智能化軟件開發(fā)落地實(shí)踐指南2024年

中國信息通信研究院人工智能研究所華為云計(jì)算技術(shù)有限公司2024年9月版權(quán)聲明本報(bào)告版權(quán)屬于中國信息通信研究院、華為云計(jì)算技術(shù)有限公司，并受法律保護(hù)。轉(zhuǎn)載、摘編或利用其它方式使用本報(bào)告文字或者觀點(diǎn)的，應(yīng)注明“來源：中國信息通信研究院、華為云計(jì)算技術(shù)有限公司”。違反上述聲明者，編者將追究其相關(guān)法律責(zé)任。2024年《政府工作報(bào)告》首次提出“人工智能+”戰(zhàn)略行動(dòng)，旨在推動(dòng)人工智能賦能各行各業(yè)。以大模型為代表的新一代人工智能技術(shù)迅猛發(fā)展，已成為軟件工程領(lǐng)域智能化轉(zhuǎn)型的關(guān)鍵驅(qū)動(dòng)力，為軟件開發(fā)、測試等環(huán)節(jié)注入新智力。智能化軟件開發(fā)工具憑借其強(qiáng)大的代碼理解和生成能力，有效降低了開發(fā)人員的技術(shù)門檻，并提然而，在軟件開發(fā)的智能化能力建設(shè)和應(yīng)用過程中，仍面臨諸多挑戰(zhàn)，如代碼大模型選擇困難、開發(fā)工具的工程化建設(shè)復(fù)雜、智能化能力建設(shè)無參考、開發(fā)場景選擇和落地難，以及與現(xiàn)有開發(fā)工具或流水線的集成難等問題。為此，本指南旨在為正在進(jìn)行軟件開發(fā)智能化轉(zhuǎn)型的企業(yè)提供一份實(shí)用指南，為企業(yè)制定落地策略、建設(shè)智能開發(fā)能力體系提供有力參考。本指南系統(tǒng)梳理了智能化軟件提出了具體的落地方向、路徑和框架，詳細(xì)闡述了落地所需的核心能力和使能能力，并對多個(gè)行業(yè)的落地案例進(jìn)行了深入剖析，最后由于大模型等人工智能技術(shù)產(chǎn)業(yè)仍處于快速發(fā)展階段，智能開發(fā)相關(guān)的技術(shù)產(chǎn)品、服務(wù)和應(yīng)用也在不斷演變，我們的認(rèn)識將隨著 1（二）智能開發(fā)發(fā)展現(xiàn)狀 5（三）智能開發(fā)價(jià)值顯現(xiàn) 7（四）智能開發(fā)落地挑戰(zhàn) 9 （一）智能開發(fā)落地原則 （二）智能開發(fā)落地步驟 12（三）智能開發(fā)落地框架 15 （一）代碼生成與補(bǔ)全 17（二）單元測試用例生成 19（三）代碼轉(zhuǎn)換與優(yōu)化 21（四）代碼解釋與注釋 22（五）代碼檢查與修復(fù) 23（六）研發(fā)問答 24 （一）代碼數(shù)據(jù)處理能力 26（二）代碼大模型優(yōu)化能力 28（三）智能開發(fā)能力評估 30（四）智能開發(fā)安全能力 32（五）其他工程化能力 36 （一）云服務(wù)行業(yè)案例 41（二）軟件服務(wù)業(yè)案例 42 44（四）金融行業(yè)案例 46（五）制造行業(yè)案例 47 3 23 39 1一、智能開發(fā)發(fā)展概述軟件工程領(lǐng)域正迎來前所未有的變革，軟件開發(fā)的流程和模式正被重新定義，智能化進(jìn)程顯著加速。本章將簡要回顧軟件工程的發(fā)展歷程，重點(diǎn)介紹軟件工程3.0的發(fā)展特點(diǎn)，以及智能化軟件開發(fā)（以下簡稱：智能開發(fā)）領(lǐng)域發(fā)展現(xiàn)狀，并深入探討智能化能力為軟件開發(fā)帶來的價(jià)值提升，最后梳理落地挑戰(zhàn)。1.軟件工程發(fā)展歷程軟件工程自1968年誕生以來，其發(fā)展歷程括軟件工程1.0、軟件工程2.0和軟件工程軟件工程1.0，即第一代軟件工程，亦稱為“傳統(tǒng)軟件工程”。本階段的發(fā)展起點(diǎn)可追溯至上個(gè)世紀(jì)六十年代，隨著大容量、高速度復(fù)雜程度越來越高，可靠性問題更加突出。為解決該類軟件危機(jī)，21968年北大西洋公約組織（NATO）在國際會(huì)議上首次提出“軟件工程”概念，期望將軟件開發(fā)帶出混亂的局面，走向有紀(jì)律、有流程的規(guī)范化之路。軟件工程1.0推崇結(jié)構(gòu)化方法，重視流程和文檔規(guī)范化等工程實(shí)踐，對提升軟件產(chǎn)品交付成功率和質(zhì)量有重大意義。但在軟件工程1.0時(shí)期，由于軟件被當(dāng)作傳統(tǒng)的工業(yè)制造產(chǎn)品進(jìn)行交軟件工程2.0，亦稱“敏捷軟件工程”。本階段的發(fā)展自2001年“敏捷軟件開發(fā)宣言1”發(fā)布起，通過踐行敏捷開發(fā)最佳實(shí)踐，實(shí)現(xiàn)持續(xù)集成（CI）、持續(xù)交付（CD）和快速迭代以更好地滿足日益變化而服務(wù)的性能、效率、可靠性、可持續(xù)性也更加重要，這推動(dòng)人們將軟件開發(fā)和運(yùn)維融合起來，DevOps模式應(yīng)運(yùn)而生，使得軟件交付技術(shù)門檻和研發(fā)成本居高不下，對技術(shù)人員的依賴性非常高，雖然陸續(xù)有自動(dòng)化技術(shù)的出現(xiàn)和落地，對效能提升方面未有顯著成效，“軟件工程沒有銀彈2”這一觀點(diǎn)仍然有效。軟件工程3.0，亦稱“智能化軟件工程”。2022年底以來，隨著ChatGPT等大模型相繼發(fā)布，軟件工程迎來新一輪變革。大模型憑借其強(qiáng)大的理解和生成能力，通過代碼生成、代碼續(xù)寫、測試用例生成、智能問答等能力，為軟件工程帶來了智能化能力升級，為提1https://agilemanifes3升軟件質(zhì)量和效率帶來了新動(dòng)力，全新的軟件開發(fā)范式正在誕生。2.軟件工程3.0發(fā)展特點(diǎn)使用大模型為核心的AI技術(shù)驅(qū)動(dòng)軟件全生命周期能力升級（如圖2所示）。本階段以構(gòu)建支持軟件開發(fā)、測試或運(yùn)維等環(huán)節(jié)的AI模型為基礎(chǔ)，將智能化技術(shù)逐步運(yùn)用至軟件工程各階段，促進(jìn)軟件研發(fā)和運(yùn)營效率的提升、質(zhì)量的躍進(jìn)、成本的降低。本階段的發(fā)展特性較為明顯，核心特點(diǎn)包括智能化、數(shù)據(jù)驅(qū)動(dòng)性、交互性、自適應(yīng)和調(diào)取和應(yīng)用，以實(shí)現(xiàn)工具自身能力的提高，為智能化軟件工程打下堅(jiān)實(shí)基礎(chǔ)。例如，將大模型與測試平臺(tái)對接，提供測試用例生成、測試結(jié)果分析等能力，提高測試平臺(tái)效能；將大模型與用戶界面4（UI）測試工具對接，提供界面要素和組件等識別能力，提高UI測數(shù)據(jù)驅(qū)動(dòng)性，高質(zhì)量數(shù)據(jù)是大模型成功的關(guān)鍵，“Ga規(guī)范類文檔數(shù)據(jù)集、測試用例數(shù)據(jù)集、日志數(shù)據(jù)集等，均將應(yīng)用于大模型的訓(xùn)練、調(diào)優(yōu)和推理過程，其質(zhì)量高低直接影響推理結(jié)果，從而影響軟件工程智能化能力帶來的效果。例如，使用了精調(diào)代碼數(shù)據(jù)集訓(xùn)練后的模型，相比基座模型在MultiPL-E上的評測結(jié)果絕對值提升了8.2%，而使用了未精調(diào)的普通的代碼加注釋的數(shù)據(jù)集訓(xùn)交互性，包括兩個(gè)方面，一是大模型與人之間的人機(jī)交互，二是大模型與工具間的交互。人機(jī)交互將不斷相互啟發(fā)、相互促進(jìn)，大模型可學(xué)習(xí)特定項(xiàng)目的上下文和研發(fā)人員的偏好，并根據(jù)更優(yōu)的提示詞，激發(fā)出更符合期望的推理結(jié)果，提高協(xié)作效率；大模型與工具間交互，將通過智能體（AIAgent）、編排等方式，實(shí)現(xiàn)大模型對各工具的調(diào)取和執(zhí)行，以解決更加復(fù)雜的工程級問題，推動(dòng)全生命周期智能化能力的提升。例如，2024年3月Cognition公司發(fā)布的全球首個(gè)AI程序員Devin，以及8月Cosine公司發(fā)布的全球最自適應(yīng)性，根據(jù)對工程級代碼的更優(yōu)理解能力，以及檢索增強(qiáng)4Magicoder:EmpoweringCodeGenerationwithOSS-INSTRUCT5生成（RAG）等技術(shù)的輔助能力，大模型的自學(xué)習(xí)能力越發(fā)強(qiáng)大，這使得智能化軟件工程對場景化的業(yè)務(wù)和數(shù)據(jù)具備更好的理解和適應(yīng)能力，從而實(shí)現(xiàn)自主提升其推理性能和準(zhǔn)確性。例如，代碼大模型可在不同角色設(shè)定下展現(xiàn)良好的自適應(yīng)性，MetaGPT為大模型賦HumanEval評測結(jié)果為85.9%，相比未設(shè)定人設(shè)的大模型評測結(jié)果（二）智能開發(fā)發(fā)展現(xiàn)狀開發(fā)是軟件工程全生命周期中的核心環(huán)節(jié)，開發(fā)人員大約有三分之二的工作時(shí)間與開發(fā)代碼直接相關(guān)7，應(yīng)用大模型助力軟件開發(fā)具有得天獨(dú)厚的優(yōu)勢。一方面開發(fā)人員對新技術(shù)的接納度較高，能夠更快地適應(yīng)開發(fā)新范式；另一方面各類編程語言對業(yè)務(wù)的依賴度不是非常高，使得代碼生成能力的普適性較強(qiáng)。因此軟件開發(fā)是大5MetaGPT:MetaProgrammingforAMulti-AgentCollabo7https://thenewstack.io/how-much-time-do-developers-spend-actually-writing-code/6智能開發(fā)工具市場迅速發(fā)展，國內(nèi)外百花齊放。國外，截止2024年4月微軟的GitHubCopilot擁有180萬付費(fèi)訂閱用戶，近有率達(dá)到64.5%10。亞馬遜的CodeWhisperer、谷歌的ProjectI產(chǎn)品雖難以并肩，但依靠其強(qiáng)大的用戶規(guī)?；A(chǔ)，仍具備較強(qiáng)競爭百度等提供的智能開發(fā)工具產(chǎn)品，其核心功能較為同質(zhì)化，但工具智能開發(fā)工具能力持續(xù)提升，應(yīng)用行業(yè)更加多元化。智能開發(fā)工具重點(diǎn)聚焦于代碼生成、代碼補(bǔ)全、代碼注釋、代碼檢查、智能單測等能力。一方面代碼大模型能力的持續(xù)提升為工具提供了更強(qiáng)的AI底座，根據(jù)智源大模型排行榜顯示，榜首大模型在HumanE81.1%13；另一方面通過RAG、自學(xué)習(xí)、輔助的下一代開發(fā)工具，為工程級代碼提供了更優(yōu)的理解和生成能力。隨著能力的持續(xù)提升，智能開發(fā)工具被越來越多行業(yè)所接受和應(yīng)用，包括如互聯(lián)網(wǎng)等科技行業(yè)的成熟落地，金融、電信、軟件服9/features/copilot11/favorites/ai-programming-tool13/#/leaderboard/nlp-capability?kind=CH7務(wù)等行業(yè)的逐步落地，能源、零售、教育、制造、物流等領(lǐng)域的試點(diǎn)試行，未來智能開發(fā)工具將為各行各業(yè)的軟件研發(fā)提供強(qiáng)有力支應(yīng)用需求快速增長，編碼階段提效顯著。無論個(gè)人還是企業(yè)開發(fā)者，使用智能開發(fā)工具的人數(shù)和頻次越來越多。根據(jù)StackOverflow2024年的全球開發(fā)者調(diào)研顯示，76%的受訪者正在或計(jì)劃使用AI工具進(jìn)行軟件開發(fā)，使用AI工具的開發(fā)者數(shù)量占比從去年44%提升至62%14。根據(jù)CSDN2024年的調(diào)查顯示，48.6%開發(fā)天使用智能開發(fā)工具15。根據(jù)Deloitte報(bào)告指出，超過60%的金融機(jī)構(gòu)正在探索或已經(jīng)實(shí)施了智能開發(fā)工具以加速創(chuàng)新。智能開發(fā)工具的使用助力開發(fā)人員編碼效率提升明顯。根據(jù)GitHub報(bào)告顯示，使用GitHubCopilot的開發(fā)者編碼速度提升55%，編寫代碼量增加46%16。根據(jù)中國信通院2024年初調(diào)研問卷數(shù)據(jù)顯示，受訪者在開（三）智能開發(fā)價(jià)值顯現(xiàn)在大模型應(yīng)用浪潮中，軟件開發(fā)的智能化轉(zhuǎn)型正成為企業(yè)提升軟件產(chǎn)品競爭力的關(guān)鍵因素，通過智能化能力的注入，為軟件開發(fā)提升開發(fā)效率，降低項(xiàng)目風(fēng)險(xiǎn)。通過代碼生成、代碼補(bǔ)全和問答等能力，開發(fā)人員能夠更迅速地編寫高質(zhì)量代碼，顯著減少手動(dòng)16TheeconomicimpactoftheAI-powereddeveloperlifecycleandles8調(diào)試和錯(cuò)誤修復(fù)時(shí)間。同時(shí)可降低項(xiàng)目對開發(fā)人員的依賴，通過智能開發(fā)工具的學(xué)習(xí)和記憶能力，一方面可輔助新的開發(fā)人員快速開發(fā)出符合項(xiàng)目需求和規(guī)范的代碼，另一方面可幫助開發(fā)人員快速學(xué)習(xí)新的編程語言，從而減少人員流動(dòng)帶來的項(xiàng)目風(fēng)險(xiǎn)。根據(jù)BIS年度經(jīng)濟(jì)報(bào)告顯示，智能開發(fā)工具對程序員的生產(chǎn)力提升超過50%，且其中僅有小部分來自于代碼的直接生成，而更多是通過與機(jī)器交改善代碼質(zhì)量，提高產(chǎn)品穩(wěn)定性。通過代碼質(zhì)量檢查和智能單測等能力，開發(fā)人員能夠快速進(jìn)行代碼驗(yàn)證和測試，及時(shí)發(fā)現(xiàn)并修復(fù)潛在的問題和漏洞，如代碼缺陷、代碼異常、代碼風(fēng)險(xiǎn)等，從而幫助開發(fā)人員編寫出更高質(zhì)量的代碼，降低軟件發(fā)布后的故障率，提升軟件的穩(wěn)定性和性能。例如，GitHubCopilot可幫助開發(fā)人員在加速產(chǎn)品創(chuàng)新迭代，增強(qiáng)企業(yè)競爭力。通過提升開發(fā)效率和改善產(chǎn)品質(zhì)量，企業(yè)能夠更快地推出創(chuàng)新產(chǎn)品，搶占市場先機(jī)，從而在激烈的市場競爭中脫穎而出。一方面，智能化的軟件開發(fā)流程使開發(fā)周期縮短，企業(yè)能夠更靈活地適應(yīng)市場變化，加快產(chǎn)品迭代速率；另一方面，智能開發(fā)工具的輔助使得開發(fā)人員能夠從重復(fù)性的繁瑣的低端編碼工作中釋放出來，從而擁有更多時(shí)間投入創(chuàng)新相關(guān)工作，提升企業(yè)創(chuàng)新能力。例如，2023年5月GitHub首席執(zhí)行官18/software-integrity/resources/analyst-reports/open-sourcanalysis.html#UXexecuti9在全球網(wǎng)絡(luò)峰會(huì)（WebSummit）上，演示GitHubCopilotX實(shí)現(xiàn)簡單的貪吃蛇小游戲用時(shí)為18分鐘，而2024年8月通過真實(shí)操作，（四）智能開發(fā)落地挑戰(zhàn)隨著智能化技術(shù)在軟件開發(fā)領(lǐng)域的廣泛應(yīng)用，其帶來的質(zhì)效提升日益顯著。然而，企業(yè)在推進(jìn)軟件開發(fā)的智能化能力建設(shè)和落地時(shí)，仍面臨諸多挑戰(zhàn)，涵蓋組織、技術(shù)、應(yīng)用落地及安全等多個(gè)層組織變革和轉(zhuǎn)型的挑戰(zhàn)。軟件開發(fā)的智能化轉(zhuǎn)型首先帶來的是組織變革，一是組織文化的重塑，其落地要求組織具備開放合作、持續(xù)學(xué)習(xí)和創(chuàng)新的文化氛圍，促進(jìn)跨部門溝通與協(xié)作，打破信息孤島；二是全員認(rèn)知水平的提升，自頂向下每位員工都應(yīng)深刻理解智能化的潛力與挑戰(zhàn)，客觀且正確地了解大模型等人工智能技術(shù)及其作用；三是人才結(jié)構(gòu)的調(diào)整與補(bǔ)充，由于數(shù)據(jù)治理及模型訓(xùn)練調(diào)優(yōu)模型技術(shù)迭代及與工具融合的挑戰(zhàn)。當(dāng)前智能開發(fā)能力建設(shè)的核心技術(shù)是大模型，因此圍繞大模型面臨著技術(shù)迭代的挑戰(zhàn)。一是大模型的技術(shù)能力仍以較快速度迭代更新，企業(yè)需配備良好的維護(hù)如何與現(xiàn)有軟件研發(fā)工具集有效融合或改造，從而提升軟件工程全產(chǎn)品選型與應(yīng)用場景落地的挑戰(zhàn)。企業(yè)需根據(jù)自身行業(yè)特點(diǎn)、和方案。然而，一方面現(xiàn)有代碼大模型和智能開發(fā)工具數(shù)量繁多，如何建設(shè)或選擇出一款合適的模型或工具，如何評價(jià)模型或工具的能力，均是落地時(shí)考慮的重點(diǎn)；另一方面不同業(yè)務(wù)場景的編程語言可能不盡相同，或代碼數(shù)據(jù)集或規(guī)范不一致，如何選擇最優(yōu)場景試代碼數(shù)據(jù)、模型和工具的安全性挑戰(zhàn)。生成式代碼可能會(huì)帶來更多不可控的風(fēng)險(xiǎn)，因此企業(yè)應(yīng)從數(shù)據(jù)、模型和工具多維度構(gòu)筑風(fēng)險(xiǎn)防線，以應(yīng)對安全挑戰(zhàn)。第一道數(shù)據(jù)防線，面向模型訓(xùn)練和調(diào)優(yōu)階段所需的代碼數(shù)據(jù)集，可能面臨敏感代碼數(shù)據(jù)的泄露、未經(jīng)許可代碼的訓(xùn)練、非法代碼的推理等問題；第二道模型防線，面向代碼大模型在推理和管理階段，可能面臨暴力攻擊、非法套取、非法提問、敏感內(nèi)容推理、被惡意使用生成惡意軟件代碼或攻擊腳本等問并關(guān)注關(guān)聯(lián)代碼庫、第三方軟件開發(fā)工具的數(shù)據(jù)傳輸和集成安全，二、智能開發(fā)落地策略隨著代碼大模型和智能開發(fā)工具如雨后春筍般出現(xiàn)，各行業(yè)陸續(xù)規(guī)劃和試點(diǎn)將智能化能力有效地落地應(yīng)用于開發(fā)環(huán)節(jié)。本章將首先總結(jié)智能開發(fā)落地遵守的主要原則，其次就落地關(guān)鍵步驟進(jìn)行深（一）智能開發(fā)落地原則智能化軟件開發(fā)落地是指應(yīng)用方企業(yè)通過采購或自研等方式，構(gòu)建智能化能力，包括代碼大模型能力和智能開發(fā)工具能力，并將其應(yīng)用落地于軟件開發(fā)過程。作為大模型應(yīng)用的重要場景，根據(jù)中國信息通信研究院對金融、軟件、電信等行業(yè)關(guān)于智能開發(fā)落地實(shí)目標(biāo)導(dǎo)向原則，以企業(yè)戰(zhàn)略定位為首要目標(biāo)，落地策略和方案因地制宜原則，從企業(yè)實(shí)際情況出發(fā)，清晰了解已有AI基礎(chǔ)及成本預(yù)算，從而制定合適的策略。如企業(yè)自身的科技實(shí)力、人才儲(chǔ)應(yīng)用優(yōu)先原則，從業(yè)務(wù)實(shí)際需求出發(fā)，明確亟需解決的問題，標(biāo)準(zhǔn)化原則，參考行業(yè)標(biāo)準(zhǔn)開展能力構(gòu)建，以保證數(shù)據(jù)質(zhì)量、模型性能及工具可塑性。如代碼數(shù)據(jù)如何處理如何配比，模型如何調(diào)優(yōu)，工程化能力如何建設(shè)，推理準(zhǔn)確性應(yīng)達(dá)到何等水平，均可以安全性原則，圍繞能力建設(shè)全過程構(gòu)建安全保障機(jī)制，降低新工具引入的風(fēng)險(xiǎn)，提升安全治理能力。如代碼大模型推理安全、數(shù)持續(xù)改進(jìn)原則，構(gòu)建持續(xù)反饋機(jī)制和數(shù)據(jù)驅(qū)動(dòng)流程，通過效能指標(biāo)數(shù)據(jù)推動(dòng)工具和流程的持續(xù)改進(jìn)。如面臨模型退化、新項(xiàng)目新代碼數(shù)據(jù)等情況，應(yīng)通過持續(xù)改進(jìn)從而保證代碼大模型的能力穩(wěn)定（二）智能開發(fā)落地步驟落地智能化能力是一個(gè)全面且系統(tǒng)化的過程，尤其面向已成體系的軟件開發(fā)過程，構(gòu)建清晰明確的落地步驟，將為有效落地提供良好指引。智能開發(fā)落地過程可劃分為自我診斷、方案設(shè)計(jì)、部署開展多維度自我診斷，科學(xué)客觀定位自身能力。診斷維度上，通過應(yīng)用場景診斷，明確智能開發(fā)能力在企業(yè)內(nèi)部的落地場景，幫助梳理當(dāng)前需求和未來規(guī)劃的需求；通過技術(shù)能力診斷，明晰企業(yè)在人工智能領(lǐng)域的優(yōu)勢和不足，明確是否具備足夠技術(shù)儲(chǔ)備開發(fā)或維護(hù)代碼大模型或智能開發(fā)工具的能力；通過基礎(chǔ)設(shè)施診斷，深入了解企業(yè)現(xiàn)有算力資源、存儲(chǔ)資源、數(shù)據(jù)資源等，幫助企業(yè)做好基礎(chǔ)性準(zhǔn)備；通過安全可信診斷，明確企業(yè)自身對安全可信的要求，從而便于制定安全保障機(jī)制。能力定位上，企業(yè)根據(jù)戰(zhàn)略規(guī)劃、基礎(chǔ)設(shè)施、數(shù)據(jù)資產(chǎn)、人才儲(chǔ)備、經(jīng)費(fèi)預(yù)算等方面的能力現(xiàn)狀，并結(jié)合安全可信要求，綜合研判自身已有智能化能力等級，可劃分五個(gè)根據(jù)自我診斷及能力定位結(jié)果，選擇合適的實(shí)施方案。L1企業(yè)L2企業(yè)可采購軟硬件集成的智能開發(fā)工具（如智能編碼一體機(jī)），以實(shí)現(xiàn)智能開發(fā)能力的本地化部署，形成一體化解決方案；L3企業(yè)可采購包含代碼大模型的智能開發(fā)工具進(jìn)行私有化部署，保障企業(yè)級代碼資產(chǎn)的安全，并通過采購模型調(diào)優(yōu)和升級等服務(wù)，保證大模型能力的穩(wěn)定；L4企業(yè)可采購解耦的代碼大模型和智能開發(fā)工具，或者選用高性能大模型訓(xùn)練微調(diào)成自有代碼大模型，構(gòu)建定制化的智能開發(fā)能力；L5企業(yè)依托豐富的算力、數(shù)據(jù)、人才等基礎(chǔ)，可考慮自主研發(fā)代碼大模型，并依此構(gòu)建軟件工程領(lǐng)域的工程化能力，根據(jù)實(shí)施方案按計(jì)劃部署和實(shí)施。一是明確資源配置、任務(wù)分工等，并制定風(fēng)險(xiǎn)管理計(jì)劃開展必要的軟硬件采購與資源配置，確保相關(guān)落地要求；三是開展代碼大模型和智能開發(fā)工行培訓(xùn)并提供技術(shù)支持，選定試點(diǎn)項(xiàng)目或團(tuán)隊(duì)根據(jù)實(shí)施效果持續(xù)優(yōu)化和改進(jìn)。建立有效的指標(biāo)體系和監(jiān)控機(jī)制，一方面持續(xù)地自動(dòng)化監(jiān)測大模型推理效果和應(yīng)用成效，如推理準(zhǔn)確率、代碼采納率、代碼修復(fù)率、代碼生成占比等指標(biāo)；另一方面定期收集用戶反饋，根據(jù)數(shù)據(jù)分析結(jié)果明確問題和優(yōu)化方向。構(gòu)建大模型維護(hù)更新機(jī)制，通過獲取和生成高質(zhì)量代碼數(shù)據(jù)集，開展（三）智能開發(fā)落地框架本層建設(shè)目標(biāo)是在基座大模型的基礎(chǔ)上訓(xùn)練調(diào)優(yōu)生發(fā)問答大模型。代碼補(bǔ)全大模型的任務(wù)是代碼生成與是應(yīng)對更為復(fù)雜的代碼解釋、代碼檢查和研發(fā)問答等服務(wù)層依托AI底座能力，運(yùn)用更多技術(shù)手段增強(qiáng)或調(diào)度大模型能力。通過模型調(diào)度，針對工具層不同的操作精確匹配調(diào)度相應(yīng)模型，確保模型資源的合理分配與高效利用；通過提示詞封裝，對用戶常用功能設(shè)計(jì)提示詞模板，豐富用戶問題的表述，使模型能夠更全面、準(zhǔn)確地理解用戶意圖，提供更精確的推理結(jié)果；通過RAG將通過AIAgent輔助，以感知和記憶能力將復(fù)雜研發(fā)問題進(jìn)行拆解，應(yīng)用層以用戶為核心提供各類智能開發(fā)功能，主要包括智能編碼和開發(fā)者輔助兩大類功能，并將其集成于IDE（集成開發(fā)環(huán)境）等工具中為用戶提供直接服務(wù)。應(yīng)用層能力一方面基于服務(wù)層對大模型能力進(jìn)行了加強(qiáng)，如對工程級別的代碼理解和生成能力更強(qiáng)，能夠智能識別IDE當(dāng)前打開的多文件內(nèi)容，并將其作為大模型輸入的上下文，提升跨文件感知能力；另一方面應(yīng)用層為工具打造了更優(yōu)異的用戶體驗(yàn)，如兼容適配主流IDE、操作系統(tǒng)以及常見自然語言等，建設(shè)自定義配置相關(guān)功能，優(yōu)化輸入輸出性能，建立用戶反三、智能開發(fā)核心能力建設(shè)在軟件開發(fā)過程中，無論是企業(yè)開發(fā)者還是個(gè)人開發(fā)者，都面從而導(dǎo)致編碼效率低下或存在質(zhì)量隱患。因此，在智能開發(fā)能力建設(shè)過程中，可優(yōu)先構(gòu)建核心能力，如代碼生成與補(bǔ)全、單元測試用例生成、代碼轉(zhuǎn)換與優(yōu)化等能力可提升編碼效率，代碼解釋與注釋生成等能力可增強(qiáng)代碼可讀性，代碼檢查與修復(fù)等能力可提高代碼代碼生成與補(bǔ)全是指根據(jù)自然語言描述或代碼上下文，自動(dòng)生成或補(bǔ)全代碼的能力。通過代碼生成與補(bǔ)全，可幫助開發(fā)人員提高1.關(guān)鍵能力l代碼生成能力：基于自然語言描述，生成有效的片段級或文l代碼補(bǔ)全能力：根據(jù)代碼上下文，補(bǔ)全有效的引用、類/方法/l多維兼容能力：支持多種主流（或所需）編程語言和開發(fā)框l代碼質(zhì)量能力：生成和補(bǔ)全的代碼滿足基本的質(zhì)量規(guī)范要求2.擴(kuò)充能力l根據(jù)多模態(tài)輸入生成代碼能力；l知識庫接入能力，可提供更符合企業(yè)內(nèi)部業(yè)務(wù)邏輯或規(guī)范的l第三方工具對接能力，如與版本管理工具的對接，支持代碼3.重點(diǎn)和難點(diǎn)l推理效率提升：代碼生成與補(bǔ)全是使用頻率較高的功能，且流式生成對推理速度有較高要求，因此優(yōu)化模型推理效率是本能力l高質(zhì)量數(shù)據(jù)集構(gòu)建：在代碼大模型訓(xùn)練或調(diào)優(yōu)過程中，高質(zhì)l提示詞工程優(yōu)化：基于意圖識別對提示詞模板進(jìn)行調(diào)優(yōu)，輔l上下文理解能力：準(zhǔn)確理解代碼上下文，如變量的作用域、函數(shù)的調(diào)用關(guān)系、跨文件間代碼邏輯等，對提升推理準(zhǔn)確度有明顯l模型持續(xù)改進(jìn)：通過代碼采納與拒絕等歷史數(shù)據(jù)構(gòu)建數(shù)據(jù)飛采用三“碼”合一方案（將訓(xùn)練態(tài)SFT代碼語料、檢索態(tài)RAG代碼語料、推理態(tài)補(bǔ)充代碼語料組裝）優(yōu)化Prompt模板，形成統(tǒng)一的Prompt模板，構(gòu)建成一個(gè)一致的訓(xùn)練和推理邏輯，通過將訓(xùn)練階段與推理階段的格式保持一致，可明顯提升代碼模型在垂直領(lǐng)域上的適應(yīng)性和魯棒性，使其在不同場景下保持較（二）單元測試用例生成單元測試用例生成是指根據(jù)輸入的代碼，自動(dòng)生成用于測試該代碼的單元測試用例。通過單元測試用例生成，可幫助開發(fā)人員減少編寫單元測試用例的時(shí)間，并提高單元測試覆蓋率，提升代碼質(zhì)1.關(guān)鍵能力l用例生成能力：根據(jù)函數(shù)級或文件級代碼，生成單元測試用l用例質(zhì)量能力：生成的用例滿足基本的質(zhì)量規(guī)范要求，且具l多維兼容能力：支持多種主流（或所需）單元測試框架。2.擴(kuò)充能力l生成的單元測試用例可自動(dòng)對部分外部依賴進(jìn)行打樁，且打3.重點(diǎn)和難點(diǎn)l結(jié)合傳統(tǒng)代碼分析技術(shù)：加強(qiáng)大模型對代碼結(jié)構(gòu)和邏輯的理解，如對函數(shù)、類和模塊級的接口，以及各類控制流和數(shù)據(jù)流進(jìn)行l(wèi)結(jié)合多樣性測試技術(shù)：支持隨機(jī)測試、符號執(zhí)行、模糊測試l單元測試用例生成能力的評估：通過編譯正確性、覆蓋充分性、錯(cuò)誤檢出率等指標(biāo)對推理結(jié)果進(jìn)行綜合評價(jià)，是本能力建設(shè)難采用大模型與傳統(tǒng)軟件分析等技術(shù)相組合的方式提升單元測試用例生成效果，傳統(tǒng)分析工具通過整體分析被測工程，獲取被測函數(shù)的依賴、測試場景等，生成用例初始化部分，而大模型生成用例的函數(shù)部分可結(jié)合軟件分析的后處理算法，大幅度提高生成用例的編譯（三）代碼轉(zhuǎn)換與優(yōu)化代碼轉(zhuǎn)換與優(yōu)化是指在保持代碼邏輯和功能不變的基礎(chǔ)上，對輸入的代碼進(jìn)行不同語言或不同框架之間的轉(zhuǎn)換，或特定方向的優(yōu)化。通過代碼轉(zhuǎn)換可幫助快速理解代碼，通過代碼優(yōu)化可幫助解決1.關(guān)鍵能力l代碼轉(zhuǎn)換能力：根據(jù)給定的代碼，轉(zhuǎn)換成不同編程語言、不l代碼優(yōu)化能力：根據(jù)給定的代碼，提供規(guī)范性、性能和復(fù)雜l轉(zhuǎn)換和優(yōu)化質(zhì)量能力：轉(zhuǎn)換和優(yōu)化后的代碼滿足基本的質(zhì)量2.擴(kuò)充能力l知識庫的接入能力：使轉(zhuǎn)換和優(yōu)化后的代碼更符合企業(yè)內(nèi)部l對多文件的工程級代碼進(jìn)行轉(zhuǎn)換和優(yōu)化。3.重點(diǎn)和難點(diǎn)l集成優(yōu)化算法：集成各種優(yōu)化算法，如循環(huán)優(yōu)化、內(nèi)存訪問（四）代碼解釋與注釋代碼解釋與注釋是指對輸入的代碼進(jìn)行解釋或注釋的生成。通過代碼解釋，可幫助開發(fā)人員快速理解大量代碼或不熟悉的代碼，通過代碼注釋，可提高代碼的可讀性和可維護(hù)性，幫助開發(fā)人員生1.關(guān)鍵能力l注釋質(zhì)量能力：代碼的注釋內(nèi)容滿足基本的注釋規(guī)范要求。2.擴(kuò)充能力l知識庫的接入能力：使代碼的解釋和注釋內(nèi)容更符合企業(yè)內(nèi)l對變更的代碼進(jìn)行解釋。3.重點(diǎn)和難點(diǎn)l語義理解及關(guān)鍵詞識別：準(zhǔn)確理解代碼語法、語義，并識別領(lǐng)域知識（如設(shè)計(jì)文檔、開發(fā)規(guī)范等）、工程上下文調(diào)用信息等，并根據(jù)開發(fā)者實(shí)時(shí)行為，精確檢索上下文，提高代碼解釋與注釋的（五）代碼檢查與修復(fù)代碼檢查與修復(fù)是指對代碼進(jìn)行相關(guān)問題的檢查，并根據(jù)檢查出的問題進(jìn)行自動(dòng)修復(fù)。通過代碼檢查，可幫助開發(fā)人員發(fā)現(xiàn)代碼1.關(guān)鍵能力l代碼檢查能力：根據(jù)給定的代碼，進(jìn)行代碼規(guī)范性問題、代碼異味、代碼語法錯(cuò)誤、代碼邏輯錯(cuò)誤、代碼安全漏洞等問題的檢l代碼修復(fù)能力：根據(jù)檢查出的問題，提供代碼修復(fù)建議及修l檢查和修復(fù)的質(zhì)量能力：代碼檢查的錯(cuò)誤檢出率和誤報(bào)率達(dá)到要求，修復(fù)后的代碼需滿足基本的質(zhì)量規(guī)范要求，且保留了原代2.擴(kuò)充能力l對多文件的工程級代碼進(jìn)行問題檢查和修復(fù)；l代碼檢查規(guī)則的自定義能力；l對污點(diǎn)類問題進(jìn)行檢查，可跟蹤和分析污點(diǎn)數(shù)據(jù)（或輸入）3.重點(diǎn)和難點(diǎn)l提示詞優(yōu)化：制定代碼檢查與修復(fù)提示詞模板，支持檢查風(fēng)格類問題、質(zhì)量類問題、安全漏洞、性能缺陷、邏輯缺陷、行業(yè)規(guī)l降低誤報(bào)率：傳統(tǒng)漏洞掃描工具誤報(bào)率較高，基于大模型的（六）研發(fā)問答研發(fā)問答是指利用自然語言處理、信息檢索等技術(shù)進(jìn)行研發(fā)相關(guān)問題的解答，幫助開發(fā)人員提供問答輔助能力，提高研發(fā)和創(chuàng)新1.關(guān)鍵能力l代碼搜索能力：根據(jù)關(guān)鍵詞分析或語義理解等，快速、準(zhǔn)確l多輪對話能力：可通過多輪對話，不斷優(yōu)化答案以更加準(zhǔn)確2.擴(kuò)充能力l可追溯能力：可明確推理答案的參考來源；l對工程級代碼庫的理解和分析能力，并基于其進(jìn)行問答。3.重點(diǎn)和難點(diǎn)l多輪對話感知：理解和保存用戶多輪問答交互結(jié)果，作為下l交互式反饋機(jī)制：提供答案反饋機(jī)制，以便不斷優(yōu)化答案的四、智能開發(fā)使能能力建設(shè)構(gòu)建代碼數(shù)據(jù)集、調(diào)優(yōu)代碼大模型、評估代具等使能能力同樣重要。本章將圍繞數(shù)據(jù)、（一）代碼數(shù)據(jù)處理能力代碼大模型所需的代碼數(shù)據(jù)集包括純代碼數(shù)據(jù)，以及代碼和文本的混合數(shù)據(jù)。通過有效地管理和處理代碼數(shù)據(jù)集，將其處理成可直接被用于模型訓(xùn)練調(diào)優(yōu)的高質(zhì)量代碼數(shù)據(jù)集，為代碼大模型提供數(shù)據(jù)清洗數(shù)據(jù)清洗用于過濾低質(zhì)代碼數(shù)據(jù)，提升數(shù)據(jù)質(zhì)量。代碼數(shù)據(jù)清洗主要包括數(shù)據(jù)過濾、數(shù)據(jù)去重、敏感數(shù)據(jù)處理、許可協(xié)議（License）過濾等環(huán)節(jié)。不同數(shù)據(jù)可采用不同處理方式，開源代碼數(shù)據(jù)可進(jìn)行所有方式的清洗，私有代碼數(shù)據(jù)可進(jìn)行數(shù)據(jù)過濾、數(shù)據(jù)數(shù)據(jù)過濾是篩選、排除或提取數(shù)據(jù)集中特定部分，過濾方法主要包含三種?；谝?guī)則過濾是采用基于正則表達(dá)式、專家規(guī)則、點(diǎn)贊數(shù)量等規(guī)則的過濾器，識別并刪除空白文件、自動(dòng)生成的代碼數(shù)據(jù)、有效信息過少的數(shù)據(jù)等；基于程序分析過濾是采用語法解析器和抽象語法樹過濾存在語法錯(cuò)誤的代碼數(shù)據(jù)，采用規(guī)范檢查規(guī)則或工具過濾掉不符合規(guī)范和不安全的代碼數(shù)據(jù)；基于模型過濾是采用標(biāo)注的高質(zhì)量和低質(zhì)量數(shù)據(jù)，訓(xùn)練質(zhì)量模型分類器，對代碼數(shù)據(jù)質(zhì)數(shù)據(jù)去重是從數(shù)據(jù)集中消除冗余的重復(fù)記錄，僅保留具有唯一性的數(shù)據(jù)條目，提升數(shù)據(jù)質(zhì)量和存儲(chǔ)效率。去重方式包含精確去重和近似去重，去重策略包含代碼的文件級去重和倉庫級去重，有效敏感信息處理是指識別并移除或替換數(shù)據(jù)中的敏感信息，包含可采用正則表達(dá)式、深度學(xué)習(xí)與機(jī)器學(xué)習(xí)、人工審查等技術(shù)實(shí)現(xiàn)敏License過濾是檢驗(yàn)并去除開源代碼中不允許使用的數(shù)據(jù)。開源代碼License包含允許使用、不允許使用和無規(guī)定，為保證開源數(shù)據(jù)使用的合規(guī)性，可使用ScanCode-Toolkit等許可檢測工具，過濾掉非法數(shù)據(jù)，將允許使用和無規(guī)定的開源數(shù)據(jù)數(shù)據(jù)增強(qiáng)數(shù)據(jù)增強(qiáng)是通過對現(xiàn)有代碼數(shù)據(jù)執(zhí)行有意義的變換和擴(kuò)充，生成新代碼樣本，增加數(shù)據(jù)集的多樣性和豐富度，提高模型泛化能力和魯棒性。注釋增強(qiáng)是通過人工或自動(dòng)化方式在代碼的方法定義、循環(huán)、條件語句等位置新增注釋，增強(qiáng)代碼可讀性，例如開源代碼果；上下文增強(qiáng)是在準(zhǔn)備微調(diào)數(shù)據(jù)時(shí)，將代碼數(shù)據(jù)擴(kuò)充增加相關(guān)聯(lián)的上下文、依賴、外部對象和方法等信息；數(shù)量及多樣性增強(qiáng)用于提升代碼數(shù)據(jù)覆蓋度減少過擬合，常用方法如Self-Instruct、Evol-數(shù)據(jù)檢查數(shù)據(jù)集的質(zhì)量決定了大模型的性能，代碼數(shù)據(jù)集在處理過程中應(yīng)滿足一定要求。數(shù)據(jù)集質(zhì)量方面，應(yīng)滿足語法正確、編碼規(guī)范、數(shù)據(jù)場景覆蓋方面，應(yīng)選擇高質(zhì)量代碼，只包含代碼文件，無需其他配置文件，同時(shí)只包含核心代碼，棄用邊（二）代碼大模型優(yōu)化能力對代碼大模型進(jìn)行優(yōu)化的目標(biāo)是維持或增強(qiáng)其推理能力，主要包括模型調(diào)優(yōu)及調(diào)優(yōu)后模型部署，應(yīng)用于企業(yè)使用專有數(shù)據(jù)集對代模型調(diào)優(yōu)模型調(diào)優(yōu)是在特定任務(wù)或領(lǐng)域上進(jìn)一步訓(xùn)練或調(diào)優(yōu)模型，以優(yōu)化其對這一任務(wù)或領(lǐng)域的理解和推理能力。代碼大模型調(diào)優(yōu)通常采有監(jiān)督微調(diào)亦稱指令微調(diào)，是指通過構(gòu)建指令格式的實(shí)例，以有監(jiān)督方式對大模型進(jìn)行微調(diào)。指令微調(diào)可輔助代碼大模型提升推理能力，從而展現(xiàn)出泛化到未見過的任務(wù)的卓越能力。指令微調(diào)的前提是構(gòu)建問答對數(shù)據(jù)集，同時(shí)根據(jù)實(shí)際任務(wù)（如代碼生成、代碼解釋等任務(wù)）配置數(shù)據(jù)配比不斷完善數(shù)據(jù)質(zhì)量。有監(jiān)督微調(diào)包含全量參數(shù)指令微調(diào)和高效微調(diào)，當(dāng)算力充足且數(shù)據(jù)集較多的情況下，通常采用全量參數(shù)指令微調(diào)的方式，從而達(dá)到更好微調(diào)效果，但算力不足時(shí)，可采用更高效的微調(diào)方法，如LoRa、Adapter、Prefix-強(qiáng)化學(xué)習(xí)的目標(biāo)是強(qiáng)化代碼大模型在某些準(zhǔn)確率不高的任務(wù)下的能力，可通過人類反饋對推理質(zhì)量進(jìn)行評估和排序，并依據(jù)其反饋結(jié)果開展學(xué)習(xí)優(yōu)化，從而持續(xù)提升推理生成的質(zhì)量。強(qiáng)化學(xué)習(xí)通常選擇基于人類反饋的強(qiáng)化學(xué)習(xí)算法框架，并利用近端策略優(yōu)化算一方面可以使用大模型生成或人工構(gòu)建數(shù)據(jù)對，針對不同開發(fā)場景進(jìn)行增強(qiáng)，從而提升模型的通用研發(fā)能力，如針對某類代碼框架或前端開發(fā)、后端開發(fā)等不同場景構(gòu)建正負(fù)數(shù)據(jù)對；另一方面則需要結(jié)合測試反饋或用戶反饋來針對模型能力較弱的場景進(jìn)行增強(qiáng)，如在服務(wù)運(yùn)行階段，通過后臺(tái)監(jiān)控白名單用戶行為，如點(diǎn)贊點(diǎn)踩、代碼采納情況等，收集好回答示例和壞回答示例進(jìn)行數(shù)據(jù)構(gòu)造，從而模型部署模型部署是指將調(diào)優(yōu)好的模型部署至服務(wù)器上供用戶使用的過程。模型部署時(shí)普遍考慮三點(diǎn)，一方面開展模型轉(zhuǎn)換，根據(jù)部署資源將模型轉(zhuǎn)換成所需形態(tài)，另一方面通過優(yōu)化算法提升大模型推理速度和吞吐量，提高計(jì)算資源的利用率，最后根據(jù)需求、使用場景但在代碼大模型部署時(shí)，還應(yīng)特別考慮前后處理工作，當(dāng)用戶提交請求時(shí)，需對用戶所在項(xiàng)目工程進(jìn)行軟件分析，并將分析信息和用戶輸入一并輸入給代碼大模型；當(dāng)代碼大模型推理完成后，需對推理結(jié)果進(jìn)行后處理，如在函數(shù)結(jié)束位置提前停止、復(fù)讀檢測、（三）智能開發(fā)能力評估為驗(yàn)證代碼大模型及智能開發(fā)工具是否滿足需求，通過構(gòu)建評估數(shù)據(jù)集和指標(biāo)對其開展全面評估，應(yīng)用于企業(yè)在采購、建設(shè)及維評估對象智能開發(fā)能力評估包括代碼大模型能力評估和智能開發(fā)工具能力評估。代碼大模型能力評估聚焦于大模型的理解和推理能力，通過采用專業(yè)評估數(shù)據(jù)集對代碼生成的準(zhǔn)確性、單元測試的覆蓋度、代碼檢查的錯(cuò)誤檢出率等指標(biāo)進(jìn)行評估。智能開發(fā)工具能力評估聚焦于平臺(tái)能力、功能豐富度和專項(xiàng)化能力等多個(gè)維度，綜合衡量呈評估內(nèi)容代碼大模型評估旨在衡量準(zhǔn)確性和可接受度，智能開發(fā)工具評估旨在衡量準(zhǔn)確性和可接受度，以及工具的功能豐富度、工程化能力以及體驗(yàn)度。準(zhǔn)確性評估是通過預(yù)設(shè)的關(guān)鍵指標(biāo)對工具在特定場景下的輸出進(jìn)行客觀分析（如表1所示），考察輸出的準(zhǔn)確性和邏輯合理性；可接受度評估是通過專家評審等主觀分析，考察輸出是否達(dá)到行業(yè)標(biāo)準(zhǔn)，主要包括輸出代碼的符合性、可讀性、規(guī)范性、完整性、合規(guī)性和安全性等；工具專項(xiàng)評估是通過對工具的功能和性能的評估，考察其應(yīng)用層面的靈活性、可擴(kuò)展性、兼容性、安全評估方法智能化開發(fā)能力的評估方法涉及多種方法。一是自動(dòng)化評估方使用數(shù)據(jù)集開展相關(guān)客觀指標(biāo)的評估；二是裁判模型評估方法，面向可接受度評估，通過選取具有高精度和相關(guān)領(lǐng)域知識的大模型作為“裁判”，設(shè)置好詳細(xì)的提示詞，對輸出進(jìn)行評估；三是領(lǐng)域?qū)＜以u估方法，面向可接受度和工具專項(xiàng)評估，通過行業(yè)專家對照預(yù)期實(shí)際評估過程中，通常采用多種方法可形成互補(bǔ)的評估機(jī)制，同時(shí)考慮評估效率和準(zhǔn)確性，從而為持續(xù)提升智能開發(fā)能力提供有（四）智能開發(fā)安全能力1.數(shù)據(jù)安全治理保證用于代碼大模型訓(xùn)練和調(diào)優(yōu)的代碼數(shù)據(jù)確保從可信代碼倉庫獲取源數(shù)據(jù)，防止版權(quán)風(fēng)險(xiǎn)；過清洗與過濾等技術(shù)，精準(zhǔn)剔除敏感代碼，并對代與標(biāo)注，便于后續(xù)的差異化管理和使用；數(shù)量門禁，對擬入庫并共享發(fā)布的代碼數(shù)據(jù)集進(jìn)行審段可通過存儲(chǔ)層加密等手段確保代碼數(shù)據(jù)存儲(chǔ)安全訪問控制等手段確保代碼數(shù)據(jù)可追溯，并通過定期據(jù)健康狀況監(jiān)控，及時(shí)處理安全風(fēng)險(xiǎn)。同時(shí)，承載等全過程的工具鏈，需具備任務(wù)隔離和嚴(yán)格的訪問2.模型安全治理模型安全治理應(yīng)考慮代碼大模型在開發(fā)、管理及運(yùn)行階段安全可控。開發(fā)階段，即代碼大模型調(diào)優(yōu)階段，首先應(yīng)保證數(shù)據(jù)和基礎(chǔ)模型的來源可信，同時(shí)對模型進(jìn)行安全標(biāo)識和分類分級；其次通過相關(guān)數(shù)據(jù)集對代碼大模型開展安全可信評估，確保模型推理結(jié)果滿管理階段，應(yīng)對代碼大模型進(jìn)行安全性存儲(chǔ)和加密傳輸，并加強(qiáng)模型版本管理實(shí)現(xiàn)模型溯源，確保合理的權(quán)限約束。同時(shí)，對于承載代碼大模型開發(fā)全過程的工具鏈，需具備任務(wù)隔離和嚴(yán)格的訪問控制機(jī)制，確保其自身的安全，保證代碼大模型開發(fā)過程的安全通過通信加密協(xié)議、安全訪問機(jī)制等方式，防止未授權(quán)訪問及API濫用等情況；二是確保提示詞數(shù)據(jù)安全（如提示詞不被篡改等）、知識庫數(shù)據(jù)安全，并對RAG檢索的知識附帶來源，降低運(yùn)行時(shí)推理風(fēng)險(xiǎn)；三是對推理資源做合理分配，防止推理資源的過度消耗；四是確保運(yùn)行環(huán)境安全，防止模型泄露或被篡改，通過實(shí)施沙箱隔離及強(qiáng)化訪問控制等措施，確保只有經(jīng)過認(rèn)證的用戶和應(yīng)用程序才能3.應(yīng)用安全治理二是強(qiáng)化敏感信息檢測機(jī)制，對用戶輸入及模型輸出內(nèi)容實(shí)施敏感信息檢測和內(nèi)容安全防控，以防范敏感信息及關(guān)鍵資產(chǎn)的泄露，并保障內(nèi)容合法性和適宜性；三是保證用戶數(shù)據(jù)隱私安全，用戶數(shù)據(jù)應(yīng)嚴(yán)格按照授權(quán)內(nèi)容存儲(chǔ)，或者不存儲(chǔ)，確保私有數(shù)據(jù)安全；四是可考慮模型領(lǐng)域隔離，僅限定于研發(fā)領(lǐng)域的應(yīng)用，不提供其他無關(guān)領(lǐng)域的內(nèi)容生成等功能；五是健全安全審計(jì)機(jī)制，通過系統(tǒng)請求和操作等審計(jì)日志的管理，確保智能開發(fā)工具使用（五）其他工程化能力為進(jìn)一步提升代碼大模型及智能開發(fā)工具對問題的理解能力，以及對企業(yè)私有化知識的習(xí)得能力，提示詞、RAG、Agent等各工程化能力扮演著重要角色，可在不改變代碼大模型的前提下達(dá)到更1.提示工程能力提示工程是用戶與代碼大模型交互的主要橋梁，通過設(shè)計(jì)和使用提示詞可優(yōu)化代碼大模型能力，對提升模型性能、增強(qiáng)模型可控性、擴(kuò)展模型能力等方面具有直接作用。面向智能開發(fā)領(lǐng)域，提示工程主要被用于兩個(gè)階段，一是代碼大模型訓(xùn)練調(diào)優(yōu)階段，使用提示詞構(gòu)造訓(xùn)練樣本，通過預(yù)訓(xùn)練、指令微調(diào)、反饋對齊等方式訓(xùn)練大模型，從而提高其對特定指令的遵從和理解能力，或者賦予模型連續(xù)對話、工具調(diào)用等能力；二是代碼大模型推理階段，通過提示詞為大模型提供解決問題所需的必要信息，包括但不限于任務(wù)背景知識、必要的上下文信息、期望輸出格式等，從而提升大模型正確生成答案的概率。提示工程的典型應(yīng)用包括可感知上下文的代碼補(bǔ)全、圍繞代碼倉的問答、智能解決問題單等場景，需通過提示詞將待生成代碼中可能用到或可能參考的代碼片段、相關(guān)文檔、項(xiàng)目結(jié)提示詞內(nèi)容通?？砂韵略?。系統(tǒng)設(shè)定，涵蓋人設(shè)/角色、基本原則、安全邊界等重要內(nèi)容；任務(wù)提示，明確指出大模型需要完成的具體任務(wù)或目標(biāo)、輸入格式、輸出要求等；用戶指令，包括當(dāng)前要回答的具體問題的背景、描述、詳細(xì)要求等；示例樣本，提供若干具體的輸入-輸出示例；上下文輸入，提供當(dāng)前任務(wù)所需要的隱式上下文。除此之外，還可以根據(jù)具體場景附加其他元素，如檢索增強(qiáng)內(nèi)容、可調(diào)用工具列表、行動(dòng)與反思指令等。業(yè)內(nèi)使用的提（2）提示詞構(gòu)造方法提示詞構(gòu)造是一個(gè)復(fù)雜且多維的過程，不僅涉及設(shè)計(jì)和編寫提示詞本身，還可借助其他工程化方式動(dòng)態(tài)構(gòu)造和組裝提示詞。手動(dòng)編寫提示詞是一種基本且直接的提示詞構(gòu)造方法，由用戶或代碼大模型服務(wù)提供方，根據(jù)各自的需求和任務(wù)背景直接手動(dòng)編寫，本方法簡單直接但不夠靈活且效率較低，適用于簡單場景；動(dòng)態(tài)組裝提示詞是指在運(yùn)行時(shí)基于模板生成提示詞的構(gòu)造方法，可通過軟件分析、自然語言處理、大模型推理等技術(shù)進(jìn)行動(dòng)態(tài)填充，如代碼生成（3）提示詞實(shí)例參考在代碼補(bǔ)全任務(wù)中，提示詞通常如表2所示。通過該提示詞，系統(tǒng)將首先設(shè)定代碼大模型扮演一個(gè)編程專家角色，激發(fā)其在編程領(lǐng)域的特定知識；其次通過任務(wù)提示告知代碼大模型需根據(jù)光標(biāo)處的上下文進(jìn)行補(bǔ)全；最后要求代碼大模型根據(jù)示例樣本，按照用戶指令進(jìn)行代碼插入，并不可生成重復(fù)代碼。通過該提示詞可提升代在代碼解釋任務(wù)中，提示詞通常如表3所示。通過該提示詞，系統(tǒng)將首先設(shè)定代碼大模型扮演一個(gè)編程教練角色，激發(fā)其在教學(xué)領(lǐng)域的特定知識；其次通過任務(wù)提示告知代碼大模型在解釋時(shí)所需要使用的語言以及輸出格式；最后根據(jù)用戶指令明確需要解釋的代碼片段及其所在文件，并獲取上下文信息進(jìn)行代碼解釋，通過該提2.RAG能力檢索增強(qiáng)生成（RAG）是指通過語義相似性計(jì)算從外部知識庫中檢索相關(guān)文檔塊，以增強(qiáng)代碼大模型能力，減少幻覺并提高對專生成的代碼需符合內(nèi)部開發(fā)規(guī)范、生成內(nèi)部開發(fā)文檔等情況，RAGRAG落地過程中，通常包括數(shù)據(jù)索引服務(wù)、向量化模型服務(wù)、數(shù)據(jù)索引服務(wù)是指將知識進(jìn)行向量化并存儲(chǔ)于數(shù)據(jù)庫的過程，其中采用不同索引構(gòu)建方式處理文本和代碼數(shù)據(jù)是核心要點(diǎn)，文本的拆分處理可選擇固定字符數(shù)分塊、遞歸分塊、語義分塊和特定格式分塊等方式，代碼拆分處理時(shí)，對于常規(guī)長度的函數(shù)體可選擇整體向量化而不做拆分，對于少數(shù)超大超長函數(shù)體既可采取自動(dòng)截?cái)嘁部砂葱羞M(jìn)行切分；向量化模型服務(wù)可選擇BGE(Bi-EncoderforEmbeddings)等模型，通過部署容器化并對外暴露端口，提供向量化服務(wù)；數(shù)據(jù)庫服務(wù)使用向量數(shù)據(jù)庫存儲(chǔ)向量化之后的數(shù)據(jù)，可選擇開源數(shù)據(jù)庫如Milvus，F(xiàn)aiss，Weaviate，Qd量大小、縮小搜索范圍等方式提高數(shù)據(jù)庫檢索效率；搜索服務(wù)是向量化模型服務(wù)和數(shù)據(jù)庫服務(wù)的橋梁，一方面用于將查詢請求轉(zhuǎn)換為向量表示，并在向量數(shù)據(jù)庫中搜索相似項(xiàng)，另一方面對于搜索結(jié)果需根據(jù)不同使用場景設(shè)置不同的相似度閾值，確保將高質(zhì)量結(jié)果反五、智能開發(fā)落地案例分析各行業(yè)積極探索智能開發(fā)落地之道，并在部分行業(yè)的應(yīng)用成效顯著。本章將對智能化軟件開發(fā)在云服務(wù)、軟件服務(wù)業(yè)、電力、金某大型云服務(wù)企業(yè)云服務(wù)研發(fā)過程遵循DevOps最佳實(shí)踐，一方面該企業(yè)產(chǎn)品需要基于業(yè)界前沿方法和技術(shù)不斷提升研發(fā)效率和產(chǎn)品發(fā)布速度，以響應(yīng)激烈的市場競爭并保持領(lǐng)先；另一方面作為公司研發(fā)工程能力的排頭兵，需要優(yōu)先驗(yàn)證和試點(diǎn)業(yè)界領(lǐng)先的智能化軟件開發(fā)能力，為公司其他產(chǎn)品線更大規(guī)模的探索和應(yīng)用打好前式，在流程、組織、工具等方面需要盡快通過試點(diǎn)探索形成新的工2）保持研發(fā)生產(chǎn)能力先進(jìn)性：面對激烈市場競爭，如何通過AI技術(shù)升級傳統(tǒng)研發(fā)體系，保障軟件研發(fā)生產(chǎn)力持員難以全盤掌握和快速精準(zhǔn)獲取海量知識；單元測試及接口測試腳本人工輸出工作量大，效率低難以匹配業(yè)務(wù)代碼的增長訴求；對高1.解決方案該企業(yè)圍繞“設(shè)計(jì)-開發(fā)-測試-協(xié)同”四個(gè)核心研發(fā)階段，基于“高數(shù)據(jù)成熟度、技術(shù)成熟度）”兩個(gè)方面共5個(gè)維度，識別出各研發(fā)階段中AI實(shí)踐價(jià)值場景。而“開發(fā)”場景為價(jià)值最高，因此優(yōu)先落地覆2.價(jià)值和收益AI代碼生成220+萬行，單測生成300+萬行，研發(fā)問答46+萬次。其中單測全量覆蓋率達(dá)到57%（提升89%），增量覆蓋率達(dá)到78%），（二）軟件服務(wù)業(yè)案例某軟件服務(wù)企業(yè)為國內(nèi)眾多行業(yè)提供軟件研發(fā)服務(wù)，包括需求設(shè)計(jì)、開發(fā)、測試、運(yùn)維等，但服務(wù)過程中面臨的痛點(diǎn)問題長期存1）業(yè)務(wù)系統(tǒng)溝通效率低：在被服務(wù)的企業(yè)中，業(yè)務(wù)需求復(fù)雜且多變，但需求人員少而開發(fā)人員多，造成溝通瓶頸，使得項(xiàng)目的2）代碼開發(fā)質(zhì)量待改進(jìn)：開發(fā)過程中缺乏高效的代碼審查機(jī)制，導(dǎo)致潛在缺陷和技術(shù)債務(wù)未能及時(shí)被發(fā)現(xiàn)和解決，另外自動(dòng)化1.解決方案針對上述一系列問題，該企業(yè)自研了AISE一體化平臺(tái)，助力進(jìn)行處理，利用大模型智能分析問題和歸納總結(jié)能力，為每個(gè)項(xiàng)目2）提供代碼自動(dòng)生成、自動(dòng)審查、自動(dòng)修復(fù)、單元測試用例自動(dòng)生成、代碼翻譯和轉(zhuǎn)換等功能，并將上述功能完全集成在現(xiàn)有開3）引入多級外部知識庫和大模型集成，支持Github、Gitlab、網(wǎng)站、異構(gòu)數(shù)據(jù)源等多種格式知識庫的導(dǎo)入，同時(shí)無縫連接企業(yè)內(nèi)部系統(tǒng)，提供效率查詢、單點(diǎn)登錄、業(yè)務(wù)系統(tǒng)數(shù)據(jù)聯(lián)通等多種接口2.價(jià)值和收益該企業(yè)的AISE一體化平臺(tái)落地后，Cobal代碼遷移效率提升（三）電力行業(yè)案例某國網(wǎng)數(shù)字化建設(shè)支撐單位，專注于電力行業(yè)多個(gè)專業(yè)數(shù)字化系統(tǒng)的研發(fā)與推廣，致力于推動(dòng)電力行業(yè)實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型，但在軟3）代碼規(guī)范性差、維護(hù)困難：缺乏嚴(yán)格的代碼審查流程，導(dǎo)致代碼質(zhì)量參差不齊，為后續(xù)的軟件維護(hù)和升級工作帶來了極大的困1.解決方案針對上述問題，該單位基于人工智能大模型技術(shù)，研發(fā)了智能編碼工具，實(shí)現(xiàn)了代碼自動(dòng)生成、優(yōu)化、測試、規(guī)范性檢查與修復(fù)1）以代碼大模型作為基座模型，運(yùn)用LoRa進(jìn)行私有代碼的定制化微調(diào)，從而更好地服務(wù)于電力行業(yè)的特定需求，并適應(yīng)不同部2）提供基于AI的查詢和問答系統(tǒng)，針對公司公共組件庫和統(tǒng)一數(shù)據(jù)模型進(jìn)行檢索，幫助開發(fā)者快速定位和理解組件功能，促進(jìn)3）開發(fā)自動(dòng)化檢測和修正工具，可根據(jù)公司的代碼規(guī)范要求對代碼進(jìn)行實(shí)時(shí)掃描，自動(dòng)識別不規(guī)范代碼片段，并提供修正建議或2.價(jià)值和收益通過智能編碼工具的使用，代碼生成和優(yōu)化速度與準(zhǔn)確率得到了顯著提升，代碼質(zhì)量評分提高至90%以上，開發(fā)效率提升超過（四）金融行業(yè)案例某國有銀行在企業(yè)數(shù)字化轉(zhuǎn)型過程中，面臨軟件應(yīng)用膨脹、代碼量激增和架構(gòu)復(fù)雜化的挑戰(zhàn)。為抓住金融科技創(chuàng)新機(jī)遇，該銀行決定引入大模型技術(shù)提升軟件應(yīng)用的開發(fā)效率，保障代碼質(zhì)量，并編程語言進(jìn)行開發(fā)，代碼量大且技術(shù)過時(shí)，而新人對Flex不熟悉，性設(shè)計(jì)約束多，日常開發(fā)過度依賴開發(fā)文檔，