智能研发的点与面：蚂蚁代码大模型落地实践

研报总结

01 研发提效探索

• CodeFuse在蚂蚁研发全生命周期提效的探索：通过代码大模型和蚂蚁大模型发展路线，实现研发平台智能化。
• 大模型的能力演进：人类只需设定目标、提供资源、设置流程和监督结果，通过SOP方式编排多领域Agent完成复杂任务。
• 大模型背景下效能平台产品演进：
  • 传统效能平台：通过程序和工具满足用户明确功能需求。
  • AINative效能平台：集成AI能力，通过侧边栏进行知识库问答或AI调度。
  • 效能平台+Copilot：结合平台能力进行智能化改造，实现生成式、总结类和推理类任务。
  • 工具化平台：传统方式满足用户功能需求。
  • 智能化平台：AI嵌入用户操作，简化复杂任务。
  • AI原生平台：AI能力嵌入每个操作，实现自主任务处理。

02 智能研发发展路线

• 蚂蚁智能研发发展路线：
  • Copilot+Chat模式：在现有产品功能上做智能化升级，如自然语言生成用例、代码补齐测试用例等。
  • Copilot+Agent模式：以领域Agent为核心，增加超级会话及Agent调度与执行能力。
  • AINative模式：AI原生，用户无需主动触发AI功能，任何原有功能都能嵌入AI能力。

03 关键技术与难点

• CodeFuse研发助手关键技术以及难点突破：
  • 工程关键技术与难点：
    • 触发时机优化：以代码补全为例，优化高频场景触发时机。
    • 模型幻觉问题：模型“虚假认知”导致生成代码编译错误。
      • 基于上下文感知学习(ICL )能力，解决模型幻觉问题：
        • 结合RAG+程序分析能力强化上下文，通过相似度检索和AST解析找到相关代码。
        • 测试集EM提升：40.9%→59.75%。
        • Context-Aware扩展边界意义：利用仓库内多文件代码补全，关注整体依赖关系。
      • 基于Block-FIM能力，解决代码生成不完整问题：
        • Block-FIM效果展示：结合程序分析技术构建Block数据，模型生成完整Block停止。
        • 解决大模型自回归训练不支持代码补全的问题。

04 未来方向思考

• 未来软件研发领域发展方向思考：
  • 人工智能应用阶段：技术普惠，AI让技术更加人性化，不是替代研发人员，而是让更多人成为研发专家。
  • 大模型正在重新定义软件。