从「构建 AI」到「驾驭 AI」，100+ 实战案例拆解 AI Native 时代的工程新实践！
推理模型持续突破能力边界，Coding Agent 深度参与研发流程，Agent Runtime、Agent Framework 快速演进……AI 正在从回答问题的模型，演变为能够自主规划、调用工具、执行任务的软件系统。AI 不再只是软件中的一个能力，而开始成为软件系统的一部分。这意味着软件工程面对的挑战也发生了变化：团队需要思考的不再只是如何训练模型、模型、部署模型 或优化 Prompt，而不是如何让具备自主能力的 AI 稳定、可信、可控地运行。模型决定 AI 能做什么，系统决定 AI 能否真正创造价值。
在这一背景下，2026 年 QCon 全球软件开发大会大会 · 上海站正式启动。本次大会将于 10 月 22 日—24 日举办，聚焦 Harness AI 时代的工程实践，围绕 AI Native 架构、Agent Runtime、AI Infra、Data Systems、Agent 安全与可观测、Loop Engineering、Vibe Coding、具身智能与世界模型、端云协同等前沿技术方向，邀请全球技术社区与产业一线的实践者，系统性分享前沿洞察与实战经验，共同探索 AI 从能力到系统、从实验到生产的真实路径。
阿里巴巴高级研发工程师李峥峰已确认出席 “AI 驱动的软件工程” 专题，并发表题为《Open Code Review：百万真实任务验证的确定性工程与 Agent 协同》的主题分享。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。
李峥峰,阿里巴巴高级研发工程师、Open Code Review 作者、阿里集团 AI 代码评审负责人。主要研究 AI Agent、程序分析等方向，先后负责了集团内代码导航、代码洞察、代码评审智能化等项目的落地，服务了数万阿里集团开发者，在实际业务中取得显著效果。在 AI Agent 系统设计、场景化工具链蒸馏、大规模生产环境下的质量-成本-速度平衡等方面积累了一定的经验。主导开源了 Open Code Review 项目及业界首个多语言、具备存储库上下文感知的 Code Review Benchmark（AACR-Bench），为行业提供了更精准的质量评估标准。他在本次会议的详细演讲内容如下：
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
除此之外，本次大会还策划了Loop Engineering、千行百业 Agent 创新实践、Agent 自主进化：从记忆到持续学习、Agent as a Service、Vibe Coding 时代的新质量债、理性驾驭 AI 的 SRE 可靠性工程、金融 AI Native工程实践：从研发提效到业务破局、AI Infra：算力效率决定规模化落地、AI Native 架构等 20 个专题论坛，届时将有来自不同行业、不同领域、不同企业的 100+资深专家在现场带来前沿技术洞察和一线实践经验。
QCon 全球软件开发大会·2026（上海站）现已正式启动。本届大会聚焦 Harness AI 时代的工程实践，从「构建 AI」到「驾驭 AI」，围绕 AI Native 架构、Agent Runtime、AI Infra、Agent 安全与可观测、Loop Engineering、具身智能与世界模型 等热门技术方向，邀请全球技术社区与产业一线实践者，共同分享 AI Native 时代最具价值的工程经验。8 折倒计时进入最后一周，现在报名立减 1360，查看更多详情可扫码或联系票务经理 18514549229 进行咨询。
