基于ASDM的企业AI研发全流程赋能实践
版本：v20251222 徐磊英捷创软首席架构师/CEO 专家介绍 徐磊 •英捷创软首席架构师•AISE产品经理/首席架构师•微软最有价值专家MVP /微软区域技术总监Regional Director•GitHub Star / Github Copilot中国区授权服务团队负责人•开放原子基金会开源项目SmartIDE创始人/核心贡献者•华为云最有价值专家MVP•资深软件工程/敏捷/精益/DevOps专家•资深敏捷教练/认证ScrumMaster•EXINDevOps Master/Professional认证讲师•书籍作者/译者《专业SCRUM基于Azure DevOps的敏捷实践》，《云原生应用开发实践》，《基础设施即代码-模式与实践》 企业AI4SE落地的现实挑战 现象ØAICoding在个人效率提升上已经展现出现实可见的效果，但在企业/团队上难以呈现效果 Ø各类最佳实践和工具层出不穷，开发人员不知道如何入手使用，如：规则集/Rules, MCP，Skills，SubAgents等。ØAgentic Coding模式带来了陡峭学习曲线，与代码补全的被动式使用不同，需要开发人员主动学习，否则很难上手。ØAI生成的代码不符合企业编码规范，策略和安全性要求 问题Ø企业关注端到端提效，涉及多个不同角色的互动；一个主要形态为IDE插件的工具，如何解决产品经理，项 目经理，测试人员和运维人员的问题？Ø如何构建一套容易上手，同时体系化的方法，为企业技术管理者提供可参考、可落地、可评估的AI4SE落地 策略？ 实施效果追踪 2025年11月5日进行CodeBuddyASDM最佳实践导入后，持续两周数据改进-CodeBuddy用户日活从400人/日提升至500人/日-Agentic编码模式的活跃率明显提升-总体代码生成率逼近40% AI–AI ASDM (AI优先系统化研发方法)，覆盖软件研发全流程，为不同软件研发角色在不同阶段提供针对性的AI化场景支撑和提效，为企业提供端到端的交付价值流输出。其核心是通过为AI创造友好的工作环境，最大化AI在价值流交付过程中的作用。 ASDM 什么是工具包？工具包（Toolset）是ASDM的交付单元，每个工具包都是一个可以独立开发、测试、打包和持续交付的模块。 工具包被设计成独立于工作空间（workspace）的模式，不依赖于任何特定的工作空间。 AI引导安装 通过AI代理引导完成整个安装过程，无需手动执行命令。 打开CodeBuddy输入以下提示词： 按以下文档中的指令操作完成ASDM的安装配置过程https://asdm.ai/repo/toolsets-repo/INSTALL.md 实施策略和交付目标：持续度量试点团队推进效果 AI提效评估–思路转变 Ø忘记代码补全，转向关注Agentic Coding场景化提效 Ø忘记补全采纳率、补全生成率；转向AI化场景数量和单场景提效比例 核心实践：推动开发人员更多使用编码智能体（Agentic Coding模式） 从提示词构建机制来看，代码补全（Code Completion）、聊天（Chat）和智能体编程（Agentic Coding）三种工具的核心差异体现在对上下文的依赖程度、任务分解方式以及工具调用能力上。 对话模式 代码补全模式 **推荐**Agentic模式（智能体模式） 聊天工具的提示构建以自然语言交互为核心，通过理解用户需求并结合对话历史，生成连贯的文本或代码。其机制特点如下： 以目标驱动的自主决策为核心，通过调用外部工具（如文件读写、API）和多轮推理，实现复杂任务的自动化执行。其机制特点如下： 代码补全工具（如GitHubCopilot、VSCodeIntelliCode）的提示构建以代码上下文为核心，通过分析当前文件的语法结构、变量命名和函数调用关系，生成符合局部逻辑的代码片段。 提示构建要素：任务描述用户以自然语言提需求，工具通过意图识别确定目标。约束条件显式传递用户需明确技术栈、格式要求、性能指标，否则结果可能不符预期。上下文管理保存对话历史维持长期记忆，如先问连接数据库，后续查询会关联之前参数。 提示构建要素：目标设定用户定义高层目标，工具分解为子任务。工具调用指令用户显式授权工具用外部资源，工具以JSON返回结果并继续推理。状态管理工具维护任务执行状态，避免重复或断裂，如记录跨语言集成数据格式约定保一致。 提示构建要素：代码片段触发用户输入函数名、关键字或注释后，工具基于代码上下文生成后续代码。约束条件隐式传递约束无需显式说明，通过代码风格（如缩进）和语法结构（如循环）间接传递。示例引导项目中相似代码会被自动复用，用户可提供代码锚点强化此行为。 上下文窗口扩展：部分模型（如Claude Code）支持超大上下文窗口（如200K tokens），可处理整个文件或项目历史，显著提升复杂场景下的逻辑连贯性。例如，在遗留系统重构中，工具能记住类结构和全局变量，避免生成空指针异常的代码。 上下文整合：工具通过动态上下文拼接整合多源信息，内部状态含任务分解路径、工具调用历史（如已读文件内容）；外部数据包括实时API响应、代码库检索结果（如向量数据库查特定函数）。例如用户要求“优化支付服务性能”，工具先调代码分析工具生成复杂度报告，再建议重构策略。 上下文窗口限制：受限于模型计算资源，代码补全的上下文窗口通常较小（如GitHub Copilot X约4K tokens），难以处理跨文件或复杂项目结构的依赖关系。例如，在微服务设计中，若用户未显式导入其他服务的接口定义，工具可能生成参数不匹配的代码。 交互模式：以主动引导为主，用户可通过追问细化需求（如“能否添加异常处理”），工具则根据新信息迭代输出。例如，用户先输入“生成用户注册接口”，工具返回代码后，用户可继续要求“添加JWT身份验证”，工具会基于已有代码进行修改。 交互模式：以自主执行与有限干预为主，用户只需定义目标，工具即可完成从需求分析到代码提交的全流程。例如，用户输入“实现一个用户登录系统”后，工具会自动调用数据库查询接口、生成身份验证逻辑，并处理异常情况，最终输出可直接部署的代码。若中间步骤出现歧义（如依赖库版本冲突），工具会主动询问用户确认。 交互模式：以实时被动响应为主，用户需逐行编写代码并触发补全，无法主动发起多轮对话或任务分解。例如，用户需手动输入def calculate_average后，工具才会生成函数体，而非直接处理“实现一个数据统计模块”的高层需求。 场景质效评估体系–以AI化场景数量和单场景提效水平为评估 备注：当时场景的能力主要集中在编码环节，正在逐渐向其他研发过程环节扩展（比如：代码评审智能体）；因此仍然存在巨大的提效潜力以下评估方法建立以下评估方法之上 1.开发人员每天的编码和进行代码评审的时长只占全流程的40%左右，2.通过分析每个场景所带来的节省时长=过程单元普遍耗时x有效性系数xAI采纳次数3.对于AI场景的采纳率，通过仪表盘导出数据，统计出人日均使用次数作为此项数据的输入4.对研发智能问答的提效，赋予了较低的有效性系数，以去除无效问答内容带来的数据杂音5.过程单元耗时数据为经验值数据，不同项目组和不同开发人员水平也对这些数据有影响 实施策略 q核心实践1-推动开发者从代码补全向Agent编码模式切换q核心实践2-推动最佳实践集和AI工具集的持续建设q直接结果：推动AI代码生成率提升至40% 交付物3内部推广机制 交付物1试点团队掌握并落地核心实践 交付物4AINative工程平台设计方案 1.通过持续全员培训，分享推动更多团队加入最佳实践文档中心的使用和更新2.试点团队作为种子团队，利用示范效应拉动更多团队加入最佳实践文档中心的建设 1.建立项目级认知并在项目中验证效果2.构建AI工具包并在项目中验证效果3.赋能试点团队成员，掌握核心实践技能，提升项目团队效能 1.协助内部DevOps平台在设计中引入AINative设计思路2.为整个招商证券引入AI4SE能力提供标准化支撑，降低使用门槛，提升整体效能 试点团队收益 1.在日常项目中可用的项目级认知和AI工具包，可见的效能提升（指标）2.总结实践经验，输出到文档中心；组织内部分享，推动更多团队采用 交付物2–AICoding最佳实践文档中心ü如何构建项目级认知和相关模版，提示词，操作指引 ü如何构建AI工具包和相关开箱即用工具包ü培训教材，通用实践操作手册ü其他试点项目总结 ASDM–构建场景化认知能力提供友好的上下文 项目级认知是为AI/人类了解产品/项目提供充分，完整，准确的上下文信息的基础能力，通过AI与人的互动完成对上下文的采集，整理和版本管理，借助agentic引擎/规则集/知识库/codebase/模型微调/MCP等能力对项目知识体系进行维护，并在智能体需要的时候有效的注入上下文，拉齐AI和人类对项目的认知水平，确保生成结果的准确性。 DevOps与持续交付自动化/日志/根因/部署/用户行为 目标场景 需求阶段：增强AI对需求理解的完整性和纬度，辅助需求理解，提炼，原型，场景和解决方案设计架构阶段：辅助完成数据和系统建模，API设计，架构选型，技术方案验证规划阶段：辅助完成任务拆分和详细设计编码阶段：提升生成代码的适配性、组织规范/策略注入、提升生成效率和质量测试阶段：确保测试用例完整性、企业个性化适配性和各类规范约束的充分引入QA与安全：各类组织红线/检查点/安全问题的及时发现和规则集维护DevOps与持续交付：构建符合组织要求的流水线结构、日志/根因分析中结合企业规范，用户行为分析结果直接提出修改建议 上下文工程(Context Engineering)项目级认知是CodeBuddy解决方案中依据上下文工程实践方法，结合Codebuddy各项特性为企业提供的面向软件工程全流 程（SDLC）的解决方案。上下文工程更加强调构建完整的上下文系统，而不仅仅提供零散而且不易管理的提示词。企业需要通过系统化的工程能力构建，为系统开发提供充分、完整、准确的上下文信息，并提供有效的端到端上下文数据的生命周期管理能力。 ASDM– 自主任务执行是围绕AI的ReAct工作模式，为AI提供可以异步调用的多种工具，构建自主任务执行循环的能力。在任何任务执行中，都应该帮助AI提供自主判断任务执行结果的验证方法，此方法需要异步调用并及时返回验证结果（以下观察阶段）。这有助于AI形成自闭环，提升任务执行效率和质量。 –spec driven – 场景示例：任务级代码生成–大型微服务项目开发 案例：某医疗健康服务平台，依托微信生态和人工智能技术构建整合型服务体系。截至2024年7月，其微信医保支付已覆盖广东、新疆等7省市1000余家药店，并在2025年通过接入DeepSeek大模型与混元大模型优化智能导诊等场景。以下场景为此团队所构建的微服务调用代码开发流程。 视频：MCP辅助代码生成效果1.代码助手根据需求进行初步分析，调用医疗MCPServer（get_prompt工具）获取对应的prompt模版 场景化认知–认知数据更新和代码生成辅助 2.根据get_prompt工具返回，再次调用get_code_corpus工具获取示例代码（代码仿写）3.调用get_module_desc获取数据中台和服务代理调用位置(url, port,协议等）4.根据以上信息，基于代码示例生成（仿写）出符合项目特点，组织规范和内部网络环境的目标代码 1. MCP辅助项目认知提取开发者提出问题后，医疗MCP server会查询项目级认知数据库（医疗团队自建），提取系统相关模块信息 （module.md）. 2. CI/CD流水线自动更新项目级认知数据库系统相关代码库（多仓结构）更新后，自动触发CI/CD流水线中运行的代码助手CLI作为MCPClient载 体，
