关键难点、解决思路以及初步成果，同时展望 AI 辅助开发在工程效能领域的前景。虽然当前大模型生成应用技术仍处在起步阶段，但其作为未来软件开发的一种新范式，值得开发者们持续关注和探索。

演讲提纲：

1. 背景与现状

• 小程序开发的挑战与前期效能探索
• 当前 LLM 应用生成的现状

2. 基于大模型的小程序生成架构

• 整体系统架构概述
• 自然语言的语义转化
• 基于 DSL 的代码生成

3. 关键点及解决思路

• 用户需求的理解与匹配
• 应用生成的随机性与多样化
• 大模型 Context 窗口问题
• 生成应用的可维护性

4. 场景落地效果与评估

• 基于微信云开发自然语言生成小程序
• 生成质量的评估和调优
• 开发效率与开发模式对比

5. 未来挑战与展望

• 设计实现过程的经验教训
• 现有技术的局限性
• 人机协作开发模式的探索

听众收益

• 了解腾讯大模型在小程序开发中的应用现状和潜力
• 基于 AI 大模型生成小程序的关键技术点和方法
• 探讨 Agent 辅助开发的未来趋势和发展前景

方案痛点：

• AI 模型理解准确性与设计意图的匹配度
• 生成应用的可维护弱且不稳定
• 模型上下文窗口限制问题

大模型浪潮来临之后，我们期望通过模型、工程与产品的深度结合，能够真正解决 DevOps 用户的使用体验、效率问题，使用户普遍感受到智能化的变革和收益，保持用户满意的前提下催生出 AI 原生时代用户与产品间的全新交互。

在过去一年的建设中，我们在效果提升上，特别是准确性提升，建设数据飞轮，在意图识别、评论质量等方面，效果持续提升。针对性能反馈，我们实现了根据用户行为的预生成方案，在参数转换和提取等场景实现了结果复用，同时也根据场景的特点发展为了多模型协同的形式，以取得速度和效果的平衡。

此外，为了快速落地智能化改造，我们使用微前端、Deep Grasp 等技术去实现智能化的插件，让各个业务更快的完成智能化改造。本次将分享以上经验。

演讲提纲

1. 背景和早期探索

• 大模型浪潮
• 我们的早期探索

2. 落地的场景和取得的成果

• 在百度内我们落地的场景
• 探索新的交互形式：LUI
• 小众场景：将大模型用于性能优化、智能填充
• 成果：覆盖 60%多的用户，满意度提升到 88 分

3. 技术难点

• 如何快速落地
• 如何达到让用户满意的效果，留住用户
• 持续提升：半自动化的数据飞轮
• 更轻的交互形式 LUI 背后的实现：Deep Grasp

4. 总结与展望

• 经验总结
• 我们现在正在做的尝试
• 对未来工作的思考

听众收益：

• 了解百度 DevOps 产品是如何落地大模型技术的
• 了解产品落地大模型技术时的一些痛点
• 了解如何逐渐提升效果，让用户自然增长

方案痛点：

• 在落地过程中，会遇到大模型不稳定，用户对结果不满意
• 大模型响应慢，用户不愿意等待等问题。这些问题会让用户不断流失，如何让结果保证一定的准确性，保持一定的速度，让用户对结果基本满意，从而留住用户，是我们一直在解决的
• 大模型的改造不是一次性完成的，用户并不知道哪些功能可以被智能化检索到，不清楚智能化的全貌，会有不安全感，有时候反而会选择老办法一个个的点选完成任务

演讲提纲：

1. 数据库 DevOps 的挑战）

2. AI大模型技术与数据库DevOps的结合思路与实践

3. 数据库发展趋势与未来的挑战

4. 数据库 DevOps 与 AI 技术结合的未来展望

方案痛点：

• 快速变化的数据库知识，导致 AI 大模型会出现很多知识盲区
• Text2SQL 也有很多痛点，生成的 SQL 代码可能不正确或者性能低下

在支付风险领域，AI 发挥着不可或缺的作用。在 eBay 交易风控业务中，我们广泛采用 AI 模型来识别欺诈活动并保护用户的合法交易。为确保模型的效果，数据科学家需要频繁迭代模型，以及时应对线上异常用户的实时交易行为。然而，传统的模型开发上线流程非常耗时，特别是在存在多个模型输出依赖的情况下更为明显。为提高 AI 模型的上线效率，同时确保模型准确性，我们专为 eBay 交易风控场景开发了 AI 模型推理仿真平台。该平台通过仿真产线上的模型推理过程和结果，快速验证模型性能和业务表现，显著提高了模型的迭代效率，使其能够迅速适应不断变化的在线用户交易行为。

目前，该平台已支持 eBay 支付风控领域数十个模型的推理仿真，不仅支持传统机器学习模型，还能实现深度学习模型和存在依赖关系的多模型推理的仿真。仿真结果与实际结果的平均匹配程度超过 99.5%，将模型部署到业务使用之前的耗时从过去的 2 周以上缩短至 3 天以内，为 eBay 支付风控业务的发展提供了强大的支持。

演讲提纲

1. eBay 交易风控模型上线过程和痛点分析

   • 模型生命周期管理
   • 模型训练和推理中的一致性问题
   • 模型迭代对业务使用的影响

2. AI 模型推理仿真平台的设计和实现

   • 模型训练和推理一致性问题的解决方案
   • 仿真平台的架构设计
   • 核心组件分析和实现
3. 模型推理仿真应用及效果
   • 模型仿真流程及模型快速上线
   • 效率提升分析
4. 对模型推理仿真的思考和展望

听众收益：

• 了解真实产线上的 AI 模型部署整体流程
• 了解模型生产化过程中常遇见一致性的问题和相关的解决方案
• 了解 eBay 支付风控模型推理仿真的设计和实现

演讲亮点：

• AI 模型的推理仿真在业内很少被提及，我们基于 eBay 交易风控业务的需要，设计和开发了模型推理仿真平台，对于需要实现模型快速迭代上线的场景提供了一种解决思路；
• 模型训练和推理的一致性问题是非常普遍存在的，我们的方案能够解决相似场景下的模型训练和推理的一致性问题。

方案痛点:

• 只有特征计算和模型推理计算的实现都是无状态的才能被正确仿真。
• 对于团队整体的技术能力要求较高，需要对于系统开发、AI 模型开发和 MLOps 理念都比较熟悉。

当前的许多代码智能助手，操作范围大多局限在函数到文件级别，只有少量功能会引入项目级的信息。但在实际开发环节中，项目级开发是必不可少的，我们认为一款好用的代码智能助手，应该从项目开发的视角出发，进一步提高实用性。一方面，我们对现有功能进行全方位提升，利用更全面完善的项目信息，大幅优化功能的使用体验。另一方面，我们提高了代码生成模型对项目级代码的处理能力，引入更多以往模型难以实现的项目级功能。

演讲提纲：

1. CodeGeeX 代码生成模型能力优化
2. CodeGeeX 代码智能助手 ->项目级代码智能助手
3. 项目级能力实现和解析

听众收益：

• 从实际场景的痛点中找到关键问题，提高产品实用性。
• 大模型能力和产品相结合，实现差异化体验。