近年来，以 Claude 和 Cursor 等为代表的大模型及其相关的 IDE 呈现出蓬勃发展的态势。这股浪潮显著推动了AI Agent 驱动的编码辅助工具快速涌现，开发者可借助图生码、意图生码、智能改写、外部工具链编排调用等创新性能力，从而显著提升软件开发效率、优化编码流程，并加速高质量代码交付。本次演讲我将围绕支付宝 KMP 原生跨端框架，分享 KMP AI Agent 编码助手相关实战经验，以及如何帮助 KMP 开发者进行研发提效。

演讲提纲

1. 支付宝 KMP 原生跨端技术介绍

• 支付宝 KMP 跨端技术应用情况
• 端基础框架基于 KMP 做了哪些能力延展

2. KMP 跨端研发现状及痛点

• 开发者实际编码过程中的痛点总结
• 主流 AI 编码助手能否解决研发痛点

3. 面向 KMP 的 AI 编码助手方案

• 架构及能力介绍
• Agent 编码助手核心功能演示
• 结合案例讲解 Agent 核心实现细节
• 实践经验总结

4. 未来展望

• 编码助手持续优化与创新路径
• AI Agent 面向端研发全周期的应用趋势

您认为，这样的技术在实践过程中有哪些痛点？

• 社区 KMP 技术处于新兴阶段，基础模型对于 KMP 知识的理解存在一定上限
• 内部 KMP 代码编写场景不如原生技术栈丰富，训练集、测试集等样本不足，导致模型理解存在偏差

演讲亮点

• KMP 跨端融合 AI Agent，两种前沿技术的结合碰撞出新的思维火花

听众收益

• 了解如何借助 AI Agent 编码工具提升跨端研发效率
• 了解支付宝 KMP 原生跨端发展情况
• 用通俗易懂的方式，帮助开发者理解 AI Agent 编码助手背后的技术实现

随着 AI 编程工具的迅猛发展，客户端开发面临诸多挑战：框架生态碎片化、产品需求动态变化以及对 UI 还原度的严苛要求。本次分享，我将揭示一套经过实战验证的企业级客户端 AI 代码直出解决方案。首先剖析行业现状及适配痛点，随后详细介绍技术方案：基于领域调优的 LLM 需求拆解，精准拆解需求；突破性 D2C 引擎，实现高设计还原度；以及面向超级 App 迭代的 R2C 自动化流程，提升迭代效率。此外，还将分享支撑这一方案的基础设施包括多维度评测体系、企业级数据工程管道和实时知识检索架构，全方位保障方案的高效实施。

演讲提纲

1. Al Coding 行业现状 & 客户端适配困境

• AI Coding 现状
• 客户端需求在 AI Coding 中遇到的困境

2. 客户端需求 AI 代码直出解决方案

• 客户端 AI Coding Workflow
• 需求拆解模型微调
• D2C 还原度跃升细节剖析
• 面向 AI 驱动的需求实现新范式

3. AI Coding 基建能力

• 客户端 AI Coding 评测体系
• 数据工程介绍（模型微调）
• 企业业务知识库搭建

4. 实际需求案例分析

• 直出效果展示
• 未来规划

您认为，这样的技术在实践过程中有哪些痛点？

• 企业级别组件召回方案探索
• 客户端 UI 的检测方案探索和取舍

演讲亮点

• 企业级客户端组件召回完整方案——从离线构建到在线召回
• 企业知识辅助的需求拆解微调
• 客户端 UI 高保真监测方案
• 超级 App 客户端存量迭代 R2C 直出

听众收益

• 客户端开发提效的全链路姿势
• 如何用技术反向推动上游革新（产品、设计）
• AI 如何带动质量左移（质检）

本次演讲将分享在鸿蒙操作系统适配的背景下，结合传统跨端方案的优缺点，探索一种突破传统性能瓶颈的跨端方案，实现“原生性能”下的一码多端。同时，探索在 LLM 的 AI Coding 的趋势下更切合 AI 的跨端方案。

演讲提纲

1. 背景

• 鸿蒙适配需求，客户端侧的跨端方案需求更迫切
• 在 LLM 的 AI Coding 的趋势下，有没有更切合 AI 的跨端方案
• 问题的提出：探索一个契合新时代的新跨端方案思路

2. 从跨端方案发展历程出发，探索新的突破口

• 传统方案与核心瓶颈
  • Web 跨端：Webview 启动瓶颈，动态语言性能瓶颈，虚拟机 ffi 瓶颈
  • RN 跨端：动态语言性能瓶颈，虚拟机 ffi 瓶颈
  • Flutter 跨端：虚拟机 ffi 瓶颈
• KMP 跨端方案
  • 优势：无虚拟机，无 ffi
  • 瓶颈：runtime 与宿主的数据转换
• 有没有一种能突破核心瓶颈，逼近原生性能的跨端方案？

3. 基于转译的跨端方案 - RTS

• 基本架构：三位一体的方案
• RTS 语言
• Salamander 工程
• Relax UI
• 核心问题的解决
• 宿主无缝交互：声明（Typing）的导出与消费
• 多端差异抹平：多种条件编译方式
• 高性能数据传输方案：类型互通（Array、Map、Json）
• RTS 在字节的落地现状
• 转译方案的优势与挑战

4. 基于 LLM 的 RTS 研发方案探索

• AI 时代，语言对于跨端的重要性
• 不同语言，AI 友好性存在差异，比如 C++ 对比 TS
• AI 跨端的两种方式：“单语言跨端”与“AI 直接写多端”
• 从语言、工程化、UI DSL 三个方面探索如何尽可能地 AI 友好
• 一些基于 AI 的探索实践
• 辅助抹平：Compact API
• 生态迁移：Kotlin2RTS

您认为，这样的技术在实践过程中有哪些痛点？

• 基于转译的跨端方案，业界并没有非常多的实践。其能力边界尚未十分明确
• 通过转译的方案，虽抛开了独立的虚拟机，但也带来了多端抹平的挑战
• 一门新的语言，提供价值是第一步，拓展生态是第二步。初期生态的不完善也是挑战

演讲亮点

• RTS 如何做到与宿主无缝交互
• RTS 如何做到高性能数据传输方案

听众收益

• 极致性能的跨端方案探索
• 新时代的跨端方案如何与 AI 融合

近年来，为了更好的满足用户需求，大前端技术领域呈现出迭代速度加快、功能复杂度和业务耦合度增加的特点，加之快手亿级 DAU 的用户规模和超长使用时长，面临着多技术栈并存、高资源占用的挑战，性能稳定性保障风险持续增大。传统的性能稳定性排障工具使用门槛高，依赖特定领域专家多年积累的深度知识和隐性经验判断。那么，如何破解有限的人力和无限的复杂问题之间的矛盾？本次演讲我将分享在大前端性能稳定性保障中，如何借助 AI 赋能，实现性能稳定性问题排障经验平民化，显著提升诊断效率。

演讲提纲

1. 快手性能稳定性保障的挑战

• 快手性能稳定性现状
• 快手性能稳定性保障的痛点问题

2. AI x 稳定性问题诊断方案

• AI 崩溃诊断方案，排障知识沉淀，关联崩溃现场上下文及源码根因分析​​
• AI 故障处置助手，报警巡检、故障归因、处置总结，提升排障效率

3. AI x 性能问题诊断方案

• 传统火焰图痛点分析，高信息密度、高背景知识依赖
• AI 火焰图方案，自动识别性能瓶颈和热点函数，减少分析成本

4. 总结和展望

• 实践经验总结：ShowCase分享、踩坑经验
• 后续规划：AI能力边界，自动修复覆盖范围

您认为，这样的技术在实践过程中有哪些痛点？

• 以 AI + 稳定性为例：在传统的崩溃问题排障工作流中，需要人工分步骤解析多维度上下文信息，包括崩溃堆栈、设备型号、应用版本、生命周期事件、页面栈及用户行为等，若涉及多线程并发等系统级机制问题，还需深入理解操作系统原理，排查效率较低；如果直接将崩溃现场提交给 AI 分析，会得到比较泛化的结论
• 以 AI + 性能为例：火焰图是性能分析领域的核心工具，在快手量级的复杂工程中，火焰图报告通常包含高达数十万行调用栈信息，且依赖开发同学具有大量操作系统前置知识（例如：CPU 负载、锁等待、资源抢占）和业务背景知识，有较高使用门槛且消耗大量人力；在 AI + 火焰图提效方案中，如果直接将火焰图原始数据交给 AI 分析，会面临远超大模型上下文窗口限制的挑战

演讲亮点

• 快手在亿级 DAU 超长使用时长下应用出现的各种性能稳定性疑难杂症，介绍如何通过 AI+ 性能稳定性的方案取得提效成果，有很高的实战参考价值

听众收益

• 了解如何借助 AI 的力量提升性能稳定性问题诊断效率，进而提升 App 用户体验