随着大模型智能程度的大幅提升，运维领域正经历从自动化阶段向具备“感知-认知-决策-行动”的闭环时代的转变。AI Agent 可以在诸多场景替代人执行任务，但目前还无法取代人。构建人和 AI 紧密协同的机制，让 AI 在与人的沟通中获取准确信息，进而转化为正确的任务，然后调用 MCP 工具来执行。同时，在整个过程中，AI 从现实中得到反馈，完成自我进化。本次演讲我将以运维场景为切入点，分享我们在人机协作机制，AI Agent 自学习机制技术方面做了大量探索，希望本次分享能对正在做 AI Agent 的技术人员有所帮助。

演讲提纲

1. 挑战与机遇：大模型驱动下的智能运维 Agent 新范式

• 传统智能运维所面临挑战：泛化能力欠佳、依赖人工经验、非结构化数据处理存在难题等
• AI Agent 在智能运维中的机会：从认知到执行的闭环，从自动化向智能化迈进
• 运维领域对  AI Agent 场景需求：安全合规性、风险可控性、输入复杂性、私域知识占比大

2. 从 0 到 1：趣丸运维 Agent 1.0 的落地与反思

• AI Agent 技术落地的问题和挑战：稳定性、时效性、成本、风险之间的平衡问题
• 1.0 的落地与实现：基于反思的多Agent架构
• 1.0 落地场景、成效收益和问题反思

3. 自我进化：运维 Agent 2.0 的自学习机制与技术路径

• 打造自我进化的 Agent 2.0 ：基于交互的学习机制、个性化记忆模式以及具备“人在环路”的可控风险策略
• 技术实现路径：
  • 自学习 Agent 2.0 从 0 到 1 的整体框架
  • 自学习 Agent 2.0 的数据工程与效果评估方法
  • 强化学习提升 Agent 2.0 任务准确性的策略

4. 未来图景：目标驱动的主动式人机协同新方向探索

• 基于目标的主动式人机协同方案构想：使 AI 与人拥有共同目标，由 AI 主动推动目标的达成

您认为，此类技术在实践过程中存在哪些痛点？

• 如何正确有效地引导用户一起完成任务，防止因信息不完整、背景不清楚而使任务失败
• 如何高效低成本搭建一个从用户反馈到微调/训练模型的闭环数据工程，让AI学习有用的用户反馈数据和私域知识，自我反思问题

演讲亮点

• 运维 AI  Agent 过去2年 从1.0 到 2.0 持续迭代演进的曲折过程
• 运维 AI Agent 实现自学习机制的前沿实战经验

听众收益

• 了解 AI Agent 技术在运维场景应用落地的价值点
• 了解 AI Agent 从环境感知、任务规划、决策闭环，以及基于反馈数据的模型能力迭代的全流程技术实现
• 了解 AI Agent 自学习机制的技术方案

随着 AI 技术从 Copilot 模式向 Agent 模式加速演进，传统需求工程正面临严峻挑战：需求传递失真、分析维度缺失、需求质量难以保障等问题日益凸显。本演讲将深度剖析企业级知识底座与多 Agent 智能化平台的构建过程，通过该平台实现需求质量自动化管控与多角色 Agent 协同作业。重点阐述知识工程从 0 到 1 的完整构建路径，分享提升需求分析效率的关键方法，以及该方案在企业内工程化落地和推广应用的成功经验与显著成果。

演讲提纲

1. 传统模式的三大问题与挑战

• 传递失真
• 分析缺失
• 质量欠佳

2. 解决思路与解决方案

• 构建方案：从 0 到 1 的架构设计
• 知识工程双引擎：向量库 + 图谱库融合架构：构建需求关系的知识网络
• 多 Agent 协同体系：通过分层设计、构建需求域内和跨领域多 Agent 协同体系

3. 方案实施与项目实践

• 知识工程攻坚：三级产品知识库构建与非结构化文档处理技术
• Agent 协作机制：工作流引擎驱动，如何驱动全流程标准化协作
• 需求质量内建及评审机制：动态规则库搭建、多角色对抗式评审、文档自动优化
• 项目实战结果：项目案例落地呈现

4. 经验总结与未来展望

• 成功关键要素：知识工程的建设要素与Agent的协同机制

您认为，这样的技术在实践过程中有哪些痛点？

• 知识工程中，自动化的知识清洗和知识提取可能导致知识更新不够及时
• 针对 Agent 输出的质量和稳定性问题，仍需设置人工干预点以进行有效的质量控制

演讲亮点

• 知识工程的体系化建设思路和实施方案，以及如何从 0 到 1 完成知识工程的构建
• 如何将需求工程中的方法论转化为 Agent 的能力

听众收益

• 了解设计思路：掌握从 0 到 1  构建知识工程，以及“知识工程 + Agent ”双轮驱动的需求工程智能化框架，获得需求域智能化方案设计的全流程思路
• 了解技术实现方案：学习向量库 / 图谱库、Agent 分工协作、 AI 评审等关键技术的工程化实现细节
• 获得实践经验：获取方案落地实施的经验教训，避免“为建知识库而建知识库”等常见误区等

在 AI 重塑研发工作流的浪潮下，前端工程也迎来面向智能化的 3.0 阶段的升级。我们以企业级复杂应用研发为核心场景，聚焦编码、UI 还原、联调、质检、验收等全链路研发环节的智能化升级，探索 AI 提效路径。重点分享我们探索的前端智能研发 Agent 的设计思路和开放能力，将结合蚂蚁集团在复杂研发场景的落地实践，分享前端工程智能升级中的技术突破、经验总结与未来思考，为 AI 时代前端研发效率革命提供可复用的工程化方案。

演讲提纲

1. 前端研发在智能化升级中面临的挑战与机遇

• 研发工具的碎片化与效率困局
• 前端领域知识的复杂性
• UI 的精准还原与 UI 验收成本
• AI 时代整合前端工具和领域知识的机会
• 我们的思考路径——前端工程 3.0，前端工程体系的升级思路

2. 复杂前端研发场景的 Coding Agent 设计

• 构建企业级前端研发的记忆基座
• 前端研发工具的智能化升级案例与技术实现
  • D2C 的智能进化：传统 D2C 与多模态结合的 UI 还原方案
  • 智能 UI 质检和验收：基于语义的智能场景和用例生成/UI 理解与多模态比对
  • 覆盖全研发生命周期的工具体系展示
• 从工具到复杂任务——领域 Agent 与 智能工作流（Multi-Agent System 体系）的实践思路

3. 面向企业研发场景的开放能力设计

• 开放个性化定制能力的必要性
• 为企业级研发场景设计的三层开放方案：知识库开放、工具开放、领域 Agent 开放

4. 总结与未来展望

• 带来的成效收益：包括团队/用户覆盖、生码的采纳量等
• 关键成功经验总结
• 未来展望：领域 Agent 的完善和丰富，更优的多智能体系统（MAS）设计和调度；Remote Agent 和 异步任务 实现一体化智能交付

您认为，这样的技术在实践过程中有哪些痛点？

• 在建设企业级上下文的过程中，知识体系和示例代码都还面临数据质量的问题，导致在问答和生码场景召回的准确度不够
• 工具本身在智能化转型过程中也面临较大的挑战，如多模态识别准确度、上下游串联、工程化复杂度的问题

演讲亮点

• 全面阐述企业级复杂前端研发场景的落地实践，从智能编码切入，再到覆盖完整研发生命周期的智能化升级思路及落地方案

听众收益

• 了解下一代前端工程范式的发展趋势与实践方案
• 了解企业级复杂研发场景的智能化转型思路
• 探讨前端研发在转型过程中的挑战与应对思路

近年来，随着大语言模型技术的迅猛发展，AI Coding 作为大模型技术落地的关键领域，已实现从理论探索到工业实践的跨越式发展。代码变更作为研发流程中的重要一环，标志着需求从本地编码到生产交付的过渡，同样往往伴随着潜在风险的引入。在此技术背景下，将大语言模型深度集成至代码审查环节具有重要工程价值。本次演讲我将介绍大模型与 CodeGraph 代码上下文检索相结合的方案，构建从模型调用到用户交互的完整架构。方案实施中重点解决模型输出不确定性修正、CodeGraph 高效跨语言解析及检索、DevOps 全链路集成等挑战，并基于接口链路分析实现风险主动阻断，为听众提供可落地的技术路径参考。

演讲提纲

1. AI CodeReview 现状&代码变更阶段常见风险

• 传统代码审查相关痛点及 AI CodeReview 现状
• 代码变更阶段常见风险

2. 解决思路与方案设计

• 方案设计：从底层模型调用到用户侧交互呈现的整体架构设计
• 大模型引入：行为链 + 领域知识库
• CodeGraph 引入：通过构筑代码上下文实现 CodeRAG
• 评测体系：方案演进过程中如何对模型及相关改动进行评测

3. 方案实施与项目实践

• 大模型不能解决一切问题：对大模型的输出进行评估修正，并将大模型发现的问题以合适的形式呈现给用户
• CodeGraph 的构建及维护：实现快速高效的跨语言代码仓库解析及存储，提供给外部进行检索
• DevOps 打通：结合代码变更各阶段流水线，实现 AI CodeReview 和 CodeGraph 的生命周期管理
• 接口链路分析：根据代码变更和 CodeGraph 生成完整接口链路，提前识别变更风险并阻断

4. 经验总结与未来展望

• AI CodeReview 如何发现更多，更有价值的问题
• 探寻 CodeGraph 更多的业务落地场景

您认为，这样的技术在实践过程中有哪些痛点？

• 模型输出仍存在较大不确定性，需要定期收集 Bad Case 并探索优化方案
• 不同语言的支持程度不同，取决于公司内部技术栈

演讲亮点

• 从 0 到 1 完整系统的构建实践
• 准确高效地将 Monorepo 的 CodeBase 转化为可供外部检索的 CodeGraph

听众收益

• 了解具体方案实施细节：对于基础模型建设相对薄弱的团队或公司，如何快速低成本地构建一套 AI CodeReview 系统
• 如何通过多种 RAG 加深模型对业务代码的理解