专题演讲嘉宾：李榕

大多数 AI 分享聚焦于全新项目里的“惊艳演示”——用 Vibe Coding 快速做出 PoC。但真实的企业级工程完全不同：庞大的遗留代码库、数百万高质量期望的企业客户、每两周一次的稳定交付。在这样的场景里，AI 带来的往往不只是速度，还有被忽视的隐性成本：代码产出激增，而人的评审带宽有限，评审变浅、技术债悄然累积，最终质量下滑、客户受损、团队疲惫。

本次分享来自一线真实工程实践，讲述我们如何面对并“偿还”这笔隐性成本：为携带大量历史债务的项目设定正确预期，用反馈闭环守住质量，用持续重构控制技术债，再用确定性的自动化关卡真正释放研发速度。我们还会分享数据驱动决策、"模式思维"这一最被需要的能力，以及多个 AI 融入日常工作的真实案例。

演讲提纲

1. 概览：规模、包袱与质量约束

2. AI 提速的隐性成本：为什么"更快"会变成"更贵"

• 核心框架：守质量 → 控债务 → 提速度
• 守住质量：建立反馈闭环

3. 与 AI 一起做数据驱动决策：观察—分析—决策—行动

• 控制技术债：一致性、显式性与持续重构
• 释放速度：把确定性关卡尽可能前置到流水线

4. 案例：AI 如何融入工程师与管理者的日常

实践痛点

• AI 的瓶颈不是算力，而是人。 智能体工作流必须尊重“人在环路”中有限的评审带宽，否则质量崩塌
• 携带历史包袱的项目需要正确的预期。 隐性成本必须先被承认、再被偿还，才能谈提速
• 质量要靠闭环守住，不能靠人海。 测试覆盖、Dogfooding、遥测与客户反馈共同构成安全网
• 技术债要持续偿还。 当问题形成模式，就该重构甚至重写，并把范例前置给 AI 复用
• 速度靠自动化关卡释放，而非施压于人。 把确定性检查前置到流水线，把人从重复劳动中解放出来

前沿亮点

• 真实的大项目，而非全新项目： 企业级代码仓库、百万高标准企业客户——不是 Vibe Coding 的 PoC
• 质量是硬约束： 在高标准场景下，失控的 AI 往往制造的问题多于价值——这正是最少被谈及、却最真实的一面
• 可复用的方法论： "守质量—控债务—提速度"三段式框架，以及可落地的数据驱动决策闭环
• 全部源自一线实践： 每条经验都来自持续交付的真实产品，而非演示

听众收益

• 一套在历史包袱、高质量约束场景下引入 AI 的可复用框架，而不仅是演示技巧
• 如何识别并偿还 AI 提速带来的隐性成本，为团队设定正确预期
• 守住质量的具体工程实践：反馈闭环、数据驱动决策、持续重构、确定性自动化关卡
• "模式思维" 这一关键能力，帮助从看似无关的问题中提炼共性并系统性解决