研发智能化新篇章:通义灵码企业级方案与实践

简介: 《研发智能化新篇章:通义灵码企业级方案与实践》简介:本文探讨了通义灵码在提升企业研发效能方面的核心影响和实际应用。首先分析了AIGC(人工智能生成内容)如何从个体效率、协同效率和持续化三个维度提升企业生产力。接着,通过亚信科技的实际案例,展示了其在不同场景下的智能化实践,包括智能编程助手的选型、部署及效果评估。最后,展望了未来研发智能化的发展方向,提出构建覆盖软件开发全流程的智能体工具集,以进一步降低使用门槛并提升整体效率。文中强调了通义灵码在代码补全、知识问答等方面的应用成效,并指出了企业在落地过程中面临的挑战及应对策略。

研发智能化新篇章:通义灵码企业级方案与实践


内容介绍

一、AIGC对企业研发效能核心因素的影响

二、亚信科技研发智能化实践分析

 

了解通义灵码产品跟研发效能的关系;了解通义灵码产品怎么在企业来去落地围绕采购产品时数量以及企业如何落地企业如何推广进行讲解。


一、AIGC对企业研发效能核心因素的影响

企业在追求效率提升有了新技术红利时,总是想抓住看如何来去让自己企业生产力得到比较大提升

从企业效率提升角度,个体效率,个人生产效率是否得到提升工作效率是否得到更增强和辅助,aigc认为做到这一点第二点协同效率针对企业分工协作,是否办法让分工协作事情变得更简单高效。第三点高效事情,希望是持续化,而不是简单使用,持续增强如何进行。认为在大语言模型阶段里也是体现,非结构化数据,结构化掉,结构化数据之后智能化掉

研发效能,企业是组织研发效能工作及软件工程,软件工程是人类历史上第一次大规模智力协同活动,隐含两点,第一点规模比较大协同活动,第二点是治理活动,治理活动有很显著特点不可见性,存在于人脑中,要专业分工,每人知识是有限,如果说要去提升效能,有假设,要提升效能

1.集体协作,知识共享,隐性的知识显性化

知识协同工作,是否把隐性工作给显性化掉。如同事prd所写了解,概念也是,企业规范也知道在协同过程当中,就不会有壁垒,第一点如何构建企业数字,大脑解决隐性工作显性化这一点每一家企业,有银行保司,有专门部门叫做数字资产管理部。数字资产管理部像管档案,所有东西放完了之后就不了了之,拒之高阁,但数字化时代,数字资产如何把变成模型,把模型能力再赋能到工具侧变得越来越重要在整个aigc怎么来去构建自己数字资产,怎么来去构建自己模型,并且把这增强回路给构建起来,作为现在研发效率提升行动点

2.人工智能带来了新的人机协同模式

第二点关于copilot阶段到agent阶段到multi agents阶段AI程序员站在角度,作为个体,在现在时代,都通过模型能够帮助到每个体让工作起来会更高效。

三阶段,第一阶段copilot阶段。即通义灵码一开始开端在做这一点,但随着技术越来越发展,发现大语言模型作为智能体,智能体解决单点任务研发,去完成调具体确定性任务到第三个阶段,即大语言模型到multi agents,在企业研发协作,是专业分工过程,就要求有非常多职能和角色来去分工完成掉某具体大问题。

如何把大问题拆解成若干个小问题,再把大语言模型agent来去扮演各自角色,来去完成掉大问题,即大语言模型阶段担当AI程序员角色。

3.智能化研发工具实现路径三阶段

行动点问题意义在扩大技术深度在加强,在研发工具册,从早期copilot到multi agent阶段,逐步由通义灵码编码助手到通义灵码AI程序员,问题域是从原来辅助某step到最后来去辅助完成掉功能实现,问题域在不断扩大

4.multi-agents对软件研发范式的影响

有了假设和行动点,对于企业组织研发工作会有样变化,首先一点,需求编码测试三个阶段,三个阶段在早期copilot阶段时候,基本上每个阶段加copilot加助手,agent阶段发现在需求跟编码之间有很多学校根据需求来去完成掉,或者说在测试跟编码之间也有agent辅助掉。除了copilot之外,还有agent去辅助去实现。

到了第三个阶段,发现时候人还有相应copilot,但是有了新agent,这些agent自己组成圈,AI程序员范畴,去组织自己功能,研发协同,整个研发范式会发生非常大变化,时候人有copilot以此同时,还有AI程序人还要跟AI程序员来去做协同,人跟人进行协同,人跟AI之间协同就会成为未来在研发过程会成为一种常态有了改变假设,大语言模型,或者说通灵码产品对于企业,提升效能会从知识显性化,并且对于各个专业职能增强这角度

5.企业在落地研发智能化所面临的困难与挑战

通义灵码商业化,跑了很多客户客户认同通义灵码产品对企业,提升研发效能是有帮助,存在问题:现在有很多企业都说在做智能编码助手而且选择智能编码注册一线同学要去用,和企业要去推广,往往不太一样,觉得应该选择什么样产品会比较合适,或者说什么样编码助手才是是否给标准现在很多厂商都在卷采纳率是多少AI代码生成占比是多少甚至有更具体技术指标,如果某个human evi l Path对于他们陷入选择困难症第二个问题企业有类似于研发效能团队和工程效能团队,引入通义灵码之后,是否把他们都干了,他们也在做类似编码助手,也有自建团队,自己做这些研发工具和灵码之间,或者说商业化编程助手之间关系

编码助手只会编码,还有扫描工具,测试工具,还有其他软件,生命周期当中各种各样工具,不可能一招鲜吃遍天,单个编码助手就把所有问题都给解决掉了,怎么解决企业个性化问题企业还有数字资产管理部,管理了很多需求很多代码,企业和别企业都是不一样,是否可能把个性化数据资产能够应用起来第三个问题不同年份的不同产品的更迭速度使人担心。已经投了很多人,是否继续投资下去,企业不想只做编码助手,希望把东西变成智能研发体系

6.企业研发智能化落地的黄金三角

首先开发者喜爱AI助手,首先做AI助手或编码助手。首先需要会用能用。第二点怎么来去符合企业个性化要求。第三个智能化研发平台建设路径应该是如何结合着编码助手这切入点,如何把整个饼给吃下去,第一点通义灵码的发展部分是责任目前国内具备AI大语言模型能力,又具备做devils和研发效能领域团队太少。简单做对比,如果说开发者一开始比较早,一出来时候,他说就用chat gpt,来去写各种各样代码就够了。

但是后来用copilot用完之后,他发现更好提示词他都封装,但是时候又遇到了问题,合规问题,包括前段时间说不能用某大语言模型API问题,最近又冒出要自建去年很多人要开源自建,慢慢有很多企业开始不愿意自建,觉得对比下来无所谓,几个点自建,要有工程能耗能力,知道开发者平时写代码,他喜欢哪种场景较多,。如代码续写用比较多,还是单元测试较多。认为单元测试就不是用最频繁点,但是企业组最重视点大语言模型能力需要进行相关匹配,拿了机模之后,无论怎么做发现都是做不到商业化商业化团队跟模型工程插件全部串在一起来去搞,使得开源自建有多条件来去做这些事情吗很难

第二点开发者喜用编码助手也是做了详细一个拆分,生成速度一定要快,生成实际一定要,生成长度一定要恰如其分。最重要一点生成出来东西是特别需要符合企业业务场景。在定义这些点过程当中,这些原则过程当中,最主要原则保证开发者处在心流工作状态,开发者选择了,企业一般就会选择在整个一年下来,从插件下载量,包括调用次数,代码生成,就已经证明到了这一点。

在使用方面存在缺陷。生成会出现幻觉,以人为例,人念数字时候念反了,人会出现AI肯定会出现过程当中有了工具能够把这best practice给用。

总结出来9条,第续写过程,要善于用注释,这和以前咱们比较早,之前写代码比较像写伪代码优先,第二点通过自然语言去生成时候,是否给示例把函数签名改写个签名,不要让大约模型真把所有东西都给推,第三点是否及时保存文件去见索引,又建工程机这些索引,这些点来帮助让他把变得用。有了这些技巧之后,但是针对企业不一样。企业除了要先写代码,还要管理很多遗留代码,怎么办也有相应策略。

7.企业在维护遗留代码时的最佳实践

针对代码,就把分成4类,分成四象限,有了这4个象限就知道针对哪一类代码需要用到哪样工具,哪样实践,算法类代码,一般可见性是比较弱,为复杂度高,要去读懂比较难,但是耦合依赖别人,很少都是别人依赖。去做测试保护单元,测试保护是特别简单,就通过直接用生产代码去生产生成,像单元测试是最有效,但是针对协调类,initialization May setup都是耦合别人,但本身逻辑复杂度很低,去做单元测试,好处较低,而且工作量特别大针对东西是否通过编码助手来去生成,像测试用例来去做接口测试,用方式来去解决,针对不同代码类型,采用不同方法和实践。

8.通义灵码企业版,懂研发更懂企业

有了这些之后,知道开发者选择工具并且知道怎么来去把用非常重要。第二点作为企业负责怎么来解决个性化问题了解通义灵码企业版满足相关要求的原因,第一第二点都是刚需,非常基础做企业版产品一定要保证这些东西,企业里开箱即用,要快速能上手,弄产品给要搞很多配置才能配置,肯定不太愿意,很重要一点扩展和灵活性,扩展,灵活性解决主要解决两个问题,私域数据怎么很把应用起来。以及已有这些工具体系,或者说已有这些流程,如何很适配起来,解决掉这两点,对于企业比较好

9.解决企业私域化数据个性化的方法,检索增强生成和模型微调

首先解决企业私域数据个性化方法,有两种方法,RAG解锁,增强生成,还有模型微调,这两种方式到底选择哪一种方式会比较有钱企业都说要微调模型,要专属有简单一点,预算没高,是否办法,也没有模型,但是衡量一件事情到底先用哪种方式不用哪种方式,一定不是用有多少钱,而是说本身有哪些好处。从各个维度做了简单对比,来去看一看,检索增强生成。

针对数据可能是动态强调,是时效性特别高,API文档版本升级,时候要去训练模型,微调模型,成本是特别高但是时候如果说是放到知识库去做检索,增强,相对他就会比较容易去达成,数据规模也没有多,时候也是用RAG,时效性要求,但是检索增强也不能胞变所有东西企业就要专属领域模型,要求效率也要特别高,而且针对这行业,某硬件研发这垂直行业,要去做,时候可能微调模型就更靠谱一点了。

角度是,但是企业检索坚强,解决个性化能力,说从两方面,一方面是信息检索,一方面是代码生成检索,并不意味有了知识库,就一定很了,还是能回到个问题。有人拿一把屠龙刀,真去屠龙,有些人拿到一把屠龙刀,可能只能去砍柴了在过程怎么来去应用RAG能力,做了简单事例,要运用RAG,能力两点,第准备数据时候怎么准备第二点,工具使用时候怎么使用

10.企业代码补全检索增强实践

准备数据时候,是否排除掉干扰性数据,企业说希望把所有这些东西怼上去了之后,立刻生成出来东西就能用存在绝大多数都是13代码,13代码扔上去检索增强出来对于代码在检索增强有很多时候,是检索是一种查询过程,对于代码是否要有注册要求,排除名称规范。,简单三点,针对使用者,要注意通过自然语言生成代码时候,写出来自然语言刚去做检索时候,能够匹配到一块代码相应注释,通过像函数签名,就找到相似在知识库有类似,通过label就能找到类似在知识库点

分享数据准备。排除掉干扰性数据,如做过代码技术负债工作,去找僵尸类代码,有工具叫专门找僵尸类代码,有些代码不用了,注释掉就不删,不舍得删除掉,东西干扰因素包括干扰因素,不需要文件,觉得万一有一天要用,又不舍得删掉,还放在代码库如果有比较多干扰因素在代码库里时候,检索出来一定是不符合要求,第二点注释要求不做详细讲解。

第三点函数签名规范函数签名规范也是代码规约要求应该按如何方式,来去写函数,相信很少有类似生产代码,只需命名到相应足够业务语义,再去检索时候,一定能够很来去命中

个性化,要去扩展能力,让编码助手有功能能力专业能力能够尽量扩展,通过thrash几个关键词,去组合,像扩展,这很简单点,很显然,点指令有去跟客户,很多时候聊客户都要说看某厂他编码助手功能特别多,拉开了指令特别多,有10多个指令,说他说看就没多,说是没多,但是去配100个出来,可自己去配,不知道真高频使用点有哪,而这些指令只有推荐推荐一定是高频,而指令有企业自己人后来去定义

上下文,在研发过程当中,除了id有很多上下文之外,是否把外面这些上下文也引入进来,需求,还有构建当中日志都要把当做上下文加进来,智能体除了为智能体,还可能是个工具,代表执行executor,某可执行角色当有上下文时候,他就去执行动作,有了扩展之后,扩展性就无所谓,一直去扩展了,这推荐再去做这些扩展时候朝着这些方向来去做

有了这些东西之后,再回到问题,企业有这么多工具,这是说通过模型怎么来去对接,为就像很多企业,去交流时候,都有很重一个点,都说希望通过编码,完了之后希望把整个devils给智能化掉并希望有新路径。

角度上来去考虑,通过可定义指令,可扩展上下文,可集成工具,解决掉一部分智能化问题。未来所有东西要去做这些工具最终无所谓,生产出像代码并且翻译成执行软件,所有东西尽量把代码花掉,研发过程也知道从早期面向命令式菜单方式,到面向声明式,再到未来面向需求定义面向意图编程,怎么来去选择,先做再做

一方面是通过,scope问题域范围来去确定了,还有要根据工具能力来去决定,问题域范围,确定了之后,还要确定到底哪部分是高频刚需,哪一部分是可达练完了之后,首先很多人讲到要去做效能管理,做度量,度量不就数字,数字和AI不是很接近,说不对,效能分析是最难,有很多分析过程,哪一块相对最容易,都知道编码和咨询学习,语料足够丰富,足够高频,代码足够结构化,从点希望整个场景演进是持续收益过程,而不希望改进或者说应用新技术时候,要先降效再提效。从角度认为应该是持续性过程,只有选择到了场景,在这场景里得到好处,才有决心和信心接下来往去搞其他场景

11.企业软件研发模式的演进

之后未来研发工具会发生样演进软件研发工具将成为皮薄,肉厚工具体系,所有这些交互形态,这层皮儿会越来越薄,越来越轻量,但是下面模型能力,数据能力,包括这一层AI要去使用这些工具,会变得越来越丰富,越来越强大。从企业策略角度,就关注两个点,是构建飞轮把数字化大脑构建,以问题逐渐扩大,把AI能够承载逐渐融化去承载掉,高频刚需先保持持续收益演进方式,一定不要改进不要是烟斗模型,先降,再提效。

12.规范统一度量标准,回答本质问题

怎么来去度量改进如何去表达企业就提效了,或者说团队就负责自建,提高了多少效率,可以更早几点钟下班,让所有人幸福感如何,怎么来去衡量几个角度,首先需要了解度量指标分三个维度,业务指标,效能指标和控能力,行为指标。看AI编码助手,帮助开发者是效能指标,还是业务指标,一定不是一定是能力和行为指标编码能力和行为会发生何种变化,是否在做代码写代码上变得不一样了,变得更了。要去统计一定要找问题,不是先找相应指标,指标是为了回答问题而更不要去找具体数据。数据聚合起来会成为指标,才会去回答问题。回答问题,想到要回答问题

第三个要回答是效率问题,但效率问题也很大。从哪三方面来去看第效率,质量,为什么要两者一起看,是制约因素,很难完全划分。很多企业可能会忘掉满意度问题,员工满意度到底看是否没有指标了,需要选样指标有很多人找很多指标,存在指标很多但许多指标无用的问题看三个问题,当前在企业使用用情况如何,使用完之后效果如何,CIO会去挑战有样收益回冲。如激活月活代码,补全研发问答,就知道现在有多少人用,并且每一块场景用量大概是如何这就要引导正确行为,两个行为要去做改进

使用效果也是一样,要推广最佳实践,需要让工具去做优化。如果说带来收益如何,是要给做某工序改进,现在研发提效了,测试提效了吗或者说流程是否做详细改进。有了这些东西之后,要去衡量最后是衡量最后效率影响,这把简单拆分成行为乘以效果最后约等于效率,不能全等。

可了解到相关行为效果的内容以及最后换算工具计算公式也太复杂,有更简单方式认为工程效能团队一定得到现在有多少时间在写代码有多少时间是在做相应缺陷修复有多少时间是在开会,统计意义上有值就考够了,只追求统计意义上,有很多调查,也发问卷,也做其他方式,找业界行业东西再成AI代码生成占比, AI生成出来代码不是采纳代码,采纳了,待会还会删掉角度,最后约等于提效了多少

个人提效对于整个组织提效有关。如何让个人开发效率提升,减少whip,让整个吞吐会变大看一下这些企业是怎么来去讲,也是从使用行为使用效果,得到效率,每一块里面表达基本上都是从这三个角度,行为效果等于效率。

13.主观调研是另一种获得开发者满意度和效率数据的手段

效率可衡量,但质量由于滞后,这缺陷密度,千行缺陷密度一定要有制约因素,不好衡量。但事后很重要一点,满意度可获得为主观性和周期性。从这些角度去做整个效率,整个围绕基本上企业来去落地,花比较多都是在做下半部分能力建设,在企业怎么来去落,把这些事情给落实。


二、亚信科技研发智能化实践分析

1.亚信科技介绍

介绍亚信科技在研发智能化方向实践,亚信是一家2b公司。回顾公司发展历程,是在1993年创办成立,在2000年成为纳斯达克首批上市高科技企业。在2010年通过持续深耕,成为了中国领先通讯软件产品服务商。在2014年完成了私有化。在2018年重新在香港主板上市。在2022年,收购了艾瑞咨询,补齐了数字咨询能力版图,到现在公司构建了数智云网 it三大产品体系,成为领先信息技术产品和服务提供商领先全栈素质能力提供商

再看亚信营收,是有年比年持续增长,在往百亿营收目标,在持续努力亚信核心产品,通义行业业务支撑系统,软件产品占整个行业份额是大概是50%,是全面领先状态。公司产品背后服务客户是达到了10亿家用户规模,今天带来研发智能化实践是分成4个部分,包括公司做研发智能化背景,包括选型智能编程助手工具,包括实践过程和评估效果,包括对于未来思考和规划

2.研发智能化背景

首先是研发智能化背景,对内看亚信内部,研发智能化驱动力。,当前公司是存在着压力,会有经营压力,看亚信财报,服务客客户财报,会发现整个通讯行业增长是放缓趋势,需要有工具和产品来带来降本增效。第二块会有质量压力,服务大客户,在安全,在质量管理上,在持续强化趋势,所以需要希望借助工具和产品,带来质量提升,减少生产故障,或者是高危漏洞。第三块是亚信是是一家以技术人员为主软件公司,员工规模会有15,000人规模,所以通过研发智能化,哪怕是带来10%5%提升,从总规模上来看,是巨大收益。所以亚信在研发智能化方向是有强烈诉求

再看整个行业趋势,看到阿里,百度都是推出了研发智能化产品。在互联网上也看到数据copolite收费订阅用户已经达到了180万,规模,看杰斯布林发布开发者报告有超过70%用户是使用了生成式AI服务。所以从整个行业来看,看到产品看到数据,研发智能化在技术上是可行状态但是国内这些大厂,国外大厂以及创业公司,当前都是在开发环节去做研发智能化赋能所以当前在亚信内部,去做研发智能化实践也是优先选择在开发环节去实践。

3.智能编程工具的选型

了解如何选型智能编程助手,为何最终选择了阿里通义灵码是设计了一整套工具,选型评估模型会包括商业安全,语言支持和场景能力支持,每一类里面都有详细指标,每指标会有1~5分评分标准,商业安全里面收费价格,如果是免费状态,5分,如果是越贵,分数越低,代码安全性这套产品工具,是否支持私有化部署,能够安全管控去使用,编程语言支持是否支持常用开发语言,以及场景能力里面代码续写自然月生成代码注释,包括问答,会设计测试用例,这些用例里有非常典型通用用例,也有是业务开发过程中比较典型这些用例,通过一套完整评估模型,来科学选型是哪工具本次工具选型评估是有4款产品是入围

针对这些产品,各个维度是设置了权重,会结合内部产品研发,项目交付运维等相关工作。筛选出每一项能力,权重,代码安全性,在亚信服务 2b企业过程,最高优先级,经过整个信息收集和评估,用力执行,会发现阿里通义灵码,是综合评价值最高状态。技术能力,工具能力,只是一方面,对于亚信多种场景使用需求支撑度也是非常重要组成部分亚信不是单一使用场景,内部总结完是会有三种使用场景,第一种是自用型场景,在亚信内部使用,是用于公司内部产品研发,这个场景特点使用人员技能水平会相对高一点,整个团队也是数千人规模会按照季度或者年度时间节奏持续研发,整个使用环境是在公司内部去使用。

第二种是协作型使用需求,即服务客户现场去使用,他就会涉及到除亚信之外多个厂商,就一起使用这工具产品,会涉及到多种角色,包括设计开发,运维运营等多种角色,整个团队也是会按照月度,季度,年度持续去长期使用整个工具使用环境是纯内网使用,是严格管控,包括过程中产生代码,资产,文档,资产都是完全管控状态。

第三种,项目协作型,该需求也是在客户现场内部使用,但是是以单一项目交付为目标,所以场景会去配置,按照合理配置,高级,中级,初级开发人员,场景特点整个持持续时间会比较短一点,大概2~3个月周期,整个使用环境包括整个资产管控,也是非常严格。针对这三种需求,通义灵码是给出了两种解决方案第一种是说针对自用型需求会有通义灵码专属版,会在阿里云上去划分vpc专属网络。

网络里面去部署通义灵码专属版,专属版是供亚信单独去使用,网络环境是通过Vpa和内网区域打通,对于亚信内网开发者,内网服务,通义灵码专属版,会有优点整个部署这套产品包括底层模型计算资源通算资源,都是由阿里去提供,包括通义灵码后续产品升级,模型迭代都是由阿里去负责,成本上也是非常具有比较大竞争力。

第二种有协作型需求,项目型需求,通义灵码也是支持私有化部署方案,私有化部署方案要学使用方去准备这些部署资源,包括后续产品升级,模型升级也要有相关运维决策,最大优点安全管控和互联网是完全隔离状态,整个过程中资产是完全受到保护但是成本各方面会相对高一点。从这些信息看出,不管是通义灵码技术能力还是对于亚信场景化需求支持度。阿里通义灵码都是最选择。

4.实践过程及效果评估

讲解实践过程与效果评估设计了完整实践流程,包括三个阶段,第一阶段会选择不同类型实践团队,包括数智研发团队,交付团队和域外拓展团队第二阶段会去规划时间节奏,设计了三个实践阶段,每实践阶段会持续2~3周。实践周期,过程中,使用人员发现了问题,缺陷也会协同阿里通义灵码产研团队去快速支撑。第三阶段对于使用过程中结果,去做分析,包括设计了效能评估模型,效益评估模型。

去科学去看这款工具。阿里云通义灵码否适合亚信评估模型会包括两部分左侧效能评估模型,会去看,会去对接每一项能力,使用情况,采纳情况,通过专家评估法,去设定每一项能力。采纳之后带来节约时间,就去计算单项能力总体节约时间,再去算代码,续写,注释,生存单元测试生成开发知识问答,所有能力节约时间汇总,最终按照程序员一天工作编程4小时规则,去计算带来整个团队人均编程效率提升

右侧是效益评估模型,包括两个部分,包括需求端到端交付率,包括产品缺陷逃逸率,在使用工具前会收集相关指标,在第使用工具后第一月第二个月,第二个月,会持续去跟踪这指标,去看需求,交付效率是否持续增长过程。产品缺陷逃逸率是否持续下降过程。针对评估模型,内部也开发了指标可视化看板。在看板上看到各个团队使用情况,也看到各项能力使用情况,其中代码续写发现是使用频率最高,采纳率在不同团队也是有明显差异知识问答,使用频率是第二,但是看到采纳率会相对更低一点。

指标可视化看板中还有第二款效能评估看板,看到各项能力,汇总数据看到专家评估节约时间数值,通过汇总节约时间,通过计算规则,看面向研发团队,能达到10%编码效率提升面向交付团队带来提升是会比较有限

这些三个团队,关键指标,看到数值研发团队,代码补全能力采纳率是达到了36%。知识问答能力是6.4%,整体编程效率提升是超过了10%。a省交付团队代码补全,能力是22%。知识问答能力是41%,编码效率提升只有1%。需求交付效率还下降了1%。缺陷逃逸率是显著降低了71%域外拓展团队代码补全能力达到了25.9%,问答能力,是长达66.4,编码效率提升也是1.2。

需求交付效率是提升了18.4%。缺陷逃逸率也是降低了69%。从这些关键指标中分析得到结论,通义灵码,代码补全能力在百分之二十几到百分之三十几区间是比较优秀,知识问答能力采纳率只有个位数采纳率,是需要有一定提升空间,对于编程效率提升,现各个团队是有显著变化对于需求交付效率,各个团队差差异挺大,有下降,有提升,深度分析之后,智能编程助手只是软件开发环节,要带来整个团队效率效能提升,还是需要结合devils完成全套体系,去看整个团队中哪环节是堵塞,哪些关键角色产出有限,通过智能结合,智能编程工具,带来整体提升。

同时也是面向实践团队收集了人工问卷主观反馈,从工具能力角度,是看到有超过50%开发者认为代码续写知识问答和生成是有用。从工具效能角度是有16%开发者认为很好,49%开发者,或者认为是大部分开发者都是认为通灵码,能够有效提升开发效率。

5.研发智能化未来思考

面向未来,在开发环节在客厅环节智能化赋能,面向未来还有更多激进,乐观思考和规划,上面提到开发环节赋能是否能够扩大范围来扩大到整个软件开发全流程,如该面向初级,中级开发者效率提升有限这些问题,是否开发场景化工具,智能体,降低整个使用门槛因此是规划了软件开发新工序智能体工具集,说与阿里通义灵码能力,包括底层基座,大模型能力。

去构建心动区智能体,说设计态,是否可去通过智能体做到需求理解,包括需求文档生成,开发设计,包括设计文档生成在开发态,是否由智能体去一键生成前端设计稿转前端代码是否在后端开发过程中,基于需求和设计,一键生成数据模型,以及后端构成代码去降低使用门槛,包括部署太中,是否可基于以往优秀部署案例去生成本次项目部署方案,以及在构建和发布过程中遇到错误,是否可分析问题原因提供解决方案

针对安全问题,是否可继续智能体去主动识别高危漏洞,并做到提前优化,运行态中是否可对接线上apm监控工具,以及搜狗执行工具,针对高频接口,慢接口,去做到主动优化

介绍两款主典型智能体工具,首先是CHATDOC,一款文档智能编写工具,这款工具是用于设计态里面需求文档生成包括其他场景中项目应标文档生成,其他都可能他会包括几块能力,是文档生成,有生成物整个目录生成word章节生成,对局部内容进行改写,甚至对整个文档中流架构图,流程图,基于东部台大模型,基于大厦模型融合,状态,去做到生成第二块是说会包含PPT文档生成能力,通过整体去生成章节内容,甚至去基于word文档方案去一键生成整个PPT,包括其他文档协作,文档共享一套能力,希望通过这工具,是实现设计态效率提升和质量提升。

第二块D2C,一款前端设计稿快速生成前台代码工具以往前端开发和设计人员之间,是高频交互过程会沟通设计细节,对于某项目,前端设计稿在快速在频繁变更时候费时费力。设计结合dsl模板化技术,一键生成前端代码,前端开发人员就大大减负,聚焦,只需要聚焦在前端业务逻辑中。也规划基于多模态大模型,能够做到图片设计稿理解,能够一键生成前端代码希望通过一款工具,能够提升开发态,效率,以上亚信在研发智能化方向实践

总结一下就会包括两个部分,一是说在开发环节,在客厅环节,基于阿里云通义灵码,去做赋能,也是在公司内部,在持续扩大使用范围。在推进过程中,第二块面向未来,希望说构建一套能够赋能软件开发全流程一套智能体工具集基于阿里通义灵码能力,底层大模型能力,能够构建出一套全赋能全流程智能体工具集,能够给雅兴各个团队带来真正显著效率提升和质量提升。

相关文章
|
1月前
|
传感器 边缘计算 人工智能
2025大模型应用平台选型指南:从个人助手到企业级智能体,5大平台场景化拆解
本文深度评测五大主流大模型平台,结合金融、医疗、制造实战案例,解析Open WebUI、Dify、Ragflow、FastGPT与n8n的定位与优势,提供选型决策树与混合架构实例,助你精准匹配业务需求,避开“全能平台”陷阱,实现高效智能化落地。
|
4月前
|
传感器 存储 人工智能
用通义灵码2.5打造智能倒计时日历:从零开始的Python开发体验
本文记录了使用通义灵码2.5开发倒计时日历工具的全过程,展现了其智能体模式带来的高效协作体验。从项目构思到功能实现,通义灵码不仅提供了代码生成与补全,还通过自主决策分解需求、优化界面样式,并集成MCP工具扩展功能。其记忆能力让开发流程更连贯,显著提升效率。最终成果具备事件管理、天气预报等功能,界面简洁美观。实践证明,通义灵码正从代码补全工具进化为真正的智能开发伙伴。
|
12天前
|
存储 人工智能 安全
企业级 AI Agent 开发指南:基于函数计算 FC Sandbox 方案实现类 Chat Coding AI Agent
通过 Sandbox 与 Serverless 的深度融合,AI Agent 不再是“黑盒”实验,而是可被企业精准掌控的生产力工具。这种架构不仅适配当前 AI Agent 的动态交互特性,更为未来多模态 Agent、跨系统协作等复杂场景提供了可复用的技术底座。若您的企业正面临 AI Agent 规模化落地的挑战,不妨从 Sandbox 架构入手,结合函数计算 FC 的能力,快速验证并构建安全、高效、可扩展的 AI 应用系统。
|
24天前
|
存储 人工智能 Serverless
企业级 AI Agent 开发指南:基于函数计算 FC Sandbox 方案实现类 Chat Coding AI Agent
本文深入解析AI Agent系统架构,特别是以Sandbox为核心的落地实践。聚焦泛Chat模式下AI应用的挑战与解决方案,涵盖会话亲和性、隔离性、存储机制、会话恢复、资源弹性等关键技术点,阿里云函数计算(FC)为 AI Agent 系统在企业中的落地实践提供实际解决方案,展示了如何高效、安全地构建可扩展的 AI 应用系统。
|
12天前
|
机器学习/深度学习 数据采集 安全
万字解析从根本解决大模型幻觉问题,附企业级实践解决方案
本文深入探讨大语言模型中的幻觉(Hallucination)问题,分析其成因、分类及企业级解决方案。内容涵盖幻觉的定义、典型表现与业务风险,解析其在预训练、微调、对齐与推理阶段的成因,并介绍RAG、幻觉检测技术及多模态验证工具。最后分享在客服、广告等场景的落地实践与效果,助力构建更可靠的大模型应用。
159 0
|
1月前
|
人工智能 安全 Serverless
进阶版|企业级 AI Agent 的构建实践
我们将构建 AI 应用扩展到了运行时和可观测,并尝试将 Agent、LLM、MCP 服务这几者之间如何有机协作尽量清晰化,未来还会扩展到Memory、LiteMQ 等更完整的技术栈,旨在帮助大家厘清完整的企业级 AI 应用构建的最佳实践。
|
5月前
|
传感器 人工智能 安全
蔚来汽车智能座舱接入通义大模型,并使用通义灵码全面提效
为加速AI应用在企业市场落地,4月9日,阿里云在北京召开AI势能大会。阿里云智能集团资深副总裁、公共云事业部总裁刘伟光发表主题演讲,大模型的社会价值正在企业市场释放,阿里云将坚定投入,打造全栈领先的技术,持续开源开放,为AI应用提速。
|
1月前
|
人工智能 架构师 大数据
【云故事探索 | No.7 】:「越用越上瘾」,中华财险 60% 研发人员用通义灵码提效
【云故事探索 | No.7 】:「越用越上瘾」,中华财险 60% 研发人员用通义灵码提效
|
3月前
|
数据采集 自然语言处理 调度
优化通义大模型推理性能:企业级场景下的延迟与成本削减策略
本文基于金融、电商、医疗等领域的实战经验,深入探讨通义千问等大模型的推理优化技术栈。从计算图优化、批处理策略、量化压缩到系统架构四个维度展开,结合Python代码示例与压力测试数据,提供企业级解决方案。针对延迟敏感、高吞吐及成本敏感场景,分析性能瓶颈并提出算子融合、动态批处理、混合精度量化等方法,同时设计分布式推理架构与冷启动优化策略。通过案例展示,如电商大促场景优化,实现峰值QPS提升6.5倍、P99延迟降低53%、月度成本下降62%。文章还提供优化实施路线图,助力企业分阶段落地技术方案。
365 4
|
5月前
|
自然语言处理 安全 数据挖掘
Hologres+函数计算+Qwen3,对接MCP构建企业级数据分析 Agent
本文介绍了通过阿里云Hologres、函数计算FC和通义千问Qwen3构建企业级数据分析Agent的解决方案。大模型在数据分析中潜力巨大,但面临实时数据接入与跨系统整合等挑战。MCP(模型上下文协议)提供标准化接口,实现AI模型与外部资源解耦。方案利用SSE模式连接,具备高实时性、良好解耦性和轻量级特性。Hologres作为高性能实时数仓,支持多源数据毫秒级接入与分析;函数计算FC以Serverless模式部署,弹性扩缩降低成本;Qwen3则具备强大的推理与多语言能力。用户可通过ModelScope的MCP Playground快速体验,结合TPC-H样例数据完成复杂查询任务。

热门文章

最新文章