大模型时代下软件开发的场景和探索

腾讯金融云张翔 开发辅助的历史演进与腾讯实践 编码辅助的发展足迹 第一代 语词补全 编码辅助实践-代码补全 腾讯云AI代码助手代码补全的核心场景应用于编写代码过程中，实时根据光标位置，通过AST语法树结构，感知当前代码仓库中的关联性代码，实现精准补全。既提升了研发编码效率，又提升了编码体验。 关键特性 自适应补全粒度 工程理解&跨文件补全 Tab预测下一个改动 在代码补全过程中，会根据光标所处位置，自适应的判断补全策略，比如半行补全、方法补全、注释补全等。不同的补全策略，补全的代码粒度不同。比如在行中触发代码补全，是行补全，方法体补全属于块补全。通过自适应，可以提升补全体验。 业务代码仓库都是异常复杂的，一个业务功能往往由多个代码文件的多个方法组成。在代码补全时，可结合AST技术，在当前代码仓库中检索最相关的代码，强化模型补全准确性。让补全的代码符合当前代码仓库的业务逻辑和通用规范。 一处修改，自动预测后续的修改建议。交互上通过光标离开，捕捉到上下文后，在合理的光标位置出现补全推荐。比如修改函数名称之后，自动预测函数引用的改动，可直接TabTabTab完成整个文件的跨代码块修改。 补全速度（更快） 语言生成（更准） 腾讯云AI代码助手已经完成了针对业界主流语言的代码调优工作。目前主流语言的生成率情况如下： 产品通过prompt优化、一致性路由、cache缓存、模型推理加速等技术加速了代码补全端到端的处理性能。当前单行补全场景中，端到端的平均补全速度约为400ms在私有化部署场景下，单卡L20的补全推理速度约为50tokens/s •Go:40.0%•C++/c:37.6%•Java:37.5%•Python:34.9%•Javascript/Typescript:28% 编码辅助实践-智能问答 场景一：检索、分类、总结 当遇到一些不熟悉的技术实现，传统的方式是通过网上检索方式，从一堆结果中筛选出想要的代码，然后做归纳总结，而现在我们可以直接向AI助手提问。 场景二：快速解读和理解代码 当我们接手一份新代码/不熟悉的代码，AI助手可以帮助我们快速解读和理解代码，并回答针对这部分代码的问题。 编程技术问题咨询 在左侧对话框中，可以询问AI代码助手编程相关的技术问题，也可以结合已有代码片段来提问。 AI代码助手支持通过多轮对话来逐步逼近正确答案。当第一轮对话效果不满意时，用户可以追加提问，直到获取满意的答案。 在技术对话中，内置了多样化的命令来辅助业务代码生成。比如commons自动注释、fix代码修复、nameVariable函数命名等。 编码辅助的腾讯内部实践 大模型软件工程的探索与腾讯布局 编码辅助的发展与思考 第四代 •人机的分工和边界在哪里 •企业IT资产/规范/流程与大模型生成的结合点在哪里 •承接下一代软件工程的载体形态是什么 腾讯云大模型软件工程的规划设计 以AIIDE为入口，通过多智能体架构提供软件工程端到端的能力。后端服务通过MCP进行工具封装串联企业现存工具，并在此基础上打造各个领域的垂直智能体。企业知识通过知识库和CODEBASE整合企业内部的现有文档与代码，并结合智能体能力实现AISE的端到端开发场景。 腾讯在AISE的布局 大模型时代软件开发场景的落地 自然语言驱动存量工程编码 腾讯云AI代码助手编辑模式可以基于需求（自然语言）理解项目代码，并自动查找目标代码进行改写，也可生成全新的代码项目。当用户有一个具体需求，并且知道需求的改动范围，编辑模式可以帮互助用户快速且准确的实现需求代码。 一键回退 自然语言驱动存量工程编码 腾讯云AI代码助手编辑模式可以基于需求（自然语言）理解项目代码，并自动查找目标代码进行改写，也可生成全新的代码项目。当用户有一个具体需求，并且知道需求的改动范围，编辑模式可以帮互助用户快速且准确的实现需求代码。 基于存量业务新增需求的大模型驱动测试 测试设计到用测试脚步编写的工作通常占整体测试工作量的50%-70%，AI实践提效成果明显 当前手工用例辅助生成场景的综合测试准确率在35%-50%区间，用户直接应用率20%，综合采纳率45% 自然语言驱动多场景源码安全扫描和修复 可以在AI IDE中，直接调用安全检查能力，并给出安全修复建议，将安全漏洞修复环节前置到编码过程中，实现安全左移。同时可以在研发过程中，随时关注软件供应链安全。基于科恩BINARYAI安全算法能力持续训练迭代的安全能力，结合腾讯30W+的漏洞信息，可以做到软件漏洞、开源组件的深度分析与解决 基于企业风格/组件库的原型设计和前端代码生成 结合需求与前端设计框架，可以实现基于需求生成前端设计稿，并进一步生成设计稿对应的前端代码。设计稿生成之后，可以结合企业内部的设计规范和业务实际场景，对于设计稿进行优化与修复，让设计稿更好的贴合实际业务场景。 感谢倾听