大模型技术重塑智能研发新
范式
目
录
01 研发工具的发展 02 企业落地经验
03 开发者实践 04 总结与展望
智能研0发工具的发展
智能化的发展背景与落地诉求
随着大模型的快速发展，智能开发领域
正在经历由辅助到协同、由补全到生成、
由代码到工程的进化
由补全到生
成
体量
能力
效果
职责
交互
Go Fat：更大规模的代码补全
代码续写（Completion）是智能开发工具
最典型的能力，在编码过程中辅助用户，
通过自动补全的形式提高编码效率。
随着大模型的进步，理解能力与代码能力
不断提升，当前大模型能够承担的工已不
再局限于代码的补全，已经可以完成高质
量的、更大规模的代码的生成。
Go Fat：更大规模的代码补全
在代码编辑区，生成更大的块级、方法级的代码，使得编码效率成倍地提高
Go Fat：更大规模的代码补全
通常来说，推荐更多行的代码会导致准确率的下降，超过阈值时会反向影响开发效率
将产品与模型结合，通过编程现场、用户操作的精确控制，依然可以打造高质量的多行推荐
触发时机
推理逻辑
结束位置
检查质量 0
20
10
30
40
50
70
60
Java Go Python
JavaScript
41
Be Rich：丰富的生成能力
代码调优等能力可以有效帮助开发者提升代码质量，使重构变得简单轻松
Be Rich：丰富的生成能力
代码调优等能力可以有效帮助开发者提升代码质量，使重构变得简单轻松
Be Rich：丰富的生成能力
沉淀专家知识，通过函数提取、hook提取、组件提取进行大组件拆分
Seek Deep：更深度地了解全库
通过调用链等程序专用分析，提升知识深度，
加强解释、生成的效果
Create By Trust：值得信赖的工作
在代码Debug的场景，模型具备比人更丰富的知识，配合一步到位的代码修改、采纳，
开发者可以将错误修复交给模型交信任其修复结果
At Your Hand：更贴合现场的交互
利用Inline Chat等形式，开发者可以保持聚焦在代码编辑区的同时，使用丰富的对话、生成能
力
企业落地0智能研发经验
在企业中踏实落地开发智能化
由于模型对代码场景的特殊优化、开发
者更容易接受先进理念、开发效率可量
化等原因，智能开发是大模型实际落地
最容易出结果的场景
感知存在 效果信心
感知存在：融合Devops必经链路
需求查询 代码评审 用例裁剪 风险检测 日志分析
对一个新事物的接受程序是在不断地接触之下提高的，不要害怕将能力展现在开发者面前
Devops相关的平台是开发者从需求到发布必经之路，在他的工作上必不可少，因此也是很好地呈现能力的空间
需求 开发 测试 构建 部署
需求编写 文档查阅 测试生成 错误修复 发布配置
代码理解
在Devops全链路上透出智能化的能力，打造惊喜感、助力效率提升，增强接受
度
感知存在：融合Devops必经链路
在代码评审集成智能建议、代码解读，智能评论占比20，采纳率15 +
感知存在：融合Devops必经链路
CI/CD流水线提供智能错误分析与修复能力，作为辅助提升开发者接受
度
效果信心：利用CICD确保效果
R
educe
Generat
e
Dep
s
Sour
ce
R
un
R
eport
Transl
ate
F
ix
Stor
e
Amend
Delet
e
Expan
d
Coverage
Code Analyze Code Generation Test Runner Case
Manager
基于多环节、工程结合的UT Agent，能够生成准确、高覆盖率的单元测试
效果信心：利用CICD确保效果
函数功能 圈复杂度 Ernie Speed GPT Turbo GPT4
复杂的时间段格式化 4 50 100
Git Diff与Unidiff的转换 2 100 100 100
根据参数类型做不同处理 17 50 50
带TTL的异步请求缓存 3 80 未成功
实验室生成效果
生成正
确率
100
行覆盖
率
30
生成速
度
<30s
通用化效果
基于Java项目代
码
效果信心：利用CICD确保效果
开发者智0能工具使用实践
形式变革：智能时代理念
Not USING AI, but truly WITH
AI
并非使用AI，真正去和AI协同工
作
准则
实践
作为开发者拥抱智能化实践
对于开发者个人，智能化既是变革也是
机遇。主动拥抱智能化、与AI协同，不
断提升自身生产效率，走在时代前沿，
打造能力壁垒
代码理解检索
加强上下文
知识管理应用
AI协同分
工
一种全新的找代码方法
论断
Embedding具备“吃下”全库代码的能力
模型天生具备强大的总结与解释能力
行动
使用自然语言进行代码的检索与理解
实践
描述要找什么，而非代码长啥样
搜索连带总结摘要
检索与总结
大模
型
代码
向量
自然
语言
一种全新的找代码方法
说出你要搜什么，不必回想起代码长啥样 让搜索+总结一步到位
让相关代码先走一步
原始输入
提示词增强
模型输出
论断
大模型应用的核心是提示词
行动
了解模型与产品行为，手动提供好的提示词增强
实践
先写import
打开相关文件
对话附加相应文件与目录
让相关代码先走一步
显式依赖帮助IDE增强效
果
主动打开相关文件，提取关联代码
让相关代码先走一步
利用近期打开的文件检索，推荐准确的字符串等内容
让相关代码先走一步
基于import的依赖关系，保持推荐与代码签名完全匹配
让相关代码先走一步
在不感知项目现场的情况下，模型生成的代码可用性非常弱
让相关代码先走一步
仅需要关联一个文件，就能让模型按项目依赖生成代码
你就惯着她吧
建立稳定的预期
单行快、多行慢
上下文提供推理质量
推理位置与结果准确性
自动触发的规律与等待
交给AI擅长的
事
全库检索与总结
代码解释与解读
局部的重构与改写
不熟悉的编程语言
算法与通用逻辑
接受AI的不完
美
心态开放，接受短板
放大优势，规避缺点
多使用，勤反馈
Focus，Let AI Run The Errands
软件开发是一个复杂且精细工作。在这个过程中，你可
能会遇到各种琐碎的问题，比如忘记了正则表达式的语法、
环境变量如何获取。这些问题可能会打断你的思路，让你不
得不停下手中的工作，去打开浏览器搜索答案。此外，你还
会面临很多重复性的工作，当你修改数据表字段时，还需要
相应的更新CRUD逻辑，当你更新代码逻辑时，还需要更新
相 应的单元测试。还有，当你实现一些复杂的功能时，除了
核 心算法和逻辑，你还要考虑工程实现、边界条件、异常处
理 等非常多的细节。
不需要和机械比拼力量和速度，不需要和AI比拼记忆和
推理，专注人最擅长的事情，将宝贵的精力聚焦在有价值、
有趣味的任务，其他琐碎与重复的劳动，交给AI。
Human AI
• 选型 • 记忆
• 规划 • 细节
• 创造 • 探索
总0结与展望
内容总结
• 更大规模推荐
• 更丰富的能力
• 更高质量的生成效果
• 更贴合编码过程的交互
智能开发领域
正高速发展
• 强化大模型应用的存在感
• 利用当前项目工程提高准
确率，打造信任
企业落地实践
参考
• 用模型进行代码检索与理
解
• 为模型提供更好的上下文
• 与AI协同分工
个人与AI结
对 提效
人与机器的协同关系将迎来变革
时代必定由人向人机协同向无人职守前进，Be
Ready
T H A N K S
