专题演讲嘉宾：何之真

随着代码库规模和迭代速度的持续增长，技术债务已成为制约工程效能的核心瓶颈，传统依赖人工审计与静态规则的治理方式面临修复周期长、增量引入快于偿还速度等挑战，难以实现规模化治理。本次演讲将重点介绍 B 站用户技术中心构建的"存量修复 + 增量拦截"双轨治理体系：存量侧，通过 Sonar 等静态分析工具扫描定位代码问题，再由 AI 自动生成修复 Patch 并经流水线验证合入；增量侧，在 MR 流程中集成 AI Code Review、AI 单测补充和 AI 接口测试生成，形成从发现到拦截的全链路闭环。通过真实业务数据和落地经验，展示这套体系如何帮助百万行级代码库高效偿还技术债，并推动 AI 驱动的代码质量治理从单点工具走向工程化实践。

演讲提纲

1. 技术债治理的痛点、挑战与 AI 的价值

• 百万行级代码库，历史遗留 Bug 与安全漏洞持续累积
• 人工修复周期长，增量引入速度快于偿还速度
• 引入 AI 后，可以解决哪些问题

2. "存量修复 + 增量拦截"双轨治理体系

• 分治思路与 CI/CD 流水线集成架构
• 存量治理：Sonar 扫描定位问题 → AI 自动生成修复 Patch → 流水线验证合入
• 增量拦截：AI Code Review、AI 单测补充、AI 接口测试生成

3. 效果度量与数据飞轮

• 技术债量化指标体系：债务密度、偿还速率、新增速率
• 闭环反馈：修复结果 → 评测 → 模型优化 → 更好的修复
• 整体 ROI 评估

4. 总结与展望

• AI 技术债治理的实践经验与教训总结
• 面向未来，向架构级技术债（服务拆分、依赖治理）延伸

您认为，这样的技术在实践过程中有哪些痛点？

• AI 自动修复如何在准确率与自动化程度之间取得平衡，避免不准确的 Patch 引发线上问题
• AI 生成的单测和用例如何在提升覆盖率的同时保持鲁棒性，避免业务变更时批量失败带来的维护成本

演讲亮点

• 存量修复与增量拦截并行：结合 Sonar 扫描定位与 AI 自动修复、MR 流程 AI 质量门禁，探讨技术债治理的两条技术路径
• 踩坑经验与体系演进：深入剖析双轨治理体系的建设历程，分享准确率与自动化程度、误报率与召回率之间的设计权衡与取舍

听众收益

• 全面了解 B 站用户技术中心从 0 到 1 构建 AI 技术债双轨治理体系的实践历程
• 深入理解 Sonar 扫描与 AI 自动修复在存量代码债务治理中的协作机制
• 掌握通过 AI Code Review、单测补充、接口测试生成构建增量质量门禁的方法，解决技术债越治越多的难题