大模型技术重塑智能研发新范式

目 录 01研发工具的发展 02企业落地经验 04总结与展望 03开发者实践 01智能研发工具的发展 智能化的发展背景与落地诉求 随着大模型的快速发展，智能开发领域正在经历由辅助到协同、由补全到生成、由代码到工程的进化 Go Fat：更大规模的代码补全 代码续写（Completion）是智能开发工具最典型的能力，在编码过程中辅助用户，通过自动补全的形式提高编码效率。 随着大模型的进步，理解能力与代码能力不断提升，当前大模型能够承担的工已不再局限于代码的补全，已经可以完成高质量的、更大规模的代码的生成。 Go Fat：更大规模的代码补全 在代码编辑区，生成更大的块级、方法级的代码，使得编码效率成倍地提高 Go Fat：更大规模的代码补全 通常来说，推荐更多行的代码会导致准确率的下降，超过阈值时会反向影响开发效率将产品与模型结合，通过编程现场、用户操作的精确控制，依然可以打造高质量的多行推荐 Be Rich：丰富的生成能力 代码调优等能力可以有效帮助开发者提升代码质量，使重构变得简单轻松 Be Rich：丰富的生成能力 代码调优等能力可以有效帮助开发者提升代码质量，使重构变得简单轻松 Be Rich：丰富的生成能力 沉淀专家知识，通过函数提取、hook提取、组件提取进行大组件拆分 Seek Deep：更深度地了解全库 通过调用链等程序专用分析，提升知识深度，加强解释、生成的效果 Create By Trust：值得信赖的工作 在代码Debug的场景，模型具备比人更丰富的知识，配合一步到位的代码修改、采纳，开发者可以将错误修复交给模型交信任其修复结果 At Your Hand：更贴合现场的交互 利用InlineChat等形式，开发者可以保持聚焦在代码编辑区的同时，使用丰富的对话、生成能力 01企业落地智能研发经验 在企业中踏实落地开发智能化 由于模型对代码场景的特殊优化、开发者更容易接受先进理念、开发效率可量化等原因，智能开发是大模型实际落地最容易出结果的场景 感知存在：融合Devops必经链路 对一个新事物的接受程序是在不断地接触之下提高的，不要害怕将能力展现在开发者面前Devops相关的平台是开发者从需求到发布必经之路，在他的工作上必不可少，因此也是很好地呈现能力的空间 在Devops全链路上透出智能化的能力，打造惊喜感、助力效率提升，增强接受度 感知存在：融合Devops必经链路 在代码评审集成智能建议、代码解读，智能评论占比20%，采纳率15%+ 感知存在：融合Devops必经链路 CI/CD流水线提供智能错误分析与修复能力，作为辅助提升开发者接受度 基于多环节、工程结合的UTAgent，能够生成准确、高覆盖率的单元测试 效果信心：利用CICD确保效果 效果信心：利用CICD确保效果 01开发者智能工具使用实践 形式变革：智能时代理念 NotUSINGAI, but trulyWITHAI并非使用AI，真正去和AI协同工作 作为开发者拥抱智能化实践 代码理解检索 对于开发者个人，智能化既是变革也是机遇。主动拥抱智能化、与AI协同，不断提升自身生产效率，走在时代前沿，打造能力壁垒 加强上下文 知识管理应用 AI协同分工 一种全新的找代码方法 ◆论断 ◆Embedding具备“吃下”全库代码的能力 ◆模型天生具备强大的总结与解释能力 ◆行动 ◆使用自然语言进行代码的检索与理解 ◆实践 ◆描述要找什么，而非代码长啥样 ◆搜索连带总结摘要 一种全新的找代码方法 让相关代码先走一步 ◆论断 ◆大模型应用的核心是提示词 ◆行动 ◆了解模型与产品行为，手动提供好的提示词增强 ◆实践 ◆先写import ◆打开相关文件 ◆对话附加相应文件与目录 让相关代码先走一步 显式依赖帮助IDE增强效果 主动打开相关文件，提取关联代码 让相关代码先走一步 利用近期打开的文件检索，推荐准确的字符串等内容 让相关代码先走一步 基于import的依赖关系，保持推荐与代码签名完全匹配 让相关代码先走一步 在不感知项目现场的情况下，模型生成的代码可用性非常弱 让相关代码先走一步 仅需要关联一个文件，就能让模型按项目依赖生成代码 你就惯着她吧 建立稳定的预期交给AI擅长的事接受AI的不完美 单行快、多行慢 上下文提供推理质量 放大优势，规避缺点 多使用，勤反馈 不熟悉的编程语言 Focus，Let AI Run The Errands 软件开发是一个复杂且精细工作。在这个过程中，你可能会遇到各种琐碎的问题，比如忘记了正则表达式的语法、环境变量如何获取。这些问题可能会打断你的思路，让你不得不停下手中的工作，去打开浏览器搜索答案。此外，你还会面临很多重复性的工作，当你修改数据表字段时，还需要相应的更新CRUD逻辑，当你更新代码逻辑时，还需要更新相应的单元测试。还有，当你实现一些复杂的功能时，除了核心算法和逻辑，你还要考虑工程实现、边界条件、异常处理等非常多的细节。 AI 不需要和机械比拼力量和速度，不需要和AI比拼记忆和推理，专注人最擅长的事情，将宝贵的精力聚焦在有价值、有趣味的任务，其他琐碎与重复的劳动，交给AI。 01总结与展望 内容总结 企业落地实践参考 •更大规模推荐•更丰富的能力•更高质量的生成效果•更贴合编码过程的交互 •用模型进行代码检索与理解•为模型提供更好的上下文•与AI协同分工 •强化大模型应用的存在感•利用当前项目工程提高准确率，打造信任 智能开发领域正高速发展 个人与AI结对提效 时代必定由人向人机协同向无人职守前进，Be Ready