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

面对线上客诉引发的高昂沟通与排查成本，我们打造了端到端 AI 智能诊断系统，打通了前后端全链路数据，只需输入问题现象，AI 即可自动推演诊断路径并直出根因。目前系统采纳率已超 80%，成为研发重度依赖的核心基建。本次演讲我将重点剖析 AI 诊断的技术难点、上下文治理的工程权衡，以及如何通过评测体系驱动系统的规模化迭代。

演讲提纲

1. 背景：为什么要做：从“拉群排查”走向“系统化诊断”

• 线上问题排查高度依赖经验：遇到问题先拉群、找人、翻日志，定位过程分散且难复用
• 同类问题反复出现，但排查路径往往需要重新走一遍，效率低且不可沉淀

2. 星图核心能力建设

• 智能体引擎升级：支持多轮对话、记忆管理、稳定的工具调用框架
• CodeBase 深度理解：让 AI 不是只读文档，而是能读代码、理解链路
• Skills 体系：把工单/文档/图片 OCR 等输入统一识别，把排查入口与工具链连起来

3. 端到端排查实践：从服务端到客户端

• 怎么持续变准：从调参到可评测、可迭代
• Benchmark：把高频场景做成金标准题库，迭代有指标、有回归

4. 总结展望：把诊断结论与反馈变成可复用资产，推动 “越用越准”

• 下一步：从排查工具到研发智能体基座
• 体验洞察：反馈与行为数据中找到机会，让治理前移到预防

您认为，这样的技术在实践过程中有哪些痛点？

• 重度依赖模型推理能力：整体问题排查的准确度跟模型的推理能力直接相关，用参数较小模型排查效果不及预期

演讲亮点

• 超长上下文治理、Codebase Agent 能力、项目知识库 AI 自动化

听众收益

• 一套“AI 做线上排查”的落地路径：底座、知识、工具、闭环与评测怎么搭
• 端到端排查的关键难点：上下文治理、链路对齐、以及如何规模化迭代

为提升业务稳定性与发布效率，新功能上线通常会通过功能开关实现灰度放量。随着业务长期迭代，大量过期、冗余开关及对应的旧业务代码逐渐形成技术债务，传统人工治理不仅效率低下，还容易引入线上风险。本次分享将介绍快手内部特性开关平台的 AI 自动化治理实践。通过开关使用分析与生命周期检测，结合 AI 大模型自动生成代码修改并完成自动化校验；同时构建评测闭环流程，持续提升代码修改准确率，实现无用开关批量下线、代码清理、正确性校验、风险拦截与自动合入。落地后人工治理成本下降 70% 以上，线上变更风险显著降低。本次分享我将完整呈现方案选型、技术实现与踩坑复盘，为规模化研发场景下 AI 驱动的代码治理提供可落地的工程实践。

演讲提纲

1. 开关治理的 “隐形困境”—— 从业务刚需到技术债陷阱

• 开关的核心价值：支撑灰度放量、版本回滚，保障发布效率与线上稳定性
• 核心矛盾：业务快速迭代导致开关大量沉淀，过期 / 冗余开关变成技术债
• 传统治理 “死循环”：人工梳理耗时耗力、易引发代码变更风险，且治理速度远跟不上开关新增速度
• 破局关键：AI 不再是辅助，而是直接自动修改代码、完成开关下线，实现治理模式本质升级

2. 实践关键： 治理 Agent 的演进与工程落地

• 精准识别：解决 “哪些开关该下线”
• 自动执行：AI 直接改代码、清冗余
• 自主修复：遇到逻辑不对的情况可以自主修复
• 持续优化：让 AI 越用越准

3. 核心挑战

• 如何保障 AI 代码修改的正确性，避免引入线上风险
• 如何实现跨文件、全链路代码治理，精准定位开关调用与依赖关系
• 如何构建可持续迭代的评测与闭环体系，保证治理效果持续提升

4. 落地成效

• 效率提升：人工治理成本下降 70%+，打破 “新增＞偿还” 困境
• 研发提效：让研发人员从重复的开关清理工作中解放，聚焦核心业务开发

5. 总结与展望：从 “开关自治” 到 “代码技术债治理新范式”

• AI 驱动开关治理的关键，是 “工程化落地” 而非 “单纯模型能力”
• 经验复盘：踩过的坑与可复用的工程化思路
• 未来方向：从单一开关治理，延伸至全场景技术债治理；打造全自主、自演进的 AI 治理能力，成为研发效能提升的核心支撑

您认为，这样的技术在实践过程中有哪些痛点？

• 治理场景与问答 / 排障场景不同，代码修改错误极易引发线上故障，如何保障准确率是第一要务
• 评测体系搭建：要搭建适配的评测体系，并根据评测结果不断调优 Agent

演讲亮点

• 工程化落地与实战踩坑：自动化治理 Agent 的搭建与落地，以及踩坑记录
• 治理正确率提升：如何不断提升 AI 治理的正确性

听众收益

• 全面了解快手内部开关平台从 “人工治理” 到 “AI 自动治理” 的开关治理演进历程，掌握 AI 驱动开关技术债偿还的完整实践路径
• 深入理解 AI 大模型与传统工程的融合机制，明晰如何落地开关自动化治理