专题演讲嘉宾：王泽锋

过去一年，AI Coding 已逐渐成为软件研发的新范式。随着代码生成能力不断提升，需求实现成本被大幅降低，研发生产节奏持续加快。然而，在真实复杂的工程环境中，研发效率的瓶颈正逐渐从“代码编写”转向“研发后链路”——包括稳定性分析、问题定位、风险治理、上线保障与经验沉淀等环节。这些工作仍然高度依赖人工，难以跟上 AI Coding 带来的研发吞吐增长，也成为 AI 深入研发流程必须解决的关键问题。

与此同时，鸿蒙生态快速发展，移动端研发正逐步进入 Android、iOS、HarmonyOS 多平台并行的新阶段。鸿蒙原生、KMP 等新技术栈在带来跨平台研发效率提升的同时，也引入了新的稳定性挑战：跨语言运行时、多技术栈协同、复杂异常现场分析等问题，使传统稳定性保障体系面临更高复杂度，也对 AI 的工程理解能力提出了更高要求。

本次分享将结合快手移动端稳定性 Agent「柯南 AI」的建设实践，分享 AI 如何从代码辅助走向研发后链路，成为能够理解工程上下文、参与稳定性治理的数字同事。内容将覆盖 Agent Workflow、Context Engineering、Agent Harness、Agent 友好型工程基建等关键实践，介绍 AI 如何自动完成异常现场聚合、证据补齐、根因分析、处置建议、自动修复及知识沉淀等完整流程，并结合鸿蒙与 KMP 等典型场景，分享 AI 在复杂工程环境下解决疑难稳定性问题的实践经验，探讨 Agent First 的稳定性研发新范式，以及 AI 驱动研发体系演进的未来方向。

演讲提纲

1. AI 时代移动端稳定性保障面临的新挑战

• AI Coding 提升研发生产效率，但稳定性保障链路尚未同步提速
• AI 时代研发效率瓶颈为何逐渐转向研发后链路
• 鸿蒙原生、KMP 等新技术栈带来的稳定性新挑战

2. AI 如何重构稳定性研发流程：Agent First 工作范式

• 快手移动端稳定性体系现状与挑战
• 柯南 AI Agent 实践与典型案例展示
• Agent 工程关键实践
  • Workflow、LLM 与 Agent 的能力边界
  • 面向稳定性场景的轻量级 Agent Harness
  • Agent 友好的数据服务与上下文工程
  • 基于可观测体系的数据飞轮建设

3. AI 驱动复杂稳定性问题治理实践

• 鸿蒙 OOM、Freeze 等复杂问题分析实践
  • Agent 驱动的异常现场聚合与 Heap Snapshot 分析
  • 自动分析、自动分发与治理闭环
  • 多技术栈协同问题治理（鸿蒙 + KMP）
• Agent 如何整合跨语言、跨运行时上下文
  • 跨语言循环引用问题治理实践
  • 跨语言死锁问题治理实践

4. 总结与展望

• AI 从辅助工具走向研发流程参与者
• Agent 在稳定性领域的发展方向
• AI 驱动研发后链路智能化的未来展望

实践痛点

大模型不是稳定性领域的银弹。一方面，稳定性天然和大量内部系统紧密结合，存在大量私域知识，而移动端线上版本的高度碎片化还会带来大量历史兼容性问题。这些信息无法通过模型升级被自然习得，而且还会被持续生产。我们需要持续通过上下文工程建设给模型补齐知识（私域知识），加上“手脚”（内部系统访问能力）。另一方面，一个稳定性问题被解决的上限，取决于问题现场的信息能多大程度被采集到。端侧基建不会过时，需要持续建设。

演讲亮点

实战参考价值：在快手这一亿级 DAU 和超长使用时长 App 上，在内部百级别开发者和真实线上 Top 问题的考验下取得实际提效和指标治理结果

听众收益

• 了解 AI Agent 在研发后链路中的真实落地实践，理解如何基于日志、堆栈、源码、监控、变更等工程资产构建真正可落地的稳定性 Agent。
• 掌握 Agent Workflow、Context Engineering、Agent Harness、Agent 友好型基础设施等关键工程方法，以及复杂研发场景中的实践经验。
• 了解鸿蒙、KMP 等新技术栈下稳定性治理的核心挑战，以及 AI 在复杂工程问题分析、定位与治理中的应用方式。
• 理解 AI Coding 时代研发效率瓶颈的变化趋势，探索 Agent 如何推动研发流程从代码生成走向稳定性治理、知识沉淀等全链路智能化，构建面向未来的 Agent First 研发范式。