科技日新月异的今天，以年夜模子、Agent等为代表的人工智能手艺正引领各行各业的深入变化。软件开辟范畴，一场由AI驱动的财产智能化进级快速演化，进入智能化软件开辟2.0时期。

近日，我们采访了硅心科技（以下简称：aiXcoder）总裁刘德欣，首要环绕企业若何落地范畴化年夜模子，若何更好地拥抱智能化软件开辟2.0时期等话题进行深切切磋。以下内容按照采访实录清算。

请刘总简单介绍下智能化软件开辟1.0时期和其成长近况？

智能化软件开辟1.0时期可以说是经由过程引入年夜模子手艺，集中实现了软件开辟的一些低级主动化场景，包罗代码生成、代码补全、单位测试生成和缺点检测等。系统也撑持简单的需求捕捉和拆分等使命。可是，这些功能凡是是以自力的体例履行，不克不及深切理解和利用企业特定的营业逻辑。

今朝国表里的玩家首要有GitHub的Copilot、Amazon的CodeWhisperer、百度的comate 、阿里的通义灵码、乃至包罗我们aiXcoder的上一代产物等。各家产物在功能和能力上差别其实不年夜，缺少较着的差别化。虽然产物在宣扬中，强调了具有更强的上下文理解能力和更年夜的参数目，乃至与GPT-3.5等模子进行比力占有优势，但现实上并没有真正解决年夜模子与企业范畴常识融会这一焦点问题，使得它们没法知足企业基在本身的营业落地年夜模子的需求，简单来说，感觉年夜模子学不会本身企业的范畴常识，幻觉和生成成果不肯定性严重；而这类孤立性和对营业逻辑的理解不足，也致使了其产物对软件开辟复杂需求的处置浮在概况，现实上代码输出的正确性和适用性常常会年夜打扣头，限制了其在现实企业营业情况中的利用结果和用户的信赖度。

您认为智能化软件开辟1.0时期具体存在的问题有哪些？

智能化软件开辟1.0存在的问题首要问题是不进行有用个性化练习而直接落地年夜模子，这会直接发生两年夜缺点：利用模式缺点和手艺缺点。

起首，从利用模式来看，首要缺点表示在两个方面。

第一，在练习层面，缺少对营业原始需求与设计的考量。1.0时期的产物常常只存眷代码自己的语法和布局，疏忽了代码必需办事在具体的营业需乞降逻辑，所以并未将需求阐发和设计文档等企业布景常识融会进模子的练习中，致使生成/补全的代码常常缺少营业逻辑，从而使产物的正确性和可用性不足。

第二，在测试层面，没法构成需求到测试的闭环。测试主动化在1.0时期凡是只基在现有代码进行，疏忽了测试的素质是验证需求的完全性和准确性，没能深切到需求层面，而是仅依靠在代码级的概况生成，没有实现对原始需求的周全交互和验证。

其次，从手艺缺点来看，首要表示在三个方面。

一是情况依靠信息的缺掉，此刻的年夜模子练习首要是在开源代码和企业代码上的练习，这类离开企业布景常识，仅对代码练习的体例，仍然缺少足够的项目上下文撑持，这致使生成的代码固然在语法上准确，但常常与项目标现实营业需求不符。固然各年夜模子厂商都在上下文长度上尽力，但其实不会从本源上解决这一手艺缺点。

二是当前的智能化开辟辅助首要依靠在年夜模子的说话能力，经由过程模式匹配和简单的Prompt指令生成代码。但是，这类方式仅逗留在表层说话模子的利用上，没法深切理解复杂的营业逻辑和编程规范，致使年夜模子在现实利用中的表示不尽如人意，影响告终果的有用性和靠得住性，特别是生成内容的靠得住性依然存在较年夜问题。

三是微调方式的局限性，虽然在1.0时期我们采取了全参微调（Fine Tuning）、和LoRa、Adapter、Prompt等PEFT高效参数微调（部门参数微调）体例，乃至测验考试利用RAG和MoE等方式让年夜模子进修特定范畴常识，但这些常规微调手艺和方式仍存在局限性。虽然它们在某些特定使命中表示出必然的结果，但因为没有充实练习企业范畴的专稀有据和布景常识，这些方式在真实营业利用中的表示常常难以到达预期，没法完全知足现实营业的需求。

从客户角度来看，我们发现良多年夜模子在通用的场景或主流的测评集上表示都不错，宣称也能到达30%到50%的正确率。可是一旦拿到企业中去利用，凡是发现正确率降落到了10%以下。即便用各类体例做微调，结果也不尽如人意。对企业而言，手艺团队和商务团队极力引入并上线了智能软件开辟产物，也进行了响应的微调，但假如终究成果没法到达预期，可能会激发内部年夜量用户和软件开辟人员的投诉，带来庞大的风险。综合来看，真实企业软件开辟场景长短常复杂的，具有很强的营业逻辑、具有明白的编码规范和怪异的代码气概，在多阶段的复杂开辟流程中更是触及多脚色、多东西、多团队的配合协作介入。虽然智能化软件开辟1.0时期供给了必然的软件主动化撑持，但其并没有真正解决企业范畴常识问题，也没有充实斟酌真实开辟场景的复杂需求。所以基在如许一个布景，aiXcoder率先提出了软件开辟2.0时期的概念，并已成功在多家年夜型企业中落地实行。经由过程这一模式，企业才能真正捉住并充实操纵年夜模子所带来的手艺盈利。

aiXcoder若何界说智能化软件开辟2.0时期的？

智能化软件开辟2.0时期：起首经由过程严酷的数据治理和链式治理，对企业的特定范畴常识进行周全的布局化处置，确保从需求界说、设计、编码到终究代码提交的每一个环节都获得精准记实和系统联系关系。在此根本上，进行低本钱、高度个性化的模子练习，构建基在范畴的软件工程年夜模子。经由过程多智能体协同主动化、传统软件开辟方式和最好实践的有机连系，周全保障了开辟流程的高效性与成果的正确性，使年夜模子从单一的代码生成东西改变为与企业开辟进程深度协同的智能体调集，显著晋升了开辟效力和产物质量。

我们所界说的智能化软件开辟2.0时期，其焦点概念其实不复杂。可以用一个开云app公式来归纳综合：智能化软件开辟2.0 = 专业软工范畴年夜模子 + 多Agent协同 + 传统软件工程方式。

起首，本阶段的智能软件开辟强调对软件研发流程的高度数据治理。全部开辟全进程，从需求阐发、概要设计、具体设计、编码实现、测试，直到终究产物上线，每个环节都经由过程布局化的数据治理和周全的数据链治理进行链式数据追踪，确保软件开辟的原始需求被切确记实并与系统慎密联系关系。这类全链条的协同工作体例，不但使得年夜模子可以或许最年夜水平地舆解企业特定的营业逻辑，还可以或许在开辟的每个阶段中正确反应这些逻辑。同时，基在颠末治理的范畴化数据集，对模子进行个性化练习，使年夜模子可以或许深切进修并利用企业的范畴常识，从而构建一个低本钱、高度个性化的企业范畴化年夜模子，这将是最要害的一步。另外，在实现范畴个性化的根本上，经由过程多Agent体例处置软件开辟流程中的各类使命，并连系传统的软件开辟方式、东西和最好实践，确保了范畴年夜模子输出的正确性和靠得住性。

这类连系了专业软工范畴年夜模子、多Agent协同，和传统软件工程方式、东西与最好实践的协同主动化体例，恰是我们所界说的智能化软件开辟2.0时期。

按照智能化软件开辟2.0时期的界说和特征，刘总，您认为企业在迈入2.0时期时，应当重点存眷哪些要害步履或策略？有哪些具体的预备工作是企业需要优先斟酌的？

连系多年来我们团队对软件工程范畴的深入理解，和aiXcoder在企业范畴化年夜模子落处所面的丰硕经验。我们总结了以下4个焦点策略，帮忙企业更好的拥抱智能软件开2.0时期。

第一是面向范畴的开辟数据治理，这一点很是要害。简而言之，企业需要对最原始的需求文档进行深切治理，将天然说话表达的“年夜白话”需求慢慢转化为切确的开辟说话描写，从需求阐发、设计，到开辟、测试和运维等环节的数据、常识都进行整归并进行全链条数据治理，并确保数据质量、范围与多样性，以办事在范畴年夜模子的构建与优化。值得一提的是，这类数据治理框架和方式可以或许高效复用，往后年夜模子发生的海量数据都是基在该框架治理，从而可延续用在练习，这有助在提高企业在应对市场转变时的矫捷性和响应速度。

第二是基在范畴数据的个性化模子构建。经由过程操纵治理好的范畴常识数据集，并充实斟酌企业算力资本、代码量等身分，对年夜模子进行矫捷的个性化练习和参数调优，确保年夜模子可以或许精准捕获并反应企业营业需求，使其慢慢把握企业特定的营业流程与逻辑、专业术语和编码规范。进一步地，经由过程利用PEFT、MoE、RAG和AI Agent等手艺和方式，确保个性化练习可以或许按照企业具体营业需求进行矫捷调剂和优化。如许的策略不但加强了模子的营业顺应性，还晋升了模子练习效力和输出的正确性。

第三点是将年夜模子的进步前辈能力与传统软件工程的方式和东西相连系。很多企业在引入年夜模子后，常常偏向在完全依靠年夜模子，轻忽了本来结果优良的软件开辟东西。这类做法现实上其实不公道，由于年夜模子固然具有壮大的能力，但其生成成果并不是老是精准无误。为了确保年夜模子输出成果的正确性与靠得住性，企业应继续连系和操纵传统的软件工程东西与方式，使其与年夜模子协同工作，从而保障开辟流程的时效性和成果的高质量。

最后一点是面向各场景的智能协同。经由过程引入Agent手艺，将其与企业独有的软件开辟流程和现有的软件开辟东西相连系，以晋升开辟流程的透明度和效力。同时，确保所有主动化进程的合规性和可追踪性，实现需求阐发、设计、编码、测试和摆设等各个开辟场景的深度协同。经由过程系统化的数据同享和流程整合，开辟团队可以或许在各个阶段实现无缝跟尾，从而加倍高效地应对复杂的项目需乞降快速转变的市场情况。

aiXcoder若何帮忙企业落地智能软件开辟2.0时期？

在与良多年夜型企业交换的进程中，我们发现今朝企业遍及面对着弄不懂、训不转、学不会三年夜挑战，睁开来说，就是企业缺少优异人材，现有的手艺人员弄不懂模子应当若何练习。有些企业手艺堆集较好，试图经由过程开源模子+各类微调的体例，测验考试让年夜模子的能力更切近企业的真实开辟情况要求，终究仍是发现年夜模子学不会企业的范畴常识，结果不尽如人意。

为此，我们发布了一个年夜模子落地框架LLM Adoption Framework（LAF），旨在帮忙企业领会若何将年夜模子与范畴常识相连系，并操纵我们的经验，帮忙来自各个范畴和行业的企业有用地摆设和落地范畴年夜模子。具体来讲，该框架是一种咨询的方式论，分为以下三个阶段：第一个阶段，评估阶段。我们起首会按照企业的贸易方针进行周全评估，深切领会企业已展开的工作，和为什么未能实现年夜模子落地的预定事迹方针，并阐发致使这些差距的缘由。第二阶段，模子构建和练习阶段。基在这些差距企业应当怎样选择模子，怎样预备和处置数据，若何练习模子，可以经由过程哪些数据治理的方式来到达预期的状况。此阶段旨在切确构建并优化年夜模子，确保模子深度融会并表现企业独有的范畴常识。在这一阶段，不但进行模子架构的设计与搭建，还包罗针对企业怪异营业逻辑和范畴特定命据的深切治理和练习进程。第三阶段，上线和产物化阶段。这一阶段首要触及产物化的进程。我们将帮忙企业将范畴年夜模子与其内部多个平台经由过程API进行集成，并确保模子能力可以或许有用输出到营业端，所有这些都需要按照企业的现实需求进行定制化实现。

总而言之，aiXcoder的LAF并不是特定在任何一个开源/闭源年夜模子供给商，而是年夜量操纵aiXcoder供给的年夜模子练习、范畴经验和软件工程最好实践为企业供给更具体的深度咨询和指点。同时，aiXcoder的LAF不但限在aiXcoder模子利用，企业可以选择任何闭源和开源模子，它是完全可以通用的，并不是aiXcoder“独门秘笈”，可以按照企业“范畴常识”量身定制年夜模子落地实行和步履打算。

最后，总结一下我们的不雅点：

●不管是开源仍是闭源，选择专业的软件工程年夜模子，而不是通用年夜模子。

●不存眷年夜模子厂商宣扬撑持了几多功能和HumanEval、MBPP、MultiPL-E等常规的“打榜”评测集评测成果，要存眷年夜模子现实生成内容是不是真的理解企业的营业。

●务需要连系范畴常识治理并练习，再做进一步微调。直接利用常规的全参微调、高效微调、RAG等体例帮忙不年夜。

●年夜模子落地要高度自治、解耦，企业营业的复杂水平和持续性，更不答应绑定某个年夜模子厂商。

●必然要做个性化练习，不克不及直接落地代码年夜模子，同时培育本身的手艺人员，有用规避直接摆设模子的高风险。

关在aiXcoder简介：aiXcoder孵化自北京年夜学软件工程研究所，开创团队均来自北京年夜学，是全球最早将深度进修手艺利用在代码生成与代码理解范畴的团队，也是最早将深度进修利用在编程产物的团队。公司专注在AIGC for Code范畴，致力在将前沿人工智能手艺利用在软件工程，为企业供给完整的智能化软件开辟解决方案，包罗私有化摆设、范畴化年夜模子落地和定制化开辟等办事，现已在金融、兵工、航空航天、通讯、高科技等行业头部企业摆设实行。今朝已办事智能编程社区版产物用户80万+，取得普遍行业和浩繁C端开辟者们的承认。