随着大模型能力持续提升，AI Coding 已成为研发提效的重要方式。然而，在大型工程、复杂架构和多端协同的真实研发环境中，"一个模型解决一切"的模式逐渐暴露出上下文膨胀、目标漂移、工程约束缺失、结果不可控等问题。如何让 AI 真正理解工程，而不仅仅是生成代码，正成为 AI Coding 走向规模化落地的关键挑战。

本次分享将结合小红书客户端研发 AI 化实践，介绍一套面向复杂工程的 AI Coding 落地方案。围绕"拆解、隔离、约束、感知"四个核心原则，通过任务拆解、多 Agent 协作、结构化中间产物、运行时反馈等工程化手段，让 AI 从"通才模型"演进为能够完成复杂研发任务的"专才 Agent"，实现从需求文档、Figma 设计稿到 Android、iOS、鸿蒙等多端可运行代码的全链路自动化研发。

分享将重点介绍 Context Engineering、Agent Harness、多 Agent 协同、Runtime Feedback 等关键技术实践，探讨如何降低上下文复杂度、提升代码生成确定性，并结合多个真实业务案例，分享 AI 在大型客户端工程中的落地经验，以及复杂研发场景下 AI Coding 的工程化演进方向。

演讲提纲

1. AI Coding 为什么在大型工程中失效

• 从 Demo 到复杂工程：AI Coding 面临的新挑战
• 单 Agent 的三大瓶颈：上下文膨胀、目标漂移、工程约束缺失
• 为什么模型越强、上下文越长，反而越需要工程护栏

2. 核心设计：拆解、隔离、约束、感知

• 面向 AI 的任务拆解：节点化架构与最小上下文单元
• 多 Agent 协同：职责隔离、流水线执行
• 结构化中间产物：让 AI 在可控边界内完成任务
• Runtime Feedback：通过截图、UI 树、日志等运行时信息，让 AI 感知真实执行结果，实现"写完即验、遇错即改"

3. Harness 工程实践

• Context Engineering：上下文如何组织
• Agent Harness：任务调度与流程编排
• 三重门控：输出检查、状态验证、文件完整性校验
• 闭环迭代：问题在 SubAgent 内部完成修正，不污染主流程

4. 真实业务落地效果

• 多个客户端页面自动生成实践
• Android → 鸿蒙跨端迁移实践
• AI 出码效率、代码采用率与工程收益
• 当前实践的局限性与未来优化方向

5. 总结与展望

• AI Coding 从代码生成走向工程智能
• Agent 如何成为研发流程中的核心执行单元
• 大型工程 AI Coding 的未来演进方向

实践痛点

落地需要前置产品需求阐述清楚，落地中 Token 消耗量需要进一步压缩，在小红书这样的大型项目效果还有优化空间，并不是一个终极形态。

前沿亮点

详细介绍 AI Coding 在小红书这样一个大型、重 Native 交互、高速发展的客户端落地实践。核心亮点：

• 任务拆解 + AI 友好架构，极大地降低了 AI 的上下文量
• 约束出码 + 多轮优化，将每一步的出码质量提升到最高
• 给 AI 加上动态感知能力，在客户端领域为 AI 补上了最关键的一个能力

听众收益

• 理解 AI Coding 在大型工程中的核心挑战，以及为何传统端到端方案难以规模化落地
• 掌握任务拆解、Context Engineering、Agent Harness、多 Agent 协同、Runtime Feedback 等关键工程实践，了解如何构建适用于复杂研发场景的 AI Coding 系统
• 学习从需求文档、设计稿到多端代码生成的完整工程化方案，以及 AI 提升复杂项目研发效率的真实经验
• 了解 AI Coding 从"辅助生成代码"向"理解工程、参与研发流程"演进的发展趋势，为构建下一代 Agent First 研发体系提供实践参考

随着 AI Coding 快速普及，代码生成正逐渐从研发瓶颈变成基础能力，而代码质量、安全性与工程可控性则成为新的核心挑战。越来越多团队开始尝试利用 Agent 自动完成代码评审，但在真实的大规模研发环境中，通用 Agent 往往会面临覆盖不足、定位漂移、质量波动、Token 成本过高等问题，仅依赖 Prompt 和大模型能力难以满足生产级要求。

本次分享将结合阿里 Open Code Review 的建设实践，介绍如何通过确定性工程 + Agent 协同，将通用 Agent 收敛为适用于代码评审场景的垂直领域 Agent。分享将围绕分治并发、精准定位、规则模板引擎、工具链蒸馏、上下文分层管理等关键工程实践，探讨如何将工程逻辑与模型能力结合，让确定性的工作交给工程系统，让需要语义理解的任务交给大模型，实现更高的稳定性、更低的成本和更好的评审质量。

同时，分享还将结合百万真实任务、阿里内部 2 万余名开发者的使用数据以及 Open Code Review 开源项目实践，介绍 AI Review 在生产环境中的效果验证，并进一步探讨 AI 深度参与研发后，如何建立新的评估体系，推动 AI Code Review 从"辅助工具"走向研发流程中的质量基础设施。

演讲提纲

1. AI Coding 普及后，代码评审成为新的效率瓶颈

• AI Coding 改变了代码生产方式
• 为什么交付质量成为新的核心问题
• AI Code Review 在研发流程中的价值

2. 为什么通用 Agent 难以支撑生产级 Code Review

• Demo 与生产环境的差异
• 覆盖率、定位准确率与稳定性挑战
• Token 成本与上下文膨胀问题
• 根因分析：Prompt 驱动为什么不足以解决工程问题

3. 确定性工程 + Agent 协同：五大工程实践

• 分治并发 —— 提升覆盖率
  • 文件选择与智能分组策略
  • 从串行 Review 到并行 Agent 协同
• 精准定位 —— 保证评审可落地
  • 三层定位机制（文件→代码段→行号）
  • 幻觉拦截：确保评论可对应到真实代码
• 规则模板引擎 —— 提升稳定性与一致性
  • 从 Prompt 驱动到规则驱动
  • 按文件类型/语言动态注入评审上下文
• 工具链蒸馏 —— 提升 Agent 可预测性和安全性
  • 从真实任务中收敛高频工具调用模式
  • 减少探索性调用，降低不确定性
• 上下文分层管理 —— 降低 Token 消耗
  • 冻结区：不变的全局背景
  • 压缩区：可摘要的历史上下文
  • 活跃区：当前推理所需的最小上下文

4. 百万真实任务验证

• 阿里内部生产数据
  • 2W+ 开发者使用行为分析
  • AI Review 使用趋势与渗透率变化
• Benchmark 量化对比
  • 准确率与召回率
  • Token 消耗与成本效率
• Open Code Review 开源实践
  • AI 写 → AI 审 → AI 改：完整研发闭环
  • 社区场景下的效果复现

5. AI 时代如何重新定义研发度量体系

• 为什么采纳率与 AI 评论占比开始失效？
• 如何建立新的 AI Review 评估体系？

6. 总结与展望

• 从通用 Agent 到垂直 Agent 的工程范式
• AI Review 与 AI Coding 的协同演进
• AI 驱动研发质量体系的发展方向

实践痛点

1. 规则模板引擎的维护成本与泛化瓶颈

• 模板引擎提升了精度和稳定性，但代价是每新增一种文件类型、框架或业务场景都需要人工编写规则模板。通用 Agent 天然具备零样本泛化能力，而模板引擎在遇到从未见过的模式时是沉默的。规则库本身也会腐化 —— 代码规范在演进，模板如果不跟着更新就会产生过时建议

2. 度量体系本身的维护成本与时效性

• AACR-Bench 的 Ground Truth 是人工标注的某个时间切片。代码模式在变、框架在更新、AI 生成代码的缺陷分布也在漂移，Benchmark 如果不持续投入更新就会与生产现实脱节。而每次更新的标注成本极高，这不是一个能高频迭代的闭环

演讲亮点

• 完整呈现从通用 Agent 到垂直领域 Agent 的收敛路径 —— 不是理论推导，而是经过百万真实任务验证的工程实践，包含分治并发、精准定位、工具链蒸馏、上下文分层等可复用的设计模式
• 深入探讨当采纳率等传统指标在 AI 深度参与时代失效后，如何构建科学的度量体系来驱动系统持续迭代 —— 这是当前业界普遍面临但少有系统性解法的问题

听众收益

• 理解 AI Code Review 在真实生产环境中的核心挑战，以及为什么通用 Agent 难以直接满足大规模研发需求
• 掌握确定性工程、上下文管理、工具链蒸馏、规则模板等关键工程实践，学习如何构建稳定、可控、可扩展的垂直 Agent 系统
• 了解百万真实任务验证下的 AI Review 落地效果，以及 AI Coding 与 AI Review 协同构建研发闭环的工程经验
• 理解 AI 深度参与研发后的质量评估新范式，学习如何构建更加科学的研发度量体系，为 AI 驱动的软件工程实践提供参考

过去一年，AI Coding 大幅降低了软件开发门槛，让个人开发者第一次拥有了接近小团队的生产能力。然而，真正决定一个产品能否成功的，并不是代码生成，而是从 Idea、设计、开发、验收到发布、增长的完整产品交付能力。AI 能够帮助写代码，却无法替代产品判断；能够提升单点效率，却不意味着能够完成完整的产品闭环。

本次分享将结合真实产品实践，介绍一套面向 AI 时代独立开发者的完整产品工作流（OPC）。围绕 Idea、设计、实现、验收、发布 五个阶段，分享如何将 AI、自动化工具与 Agent 深度融入产品研发全过程，构建一套能够持续运行、持续迭代、持续增长的产品生产体系，实现从一个想法到真实上线的完整闭环。
分享将重点介绍需求发现、设计生成、AI Coding、运行时验证、自动化部署、增长运营等关键实践，并探讨 AI 如何从“代码助手”逐步演进为覆盖产品全生命周期的数字团队，帮助个人开发者真正迈向“一人公司”的新工作方式。

演讲提纲

1. AI 时代，一人公司正在成为现实

• 为什么 AI 改变的不只是编程，而是整个产品生产方式
• 一人公司 ≠ 一个人完成所有工作
• OPC（One Person Company）的核心理念

2. Idea：如何找到真正值得做的产品

• 从真实需求而不是灵感出发
• 利用 AI 建立信息收集与需求分析流水线
• 如何验证需求，而不是验证想法

3. Design：让 AI 理解产品，而不仅是页面

• 最短成功路径设计
• 从参考产品到可交互 Demo
• 设计资产如何成为 AI 的上下文

4. Build：AI Coding 如何真正提升研发效率

• Prompt、Context 与 Agent 如何协同工作
• AGENTS.md、SubAgent、Makefile 等工程实践
• 如何构建适合 AI 持续协作的开发环境

5. Validate：为什么“写出来”不等于“能上线”

• AI 驱动的自动化验收
• 浏览器、日志、截图等运行时验证
• 如何建立可回归、可恢复、可上线的工程体系

6. Launch：AI 如何参与增长与运营

• 从部署到真正发布
• 内容生产、渠道运营与用户反馈
• 利用 AI 构建持续增长闭环

7. 总结与展望

• AI 正从 Coding 走向 Product
• 一人公司背后的工作流重构
• AI 驱动产品研发的新范式

实践痛点

• Vim 的学习曲线比较陡，但只要学会了 Vim，就可以大大降低多语言多项目的协作摩擦。

演讲亮点

• 不迷信复杂 Agent Harness
• 小步 AI 协作方法论
• AI 时代反而是 Vim 和 Makefile 这种老古董用起来最方便

听众收益

• 理解 AI 如何覆盖产品从 Idea 到增长的完整生命周期，而不仅仅是辅助编程
• 学习适用于独立开发者和小团队的 AI 产品工作流，掌握需求分析、设计、开发、验收、发布等关键实践
• 掌握 AI Coding、Agent、自动化工具协同工作的工程方法，构建可持续迭代的产品研发体系
• 理解 AI 时代产品开发方式的变化趋势，探索如何借助 AI 构建真正具备持续交付能力的“一人公司”

AI 编程助手把代码的生产速度放大了，验证能力却没有同步跃升。但"多招几个测试"解决不了这件事——我们复盘后发现真正的堵点有两个，且是乘法关系：

• 判据缺失：AI 不知道"什么算对"。需求、技术方案、基建规范、团队约束都散在文档里，无法被消费，于是 AI 只能追求"看起来能跑通"。

• 信号缺失：AI 拿不到"对不对"的客观反馈。它看不见屏幕、读不到运行时、点不动按钮、没法把 App 拉到目标状态。我们量化过：AI 生成 100 个用例，环境搭建 60% × 数据构造 50% × 执行 40% × 工具自动化率 70%，综合可执行率只有 6.4%。

任一为零，自主性就是零。TEKO 的答案是同时补两根柱子：

• 判据侧：把质量能力做成可在任意研发环节调用的 Skill，让"验收条件"成为一个在链路上逐级传递、逐级细化的结构化数据对象：需求文档产出需求验收条件；技术方案 + 基建规范 + 团队约束产出技术验收条件；代码 diff + context7 + 领域知识产出风险点与配套用例；构建产物产出单测 / 白盒 / UI 自动化用例。最反直觉的一步是把验收条件回喂给生码环节——判据先行，这才是 AI 原生的 TDD。

• 信号侧：把 App 从"只能被人看的交付物"改造成"能被 Agent 寻址、观测、驱动、复现的可编程环境"，并往下打到根因：自动化上不去往往不是用例不够，而是系统本身不可测。我们用终端环境全局切面 + SDK 可测性基线与 CI 卡口去改造"物理法则"。

两根柱子合流，Agent 的循环长度才能从 1 变成 N——从"生成后交给人"变成"生成、执行、观测、判断、修复、复跑"全程无人；线上 Crash 与舆情也能反过来自动转化为回归用例，让用例库有机生长而非靠人工建设。本场交底架构、工程取舍、一个可自评的成熟度阶梯（L0→L5），以及量化效果与尚未解决的问题。

演讲提纲

AI 生码放大了生产速度，验证能力没有同步。三个诊断——变更快过用例的老病、"能跑通≠逻辑对"的新伤，以及最易被忽略的根因：系统本身不可测。提出全场骨架：自主性 = 判据 × 信号，二者是乘法关系，只补一边等于没补。

一、判据：把"什么算对"变成可传递的数据：需求文档不适合生成用例，但它是判据的天然来源——判据左移，验证右锚。四级验收条件流水线：需求文档→需求验收条件；技术方案＋基建规范＋团队约束→技术验收条件；代码 diff＋TBContext7＋领域知识→风险点与配套用例；构建产物→单测/白盒/UI 用例。最反直觉的一步是把验收条件回喂给生码环节，即 AI 原生的 TDD。含三源上下文（改了什么/影响了谁/意味着什么）、可执行性过滤与双模召回、以及为什么做成 Skill 而非平台。

二、让判据生产线跑得稳：Session-Stage 编排与五路并行、多 Agent 容错、AI 产出多策略修复链（解析成功率 80%→99%+）、全链路 Trace 与两层评估。主张：AI 系统必须是白盒。

三、信号：把待测对象改造成可编程环境，提供编码反馈的环境层：对人是交付物，对 Agent 必须是环境。四个必要条件、6.4% 可执行率的连乘诊断、三层信号（单测/白盒/UI）、三个工程取舍（侵入边界、结构优先视觉兜底、会话解耦）、可测性治理与 L0→L5 成熟度阶梯。主张：自主性的地板是可测性。

四、合流：循环长度从 1 到 N，改变的是 Agent 能承担的任务类型；三个闭环证据 ＋ 线上负向信号转回归用例的反向飞轮。

五、效果与代价：三端 100% 覆盖、单次分析 12 分钟、1.5w+ 入库用例、96% 操作成功率、性能报告 10 人日→1 人日；坦诚讲鸿蒙短板、运营成本与组织阻力。

六、总结收尾：更高的自主性来自更严的约束；质量工程师的价值转向设计判据、构建信号、改造环境。

实践痛点

• 判据的冷启动：最关键的知识恰恰没有载体
• 上下文的规模与新鲜度：影响面算不准，下游全歪
• AI 的不确定性，让测试系统自己不可回归
• 效果无法自证：这个领域没有 ground truth
• 环境能力是连乘的，短板决定上限
• 测试基建自己成为线上风险源
• 可测性治理的阻力在组织，不在技术

演讲亮点

• 把方向反转：测试产出成为编码的输入
• 把"质量左移"从口号变成一个数据结构
• 一个可诊断的公式：自主性 = 判据 × 信号
• 识别出"不可测"才是根因，并用 AI 去改造架构
• 补上移动端缺失的那层运行时抽象，支撑编码反馈的环境层
• Agent-Native 基础设施的一个真实样本，含评价标准的更换

听众收益

• 一个可复用的诊断公式：自主性 = 判据 × 信号。附两侧各自的量化诊断法（6.4% 可执行率的连乘模型、可测性基线扫描），听完能定位自己团队缺的是哪一边
• “验收条件”作为数据契约的完整设计：四级流水线的输入源、产出物、消费者与回喂机制；以及为什么它必须是结构化对象而不是一段文字。这是全场最可直接照搬的一节
• 一个可自评的环境成熟度阶梯 L0→L5：每级明确"判定标准 / 需要的基础设施 / 解锁的场景 / 代价"。含三个自建绕不开的取舍：侵入与非侵入的边界、结构化定位 vs 纯视觉、设备会话与 Agent 会话解耦
• “用 AI 评估 AI”的闭环设计：全链路 Trace 采什么、两层评估如何平衡成本与精度、评估结论如何反哺 Prompt。以及大模型工程化的脏活清单——多 Agent 主备降级、超长 diff 自适应、AI 产出多策略修复链（解析成功率 80% → 99%+）
• 一组生产验证的数据与代价：三端 100% 覆盖、12 分钟单次分析、1.5w+ 入库用例、96% 操作成功率、性能报告 10 人日 → 1 人日；同时坦诚讲清鸿蒙端 85% 成功率、真机不稳定性的兜底、以及可测性治理遇到的组织阻力

适合听众

测试与质量效能负责人、研发效能与工程基础设施团队、移动端研发与架构、AI Agent 平台建设者。

预备知识

了解 LLM / Agent 基本概念，用过任一 AI Coding 工具（Cursor / Claude Code / Qoder）。

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。

AI 大幅降低了代码生成成本，却没有同步降低正确性交付成本。进入大型工程后，模型更像一个能力放大器：工程基础扎实的地方被放大，缺失的约束、验证和定位能力也会被放大。

本次分享结合后端、Web 前端与移动端的真实实践，聚焦 AI Coding 落地最关键的四件事：约束、定位、验证、度量。分享如何将架构规则从文档变成可执行约束，利用工程关系精准定位上下文，通过自动化验证提供交付证据，并从“代码量、Token、采纳率”等过程指标回归到一个更核心的问题——AI 写出来的代码，我们敢不敢合并？

同时复盘大型团队在 AI 工程化过程中的真实取舍：哪些建设值得持续投入，哪些方案已经验证失败需要止损，以及什么样的工程与协作形态，才能真正支撑 Fullstack 的规模化 AI 交付。

演讲提纲

1. AI Coding 在大型工程中为什么容易失速

• AI 是能力放大器，而不是工程能力补全器
• Harness 为什么会快速腐化
• 局部有效为什么难以跨团队、跨技术栈复制

2. 把工程规则变成 AI 能理解的确定性约束

• 约束左移：Format、AST、测试、编译检查
• 让 Codegen、强类型、构建系统承载工程事实
• 减少平行文档，让代码和工具成为唯一事实来源

3. AI 时代工程能力的四个底座

• 约束：把架构规则变成机器可执行的检查
• 定位：从“塞满上下文”转向利用工程关系找上下文
• 验证：从“生成代码”转向“提供交付证据”
• 度量：从 Token、代码量、采纳率回归“敢不敢合并”

4. 大型团队的真实实践与取舍

• 哪些工程建设已经验证有效
• 哪些方案失败，为什么选择止损
• Fullstack AI 交付真正跑通需要什么条件
• 技术改造背后的组织成本与未解决问题

实践痛点

• 自我变革需要背水一战的决心:改变熟悉的分工、研发方式与交付习惯
• 面对已经验证不适用的平台和工程，需要敢于否定既有投入，承担拆除与重建的责任

前沿亮点

• 从“让 AI 写得更多”转向“让团队敢于合并”：重新定义 AI Coding 的工程目标，从代码生成效率回到最终交付确定性
• 约束、定位、验证、度量的完整工程实践：覆盖后端、Web、移动端，而非单一技术栈的局部实验
• 真实的失败与止损经验：不仅分享做成了什么，也讲清楚哪些方案为什么失败，以及什么时候应该停止投入
• 代码成为 AI 与人共同的工程事实：减少依赖文档，通过 Codegen、类型系统、AST、编译和测试，让工程规则直接进入构建链路

听众收益

• 理解大型工程落地 AI Coding 时，真正的瓶颈为什么从“写代码”转向“确定性交付”
• 获得约束、上下文定位、自动验证等工程建设的具体实践参考
• 了解大型团队 AI 工程化中哪些值得做、哪些应该停止做，避免陷入不断堆 Harness 的低效循环
• 理解 Fullstack AI 交付真正需要的工程和协作基础

AI Coding 让代码生产速度大幅提升，但 Issue、PR、合规、安全等治理环节仍依赖人工，逐渐成为研发效率的新瓶颈。

本次分享将结合 Kimi Agent Harness 在开源场景的实践，介绍开源治理智能体 Mira 如何把 AI 从“发现问题”推进到“解决问题”：自动完成 Issue 分诊、PR Review、依赖与许可证扫描、安全漏洞响应，并通过渐进式授权、人机协同和全链路审计，让 Agent 真正进入生产治理流程。

分享将重点拆解从通用 Agent 到垂直治理 Agent 的工程实践，以及如何解决“敢不敢让 AI 动手”这一核心问题，并通过真实治理数据展示 Agent 对响应效率、维护者负担和治理质量的实际提升，探讨 AI Native 时代开源治理的新范式。

演讲提纲

1. 开源治理的新瓶颈

• AI Coding 提速后，治理为什么反而成为瓶颈
• Issue、PR、合规、安全的人工治理困境

2. 从 Agent Harness 到 Mira

• Agent 如何进入真实开源生产环境
• Issue / PR / CI / SBOM 等数据如何接入
• 从只读诊断到自动执行的渐进式授权

3. Mira 核心实践

• Issue 自动分诊与响应
• PR Review 与合并辅助
• 许可证、依赖与漏洞治理
• 从发现问题到自动修复 PR 的闭环

4. AI 怎么做到“敢动手”

• 人机协同审批
• 权限分级
• 全链路审计与回放
• 自动化边界如何定义

5. 真实数据与未来

• 治理效率、响应时间、维护者负担的变化
• 从“AI 辅助治理”走向“AI Native 治理”

前沿亮点

• 让 Agent 真正动手治理开源项目：不止分析和告警，而是直接分诊、Review、修复、验证
• 解决 Agent 生产落地最大的信任问题：通过渐进式授权 + 人机协同 + 全链路审计，让 AI “敢做事、做错可追溯”
• 从发现问题到闭环解决：打通 Issue、PR、CI、SBOM、安全情报，形成真正的治理闭环
• 真实生产数据验证：不是 Demo，而是用实际治理效率和维护者负担数据验证 Agent 价值

听众收益

• 学会一套 Agent 进入真实生产系统的工程方法：权限、审批、审计、可观测
• 了解 AI 如何从“发现问题”走向“自动解决问题”
• 获得一套可迁移的 AI Native 治理范式，用于研发、运维、安全等其他 Agent 场景