2025QECon全球软件质量效能大会：“搭积木式”知识工程驱动AI智能体高效落地

陆钱春｜中兴通讯有线大模型总工程师陆钱春中兴通讯有线大模型总工程师、知识工程首席专家主导端到端的知识体系规范制定、

模型设计与工程落地

，

并从技术顶层设计出发

，

推动有线经营部完成以大模型为核心的组织转型与应用场景落地。目录CONTENTS01

庖解真凶02

破局之道04

效果验证03

方法实践PART

01庖解真凶寻找大模型落地冰山下真凶123让通用大模型处理电信私域知识→一本正经胡说八道需求说要

"高速公路

"→模型开发建成

"停车场

"模型给出答案→但工程师还得手动把答案粘到

工单系统里•

不了解领域“强规则约束”行业RFC协议、业务边界、安全合规

等•

人机流程割裂：仍沿用传统工作流

，模型成为“外挂”而非“

内嵌•

知识断层的恶性循环：需求-设计-开发-测试业务逻辑连贯性不足大模型提效的三大核心痛点案例当前产品研发普遍存在存量代码量大、业务复杂度高

，如何对30年的老城做“智慧城市”升级？业务专家/架构师经验锁在个人大脑里

，知识链如何显性化的被大模型学习到？大量重复的研发范式

，80%新套餐

=旧套餐组合（

"语音包+流量包"）

，

大模型如何学会按需组装？

如何分步改造？

如何经验传承？

如何知识复用？历史包袱重知识孤岛复用困局提效要求

=业务不能停、

核心系统不能崩、

效果要立现疱解真凶：

寻找冰山下的真凶如何破局？PART

02破局之道探究逻辑洞悉本质行业特有优势：•

业务流程有高度标准化

，比如

各类协议标准

，结构化是主要

突破口业务知识层面：•电信领域有大量重复业务模式，知识复用比例高,这是核心提

效逻辑•产品软件开发通常都是基于现有系统（存量）做新增需求

（增量）

的开发

，

同时保证交付质量技术本质：•如何建立新知识生产和存量知识消费之间的映射

，为大模型提供精准上下文

，达到高效知识复用•专家经验变成乐高

，

协议就是规则说明书•让新知识像搭积木

，精准按规则拼装底层逻辑

技术逻辑破除困局：

探究逻辑洞悉本质设计原则：四步法

4（1）

以领域业务逻辑为核心

，重构人机协作流程

，实现

“模型内嵌

“（2）

从手摇车窗

，到自动泊车

，司机（专家）

还是最终拍板以知识组装MVP为抓手

，

以需求->开发、需求->测试两条主线牵引端到端能力建

设（1）

知识规范驱动大模型成为端到端研发流程的

“数字孪生体”（2）

知识规范约束

“需求->开发/测试”增量与存量之间的关系及语义断层（1）

探索

“领域专家

+AI工程师

+架

构师”铁三角（2）

专家给行规

，AI提速度

，架构师保

质量1.领域知识封装：通过知识规范把专家经验变成乐高说明书

3.组织重构：三人铁三角知识封装+流程再造+组织重构支撑知识复利的提效底层逻辑

，价值聚焦牵引提效落地四步破局：

知识封装、

流程再造、

组织重构、

价值聚焦2.流程再造：AI成为副驾驶.价值聚焦：“高杠杆”场景优先知识封装层级核心内容关键作用特征缺失表现1.流程框架层

(流程规范：元模型)知识规范&知识模型：研发流程的阶段划分、步骤方法、产出物、关联关系标准化

，并通过知识图谱建立可追溯的链路建立端到端研发活动的主干骨架和导航逻辑

，确保流程连贯、可追溯。定义“做什么”和“流程怎么走”。高度抽象稳定。流程失控

，产出物不可用：•上下文断裂：需求→方案->详细设计→代码无法追溯•盲人摸象式生成：输出碎片化•协作混乱：多角色协作失效•质量失控：无法系统性验证2.领域业务模型与业务规则层（业务规范）封装核心业务概念、规则、状态机的形式化表达、典型业务场景模式库赋予骨架业务语义和逻辑

，确保需求、设计在业务层面的准确性和完备性。解决“业务是什么”和“业务规则是什么”。深度依赖领域知识。业务功能错误

，引发重大事故：•正确的废话：业务逻辑失真•代码偏离业务：核心规则遗漏•复杂场景失效：关键流程崩溃•高度依赖人工修正：专家被迫救火3.架构约束与设计模式层（架构规范）架构原则、组件/服务规范、API规范、数据规范、设计模式库、非功能性需求策略、技术栈约束提供系统级设计约束和最佳实践

，确保设计的技术合理性、一致性、可维护性。解决“怎么设计得好”。连接业务与实现。稳定性崩塌

，长期演进能力丧失：•缝合怪式设计：组件耦合•无视非功能性需求：安全/性能缺陷•低可维护性：技术债飙升•集成灾难：系统级故障4.代码规范与实现模式层（编码规范）语言规范、代码结构、命名规范、函数/模块模板、典型代码片段、重构模式、与架构组件的映射指导高质量、可维护代码的具体生成和修改

，实现精准增量开发/维护。解决“怎么写代码”。最具体、最接近产出。开发效率骤降

，维护成本翻倍：•能用但丑陋的代码：超长函数等•重构定位困难：增量代码破坏存量系统•可维护性差：认知负荷激增•测试调试成本高：缺陷难以隔离知识封装：

构建领域知识护城河

，从“概率生成”规则约束下的逻辑推演

核心逻辑：通过流程、业务、架构、代码四层规范体系

，将领域经验与流程约束转化为可执行的智能规则

，实现从需求到代码的“高保真传导”与“质量内建”•在复杂系统中

，大模型的价值不是一次性的代码生成

，而是一个持续的、贯穿研发全流程的赋能环。需要以领域业务逻辑为核心

，重构人机

协作流程

，实现“模型内嵌于流程”而非“流程迁就模型”•价值复利观察项：度量故障泄漏率/定位时长、MR/PR吞吐量、知识工程建设成熟度指标•再造流程：以大模型为引擎

，将传统以人为主转变为以知识为中心的动态闭环

，核心在于激活知识的共享、加速动态流转

，实现价值复利流程再造：

决策

-执行

-兜底人机协作共生

，

智能体内嵌流程驱动知识复利流水线团队名称

核心职责

对应流程构建领域知识图谱

，管理需求分析模型、业务因子库

，支持信息关联与决策知识工程组•首席架构师：系统、组件架构治理改造路线制定与决策•业务架构师：业务特性分析要素模型、业务约束黄金规则提取•

知识抽取工程师：构建领域知识图谱业务建模、架构设计训练与优化智能体设计

，驱动方案创新与流程自动化

，完成知识组装•AI应用建设工程师：各领域Agent、原子应用构建

，嵌入研发流智能体工程组

程•AgentOPS工程师：人机交互设计与优化、定制工具开发•

模型微调工程师：领域模型微调

，强化应用效果需求分析、需求方案、组件功能设计、代码、测试设计、脚本主导旧系统改造策略

，利用AI逆向解析遗产代码

，制定重构路线•代码逆向工程师：解析遗产代码

，识别核心业务逻辑与依赖遗产转换组•设计知识补齐工程师：还原系统架构、组件功能设计•代码微重构专家：制定模块化改造路线

，定义AI可执行的重构原子操作

，chenk结果遗产代码分析与重构价值转换组新需求交付团队

，使用智能体将AI输出转化为业务价值

，验证架构/内容/代码的合理性与效能

，推动成果落地：•业务需求分析BA：将业务需求转化为AI可处理的意图描述

，校准AI输出•设计/开发意图定义TL：将业务需求转化为AI可处理的意图描述

，校准AI输出•价值交付/验证负责人：制定可量化的验收标准

，交付需求新需求分析-设计-开发-测试

，全流程价值闭环管理知识规范组

工具组中心/部门公共代码逆向工程师设计知识补齐工程师代码微重构专家市场需求分析BA设计/开发意图定TL/TSE价值交付/验证SMAI应用建设工程师AgentOPS工程师模型微调工程师首席架构师业务架构师知识抽取工程师模型能力组项目遗产转化组价值转化组智能体工程组知识工程组企业级公共1~N个•

四大特性团队（知识工程、

智能体工程、

遗产转换、

价值转换）

垂直攻坚

，三大底座团队（知识规范、

模型能力、

工具）

统一赋能•重构本质：

打破传统研发筒仓

，通过组织DNA级重组

，实现知识（规范团队→特性团队）

、能力（模型团队→工具团队）

、价值（特性团队→业务闭环）

合一组织重构：

“领域专家

+AI工程师

+架构师”新铁三角

，价值牵引闭环维度评估指标评分标准理想落地区间价值密度高频度领域需求占比≥50%

(5分)；40%(4分)；30%(3分)；

<20%次(2分)≥4分高能耗人力投入占比>≥

50%

(5分)；40%(4分)；30%(3分)；

<20%次(1分)≥4分知识完备度文档完整性对标知识规范关键知识：需求/设计/代码/测试四件套齐全(5分)；缺1项(4分)；缺2项(3分)≥4分知识治理成熟度特性树&组件树关键知识：覆盖率≥90%(5分)；70-90%(4分)；50-70%(3分)；30-50%（2分）；

<30%(1分)≥3分实现复杂度单次生成代码规模300-500行(5分)；200-300行(4分)；500-1000行(3分)；

<200或

>1000行(1分)4-5分单次生成复杂度配置类(5分)；模块(4)；单组件(3分)；组件间(2分)；跨域需求(1分)治理：架构治理≥4分波及范围影响≤3特性(5分)；4-5特性(3分)；

>5特性(1分)≥4分知识专业度专业层级L1通用知识(5分)；L2领域常识(4分)；L3私有协议(3分)；L4硬件微码(2分)治理：私域知识转换为知识库≥4分专家依赖度无需专家(5分)；文档可解决(4分)；需专家咨询(3分)；深度依赖专家(1分)治理：专家经验转换为知识库≥4分优先级分数区间实施策略资源配置建议P0>4端到端应用AIOPS团队30%+特性团队70%P1（3.5,4]局部治理后实施AIOPS团队50%+业务架构师30%+特性团队20%P2[2.8,3.5]原型验证AIOPS团队50%+业务架构师50%P3<2.8穿刺+知识

治理AIOPS团队30%

+业务架构师70%MVP落地领域选择ROI

=0.4

×avg(价值密度)

+0.3

×avg(知识完备度)

+0.2

×avg(实现复杂度)

+0.1

×avg(知识专业度)基于特性进行场景细分

，作为AI应用落地切入点：

注：系数可配置实施指引：P0级需求

：端到端AI应用流水线（需求分析→设计生成→代码生成）P1级需求

：启动知识增强流程（知识治理→知识抽取）

后再实施P2/P3级需求

：优先进行知识治理

，待评分提升后再重新评估价值聚焦：

新需求驱动的“靶向治理”与“增量构建”渐进实施PART

03方法实践以知识图谱为核心的知识工程建设建设步骤知识建模•从智能体应用出发

，分析出需要的知识模型规范设计•明确知识图谱模型上的节点来源文档的规范设计

，包括文

档格式、术语的统一等知识生产•存量知识：结合知识模型和规范要求

，通过知识流水线使

用工具或者导向进行知识挖掘抽取

，专家确认•新增知识：通过设计者中心按照规范生产度量方法•从知识规范落地、知识图谱建设、知识应用3个维度构建5级评估标准•从规范性、完备性、准确性以及应用效果上设计成熟度评

估指标设计原则全生命周期知识贯通

，显性化学习知识原子化

，结构化生产分层知识建模

，规范化组装可信知识供应

，质量安全内嵌知识驱动智能

，推理决策知识工程建设目标：

构建端到端知识体系

，支撑高质量的AI应用落地•以大模型为中心

，知识图谱为基础

，构建连续、层次化的知识体系；让知识可以显性化学习、结构化生产、标准化复用•通过结构化设计

，打通知识断点

，构建端到端知识体系模型和规范

，打造端到端AI应用智能体知识底座•通过场景化应用将离散的研发知识转化为可操作、可组装、可推理的AI应用能力

，支撑有安全提智和高质量提效以端到端智能体应用为目标的知识工程框架设计原则与建设步骤梳理知识来源

，按领域分解输入输出

，

识别知识全景

，构建知识图谱模型

结合研发全流程梳理

，从产出物上将知识划分为8大领域

，构建端到端知识图谱：一级章节标题二级章节标题三级章节标题术语、定义和缩略语...组件功能描述组件对外接口组件架构视图逻辑视图开发视图...功能总体设计组件流程设计...性能总体设计质量属性总体设计组件可靠性设计组件产品安全设计...维测总体设计FT测试总体设计...模块设计功能描述功能设计流程设计数据设计模型设计性能设计质量属性设计可靠性设计产品安全设计headrelationtail需求方案设计包含应用检查单波及组件波及组件功能设计组件设计-功能设计关联模型设计-功能设计组件功能设计包含应用检查单.........知识规范约束内容生产

，知识图谱表达知识关系映射知识图谱模型表达知识规范模板

AI应用大模型训练内容生产基于知识流水线

，

实现知识自动生产、

评估和消费

，

完成知识生产目标：

通过内容平台+知识流水线

，将研发过程产物转化为知识图谱

，满足知识质量要求

，实现知识高质量地自动持续生长,支撑精准应用流水线配置生成的知识图谱使用流水线将三棵树内容导入

，生成真实图谱（每个节点对应一个icenter页面）good

casebad

case交付物评测配置采集参数等内容Copilot知识生产知识评估语料处理语料评估反哺有效性知识库题库入库采集清洗格式转换生成建模抽取内容成熟度等级特性评估指标L1

-基础级（初始阶段）1、知识规范落地知识规范还未在研发流程中落地

，或者仅有少量落地实践2、知识图谱建设完成知识图谱schema设计知识图谱的基本概念框架初步建立

，主要依赖于手工录入或小规模的自动化抽取。数据源数量有限，数据质量参差不齐。3、知识应用知识体系还未得到应用

，或者仅有少量应用1、知识规范落地规范性：增量知识生产规范符合度

<30%存量知识沉淀规范符合度

<

10%完备性：知识体系健全度

<

10%知识体系端到端贯通度

<

10%2、知识图谱建设连通性：孤立节点占比

>

50%准确性：知识图谱中关系的准确率

<60%冗余性：重复数据比例高

，

>

30%规模：节点数量

<

1K

，关系数量

<2K推理能力：支持图谱的查询3、知识应用知识应用：关键应用采纳率

>

=25%知识体系健全度

=知识体系已覆盖的节点数/知识规范节点总数领域知识节点数需求18设计44开发38测试19......合计160知识规范落地指标

：知识体系健全度：

15

÷

160

=9.4%知识图谱建设指标

：重复节点比例

=

56.2%

加权综合计算知识应用指标

：关键应用采纳率

=

18.6%从知识规范落地、

知识图谱建设、

知识应用3个维度构建5级评估标准，重点关注知识体系建设的规范性、

完备性、

准确性以及应用效果适用以知识图谱模型为基础的项目端到端、

领域、

产品、

研发智能体应用知识工程建设成熟度评估

，建模方法统一前提下具有普适性

成熟度等级：

L

1

结论：知识体系仅完成基础建设，尚处于初始阶段

，有待持续改进以知识图谱为核心的知识体系建设成熟度评估

A项目知识体系已覆盖的节点数：

15

知识模型节点总数：

160成熟度对标指标计算举例适用范围度量逻辑PART

04效果验证知识组装智能体验证落地效果I3知识组装路径全量知识图谱研发知识规范①领域AI应用知识推理应用能力对齐与强化开发测试知识图谱推理（动态）知识建模

端到端知识规范（内容平台）

+知识模型（知识流水线）需求

设计知识图谱检索（静态）②跨域AI应用③需求交付

④版本交付G1G2G3代码E1E2E3E4E5(子)C1C2C3C4C5C6C7模型能力对齐知识图谱F1

F2F3

F4F5

F6F7

F8A1A2A3A4A5A6D1D2D3D4D5H1H2H3H4组件功能设计B1B2B3需求实分析特性方案特性分析体统方案测试脚本测试设计测试用例需求方案J1J2+核心思想•

面向对象的建模（知识生产）：•

对研发过程知识进行原子拆分和规范设计；•

依托专家经验对知识之间的关系进行建模；•

依托知识图谱进行知识管理•

面向过程的组装（知识组装）：•

依托专家经验规划应用知识组装路径•

将专家思维过程转为思维链

，强化应用效果；•

基于应用效果优化知识规范•

赋能应用：构建应用新范式•

为大模型应用提供可靠的知识检索和推理路径

价值

研发全流程专家经验显性化

，既有经验结果

，也有推理过程，保证了思维链连续•

知识图谱精准检索：•

大模型辅助知识图谱总结生成•

知识图谱注入模型&知识图谱认知对齐：•

知识图谱辅助