黄非-大模型驱动的智能软件开发

大模型应用范式

• 通用大模型到行业大模型：通过领域继续训练（CPT）和领域微调（SFT），结合强化学习，将通用大模型转化为适应特定行业的模型。
• 检索增强（RAG）：结合实时知识、事实性知识和本地知识库，减少大模型幻觉，提高回答准确性。
• 多模态大模型：融合文本、图像、图表等多种信息，实现更丰富的应用场景。
• 个性化：赋予大模型特定的人设和情感，使其更符合用户需求。
• 大小模型协同：结合大模型和小模型的优势，实现更高效的任务处理。
• 智能体：利用智能体技术，实现自主完成任务、协同处理复杂任务，并监控和管理整个流程。

AI驱动的全流程软件开发

• 编程成为最高频的AI应用场景：程序员将29%的工作时间用于编程相关任务。
• AI提升软件研发效率：通过智能编码、智能项管平台、工程AutoDev等工具，实现研发人员个体效率提升和研发管理流程化。
• 大模型对软件领域的深远影响：从辅助完成任务到自主完成任务，再到协同处理复杂任务，AI将全面改变软件研发过程。
• 代码大模型产品演进三阶段：从Copilot阶段（代码辅助生成）到Agent阶段（任务自主处理），再到Multi-Agents阶段（功能自主研发）。

代码助手的技术挑战和解决方案

• 技术挑战：生成准确度、推理性能、数据个性化、代码安全。
• 解决方案：
  • 生成准确度：通过过硬的基础模型能力和上下文感知技术，提高代码生成准确度。
  • 推理性能：通过分级缓存和丰富的模型组合，实现速度与准确兼顾。
  • 数据个性化：针对企业数据特点，进行数据处理、模型微调和检索增强。
  • 代码安全：通过代码加密、本地向量存储和敏感信息过滤，实现全链路安全防护。

从代码助手到软件开发智能体

• 代码智能体发展：从单一Agent到多Agent架构，实现更复杂的代码生成和任务处理。
• Agent阶段：通义灵码工程级别的智能问答，利用检索增强技术实现代码查找、业务逻辑生成等复杂问答能力。
• Multi-Agents阶段：基于AI调度，多智能体协同完成从需求到代码再到测试的全流程自主化。
• 落地难点：多Agent阶段的任务管理、智能体协作和系统效率提升。

未来展望

• 智能软件研发工具链形态：包括AI智能平台层、运行沙箱环境、模型推理服务、企业级数据管理等。
• 人机协同：从团队协同到人机协同，利用AI和算力提升软件开发效率。
• AI与软件工程的融合发展：AI将赋能软件工程，推动代码生成、测试分析、UI设计等领域的创新。

核心观点

• 大模型技术正在深刻改变软件研发过程，从代码助手到软件开发智能体，AI将全面赋能软件开发。
• 代码智能体技术将推动软件开发效率提升，实现更高效的人机协同开发模式。
• AI与软件工程的融合发展将为软件开发领域带来更多创新和机遇。