主要基于工行的多个业务模块来介绍在研发数字化转型过程中的底座建设实践，和效能提升的方式方法。

演讲提纲：

1. 工行研发数字化转型理念、思维及方案
2. 工行科管数据底座建设框架和实践
3. 工行研发数字化转型框架
4. 工行智能研发能力建设及研发体系配套建设

听众受益点：研发数字化转型理念，方法技术架构

传统交付模式下，高质效交付大多需要强依赖研发人员的能力，经验积累和知识沉淀。整个交付过程也通常需要跨多平台经过繁琐操作才能完成。交付门槛和学习成本都非常高。

本篇将分享众安银行如何从传统的瀑布开发转型为敏捷开发，将种类繁多的研发工具进行一体化融合，嵌入到CICD交付流水线中，让研发流程可视化、可跟踪、可回溯，促使研发从繁琐的平台操作中抽离出来，专注于业务逻辑实现，提升整体开发的效率。同时AutoQE质量门禁的落地可以实现每次代码MR都能经过全量场景的快速回归验证，精准测试的接入也能在集成测试阶段全范围反馈测试覆盖程度，能让测试同学快速确认测试重点，避免漏测。基于众安国际丰富的实践经验与分析反思，实现IT能力共享、效能度量，从开发、测试到部署全流程缩短需求交付周期。

演讲提纲：

1. 引言
2. 非生产研发环境的全面治理实践
3. CICD交付流水线架构设计与工具融合
4. AutoQE质量门禁的理念与应用
5. 精准测试技术落地方案与落地

听众受益点：

• 通过多种手段解决研发环境治理的常见痛点，让多套研发环境能顺利接入CICD流水线做好前置准备。
• 架构设计、工程实践、工具平台融合、团队协作等多个层面，如何系统化构建一个持续提升研发效能的CICD交付流水线平台。
• AutoQE质量门禁提供了一种全新自动化测试解决方案，为企业的质量门禁落地实践提供一些借鉴与参考。

全球金融科技行业迅猛发展，经营分析领域是核心场景。然而，金融行业数字化经营分析面临众多痛点和难点，且传统分析工具的“可用性”和“业务价值”一直受到挑战。大模型和 Agent 的出现，给数据分析与决策带来了颠覆性变革：从过去面向数据的分析到现在面向问题/目标的洞察。

本场分享将探讨大模型增强的智能分析 AI Agent 在金融科技中的具体应用场景、技术实现和实用性挑战解决方法。从企业“管理者”、“技术分析团队”和“业务团队”用数的场景和痛点切入，结合真实落地案例，探讨包括传统银行、券商和基金以及互联网金融在内的众多金融机构如何以智能分析 AI Agent 解决数据分析准确性、数据源全面性、分析逻辑黑盒不可信以及数据计算查询效率及性能等问题。

最后，我们还将总结当下技术难点、展望未来发展趋势，尝试为金融机构在经营分析场景的数字化创新提供思路。

演讲提纲：

1. 金融行业经营分析领域的现状和痛点
2. 当前行业内通用解决思路及主要问题：
   • 数仓+BI
   • 仓内语义 LLM Agent 方案：NL2SQL——准确性低
3. 智能分析 AI Agent 相较传统解决思路的技术创新：
   • 仓外语义：数据建模右移，更贴近数据消费endpoint，更便于LLM Agent 规划推理；基于虚拟层做数据编织，口径管理更灵活、便捷
   • 仓外语义 LLM Agent 方案——NL2semantic2API
   • 数势科技 SwiftAgent——NL2semantic2Metrics+LabelAPI：
     • 打造统一语义层
     • 数据计算加速引擎
     • 多源异构数据链接
     • 用户可干预
     • 持续反思学习，自主进化
4. 智能分析 AI Agent 的应用场景与价值：以银行和证券真实案例展开
5. 总结与展望

听众受益点：

• 金融机构的管理层、技术和业务人员如何实现智能数据分析，降本提效；
• 了解大模型增强的智能分析 AI Agent 的构建方法；
• 金融机构 + 大模型 + AI Agent 的落地经验和业务效果；