在AI时代天猫技术质量同学在质量保障方面也不断探索AI在测试全流程提效的落地方案，传统测试工作链条拆解为“需求解析 → 用例生成 → 数据构造 → 执行验证 → 对比校验”五大核心阶段，而我们的目标是通过AI+自然语言驱动，实现全流程自动化、可溯化、可管理化。而最AI参与到测试中来，最主要的目标就是提效，目前几个月的实践下来发现在用例生成、测试数据构造和交易链路数据执行的过程中提效明显，下面来给大家简单介绍一下AI参与在测试流程中的实践方案。
本文介绍在C3级代码仓库中落地LLM代码评审的Agent实践。针对C3仓库禁用闭源模型的安全要求，基于Qwen3-Coder、RAG、Iflow实现，通过百炼Embedding构建知识索引，RAG知识库与生产代码同仓管理，文档与代码共生命周期保障一致性，AI辅助人工代码评审。在CI流水线监听代码修改自动触发AI评审，LLM进行代码解释、逻辑分析和识别并发缺陷、资源泄漏、边界错误、性能瓶颈及规范问题。以块存储C/C++百万行大库为例，已累计执行上千次评审，并部署至存储统一代码门禁平台，支持平台接入所有仓库。 实践表明，AI可有效发现传统CR易忽略的逻辑风险，已数十次成功拦截高危缺陷，显著提升评审效率与质量。当前持续优化准确性、误报率、采纳率，增强上下文感知，探索修复建议生成。该实践可复用于各类代码门禁平台或AI辅助编程工具。
本文介绍了一种面向天猫行业中后台前端研发的AI智能体（Agent）系统设计，旨在通过垂直化、多智能体协同和以需求为中心的架构，实现从产品需求文档（PRD）到代码交付的自动化研发流程。文章分析了当前AI辅助编码的提效瓶颈，提出将AI介入点前移至需求阶段，并构建了包含需求分析、任务拆解、代码生成与部署等子Agent的Multi-Agent体系。系统结合ReAct模式与“人在环路”机制保障准确性，采用本地化MCP服务和GraphRAG知识图谱提升安全性和上下文理解能力，同时引入视觉优先的多模态UI测试框架。最终目标是让开发者从重复性工作中解放，专注于高价值创新，推动研发模式由“工具辅助”向“需求驱动”的范式变革。
首先需要说明一下，标题中智造特指联调中的造数，是的，就是联调造数这么一个特定的场景下，我们采用了多个agent协同完成。联调造数是一个非常典型的AI应用场景，其背后是用户丰富的语言表达、复杂的业务场景、精准的指令执行。最初的时候，我们采用的是单agent模式，随着工具的不断接入和场景的不断深入，才逐步地演变成多agent模式（意图识别、工具引擎、推理执行等）。我会结合实际场景分别介绍两种方案，前者可以满足较为简单的造数场景，后者用以应对复杂的场景。
我是来自支付宝终端技术团队的王嘉伟（加伟），主要负责 MYWeb 浏览器内核的升级以及各种疑难杂症的攻坚。在本文中，我将结合我们在稳定性治理过程中遇到的真实案例，分享一个发生在混合渲染（Hybrid Composition） 场景下、由画布同步问题引发的有趣现象与分析过程。本次案例不仅具有代表性，也在社区中有不少类似的讨论，因此我特地将其整理出来，与大家交流分享。这篇文章力求通俗易懂。由于我本人最初并非该领域出身，对 Android 平台的了解也较为有限，因此在梳理问题的过程中，尝试以“小白视角”逐步推演、层层递进。希望这种讲述方式能帮助更多读者理解问题背后的原理与解决思路，从中有所启发。
本文面向对 AI Coding 感兴趣的朋友介绍 Claude Code。通过此次分享，可以让没有体验过的快速体验，体验过的稍微理解其原理，以便后续更好地使用。2025年最热闹的非 AI Coding 这个话题莫属，各大厂商竞相入场，开发出来的产品总是伴随取代程序的话题，甚嚣尘上。有人欣喜、有人恐慌、有人迷茫，而这一切都是「正常」现象。希望我的分享能给大家带来心灵按摩，坦然、客观的接受 AI Coding 这新事物。
