科技日新月異的今天，以大模型、Agent等為代表的人工智能技術(shù)正引領(lǐng)各行各業(yè)的深刻變革。軟件開發(fā)領(lǐng)域，一場由AI驅(qū)動的產(chǎn)業(yè)智能化升級快速演變，進入智能化軟件開發(fā)2.0時代。

近日，我們采訪了硅心科技（以下簡稱：aiXcoder）總裁劉德欣，主要圍繞企業(yè)如何落地領(lǐng)域化大模型，如何更好地擁抱智能化軟件開發(fā)2.0時代等話題進行深入探討。以下內(nèi)容根據(jù)采訪實錄整理。

請劉總簡單介紹下智能化軟件開發(fā)1.0時代及其發(fā)展現(xiàn)狀？

智能化軟件開發(fā)1.0時代可以說是通過引入大模型技術(shù)，集中實現(xiàn)了軟件開發(fā)的一些初級自動化場景，包括代碼生成、代碼補全、單元測試生成和缺陷檢測等。系統(tǒng)也支持簡單的需求捕獲和拆分等任務(wù)。但是，這些功能通常是以獨立的方式執(zhí)行，不能深入理解和應(yīng)用企業(yè)特定的業(yè)務(wù)邏輯。

目前國內(nèi)外的玩家主要有GitHub的Copilot、Amazon的CodeWhisperer、百度的comate 、阿里的通義靈碼、甚至包括我們aiXcoder的上一代產(chǎn)品等。各家產(chǎn)品在功能和能力上差異并不大，缺乏明顯的差異化。盡管產(chǎn)品在宣傳中，強調(diào)了具有更強的上下文理解能力和更大的參數(shù)量，甚至與GPT-3.5等模型進行比較占據(jù)優(yōu)勢，但實際上并沒有真正解決大模型與企業(yè)領(lǐng)域知識融合這一核心問題，使得它們無法滿足企業(yè)基于自身的業(yè)務(wù)落地大模型的需求，簡單來講，覺得大模型學不會自己企業(yè)的領(lǐng)域知識，幻覺和生成結(jié)果不確定性嚴重；而這種孤立性和對業(yè)務(wù)邏輯的理解不足，也導致了其產(chǎn)品對軟件開發(fā)復雜需求的處理浮于表面，實際上代碼輸出的準確性和實用性往往會大打折扣，限制了其在實際企業(yè)業(yè)務(wù)環(huán)境中的應(yīng)用效果和用戶的信任度。

您認為智能化軟件開發(fā)1.0時代具體存在的問題有哪些？

智能化軟件開發(fā)1.0存在的問題主要問題是不進行有效個性化訓練而直接落地大模型，這會直接產(chǎn)生兩大缺陷：應(yīng)用模式缺陷和技術(shù)缺陷。

首先，從應(yīng)用模式來看，主要缺陷表現(xiàn)在兩個方面。

第一，在訓練層面，缺乏對業(yè)務(wù)原始需求與設(shè)計的考量。1.0時代的產(chǎn)品往往只關(guān)注代碼本身的語法和結(jié)構(gòu)，忽略了代碼必須服務(wù)于具體的業(yè)務(wù)需求和邏輯，所以并沒有將需求分析和設(shè)計文檔等企業(yè)背景知識融合進模型的訓練中，導致生成/補全的代碼往往缺乏業(yè)務(wù)邏輯，從而使產(chǎn)品的準確性和可用性不足。

第二，在測試層面，無法形成需求到測試的閉環(huán)。測試自動化在1.0時代通常只基于現(xiàn)有代碼進行，忽略了測試的本質(zhì)是驗證需求的完整性和正確性，沒能深入到需求層面，而是僅依賴于代碼級的表面生成，沒有實現(xiàn)對原始需求的全面交互和驗證。

其次，從技術(shù)缺陷來看，主要表現(xiàn)在三個方面。

一是環(huán)境依賴信息的缺失，現(xiàn)在的大模型訓練主要是在開源代碼及企業(yè)代碼上的訓練，這種脫離企業(yè)背景知識，僅對代碼訓練的方式，依然缺乏足夠的項目上下文支持，這導致生成的代碼雖然在語法上正確，但經(jīng)常與項目的實際業(yè)務(wù)需求不符。雖然各大模型廠商都在上下文長度上努力，但并不會從根源上解決這一技術(shù)缺陷。

二是當前的智能化開發(fā)輔助主要依賴于大模型的語言能力，通過模式匹配和簡單的Prompt指令生成代碼。然而，這種方法僅停留在表層語言模型的使用上，無法深入理解復雜的業(yè)務(wù)邏輯和編程規(guī)范，導致大模型在實際應(yīng)用中的表現(xiàn)不盡如人意，影響了結(jié)果的有效性和可靠性，尤其是生成內(nèi)容的可靠性仍然存在較大問題。

三是微調(diào)方法的局限性，盡管在1.0時代我們采用了全參微調(diào)（Fine Tuning）、以及LoRa、Adapter、Prompt等PEFT高效參數(shù)微調(diào)（部分參數(shù)微調(diào)）方式，甚至嘗試使用RAG和MoE等方法讓大模型學習特定領(lǐng)域知識，但這些常規(guī)微調(diào)技術(shù)和方法仍存在局限性。盡管它們在某些特定任務(wù)中表現(xiàn)出一定的效果，但由于沒有充分訓練企業(yè)領(lǐng)域的專有數(shù)據(jù)和背景知識，這些方法在真實業(yè)務(wù)應(yīng)用中的表現(xiàn)往往難以達到預期，無法完全滿足實際業(yè)務(wù)的需求。

從客戶角度來看，我們發(fā)現(xiàn)很多大模型在通用的場景或者主流的測評集上表現(xiàn)都不錯，聲稱也能達到30%到50%的準確率。但是一旦拿到企業(yè)中去應(yīng)用，通常發(fā)現(xiàn)準確率下降到了10%以下。即使用各種方式做微調(diào)，效果也不盡如人意。對于企業(yè)而言，技術(shù)團隊和商務(wù)團隊盡力引入并上線了智能軟件開發(fā)產(chǎn)品，也進行了相應(yīng)的微調(diào)，但如果最終結(jié)果無法達到預期，可能會引發(fā)內(nèi)部大量用戶和軟件開發(fā)人員的投訴，帶來巨大的風險。綜合來看，真實企業(yè)軟件開發(fā)場景是非常復雜的，具有很強的業(yè)務(wù)邏輯、擁有明確的編碼規(guī)范和獨特的代碼風格，在多階段的復雜開發(fā)流程中更是涉及多角色、多工具、多團隊的共同協(xié)作參與。盡管智能化軟件開發(fā)1.0時代提供了一定的軟件自動化支持，但其并沒有真正解決企業(yè)領(lǐng)域知識問題，也沒有充分考慮真實開發(fā)場景的復雜需求。所以基于這樣一個背景，aiXcoder率先提出了軟件開發(fā)2.0時代的概念，并已成功在多家大型企業(yè)中落地實施。通過這一模式，企業(yè)才能真正抓住并充分利用大模型所帶來的技術(shù)紅利。

aiXcoder如何定義智能化軟件開發(fā)2.0時代的？

智能化軟件開發(fā)2.0時代：首先通過嚴格的數(shù)據(jù)治理和鏈式管理，對企業(yè)的特定領(lǐng)域知識進行全面的結(jié)構(gòu)化處理，確保從需求定義、設(shè)計、編碼到最終代碼提交的每個環(huán)節(jié)都得到精準記錄和系統(tǒng)關(guān)聯(lián)。在此基礎(chǔ)上，進行低成本、高度個性化的模型訓練，構(gòu)建基于領(lǐng)域的軟件工程大模型。通過多智能體協(xié)同自動化、傳統(tǒng)軟件開發(fā)方法和最佳實踐的有機結(jié)合，全面保障了開發(fā)流程的高效性與結(jié)果的準確性，使大模型從單一的代碼生成工具轉(zhuǎn)變?yōu)榕c企業(yè)開發(fā)過程深度協(xié)同的智能體集合，顯著提升了開發(fā)效率和產(chǎn)品質(zhì)量。

我們所定義的智能化軟件開發(fā)2.0時代，其核心概念并不復雜?？梢杂靡粋€公式來概括：智能化軟件開發(fā)2.0 = 專業(yè)軟工領(lǐng)域大模型 + 多Agent協(xié)同 + 傳統(tǒng)軟件工程方法。

首先，本階段的智能軟件開發(fā)強調(diào)對軟件研發(fā)流程的高度數(shù)據(jù)治理。整個開發(fā)全過程，從需求分析、概要設(shè)計、詳細設(shè)計、編碼實現(xiàn)、測試，直到最終產(chǎn)品上線，每一個環(huán)節(jié)都通過結(jié)構(gòu)化的數(shù)據(jù)治理和全面的數(shù)據(jù)鏈管理進行鏈式數(shù)據(jù)追蹤，確保軟件開發(fā)的原始需求被精確記錄并與系統(tǒng)緊密關(guān)聯(lián)。這種全鏈條的協(xié)同工作方式，不僅使得大模型能夠最大程度地理解企業(yè)特定的業(yè)務(wù)邏輯，還能夠在開發(fā)的每一個階段中準確反映這些邏輯。同時，基于經(jīng)過治理的領(lǐng)域化數(shù)據(jù)集，對模型進行個性化訓練，使大模型能夠深入學習并應(yīng)用企業(yè)的領(lǐng)域知識，從而構(gòu)建一個低成本、高度個性化的企業(yè)領(lǐng)域化大模型，這將是最關(guān)鍵的一步。此外，在實現(xiàn)領(lǐng)域個性化的基礎(chǔ)上，通過多Agent方式處理軟件開發(fā)流程中的各類任務(wù)，并結(jié)合傳統(tǒng)的軟件開發(fā)方法、工具和最佳實踐，確保了領(lǐng)域大模型輸出的準確性和可靠性。

這種結(jié)合了專業(yè)軟工領(lǐng)域大模型、多Agent協(xié)同，以及傳統(tǒng)軟件工程方法、工具與最佳實踐的協(xié)同自動化方式，正是我們所定義的智能化軟件開發(fā)2.0時代。

根據(jù)智能化軟件開發(fā)2.0時代的定義和特性，劉總，您認為企業(yè)在邁入2.0時代時，應(yīng)該重點關(guān)注哪些關(guān)鍵行動或策略？有哪些具體的準備工作是企業(yè)需要優(yōu)先考慮的？

結(jié)合多年來我們團隊對軟件工程領(lǐng)域的深刻理解，以及aiXcoder在企業(yè)領(lǐng)域化大模型落地方面的豐富經(jīng)驗。我們總結(jié)了以下4個核心策略，幫助企業(yè)更好的擁抱智能軟件開2.0時代。

第一是面向領(lǐng)域的開發(fā)數(shù)據(jù)治理，這一點非常關(guān)鍵。簡而言之，企業(yè)需要對最原始的需求文檔進行深入治理，將自然語言表達的“大白話”需求逐步轉(zhuǎn)化為精確的開發(fā)語言描述，從需求分析、設(shè)計，到開發(fā)、測試及運維等環(huán)節(jié)的數(shù)據(jù)、知識都進行整合并進行全鏈條數(shù)據(jù)治理，并確保數(shù)據(jù)質(zhì)量、規(guī)模與多樣性，以服務(wù)于領(lǐng)域大模型的構(gòu)建與優(yōu)化。值得一提的是，這種數(shù)據(jù)管理框架和方法能夠高效復用，日后大模型產(chǎn)生的海量數(shù)據(jù)都是基于該框架治理，從而可持續(xù)用于訓練，這有助于提高企業(yè)在應(yīng)對市場變化時的靈活性和響應(yīng)速度。

第二是基于領(lǐng)域數(shù)據(jù)的個性化模型構(gòu)建。通過利用治理好的領(lǐng)域知識數(shù)據(jù)集，并充分考慮企業(yè)算力資源、代碼量等因素，對大模型進行靈活的個性化訓練及參數(shù)調(diào)優(yōu)，確保大模型能夠精準捕捉并反映企業(yè)業(yè)務(wù)需求，使其逐步掌握企業(yè)特定的業(yè)務(wù)流程與邏輯、專業(yè)術(shù)語和編碼規(guī)范。進一步地，通過應(yīng)用PEFT、MoE、RAG和AI Agent等技術(shù)和方法，確保個性化訓練能夠根據(jù)企業(yè)具體業(yè)務(wù)需求進行靈活調(diào)整和優(yōu)化。這樣的策略不僅增強了模型的業(yè)務(wù)適應(yīng)性，還提升了模型訓練效率和輸出的準確性。

第三點是將大模型的先進能力與傳統(tǒng)軟件工程的方法和工具相結(jié)合。許多企業(yè)在引入大模型后，往往傾向于完全依賴大模型，忽視了原本效果優(yōu)異的軟件開發(fā)工具。這種做法實際上并不合理，因為大模型雖然具有強大的能力，但其生成結(jié)果并非總是精準無誤。為了確保大模型輸出結(jié)果的準確性與可靠性，企業(yè)應(yīng)繼續(xù)結(jié)合和利用傳統(tǒng)的軟件工程工具與方法，使其與大模型協(xié)同工作，從而保障開發(fā)流程的時效性和結(jié)果的高質(zhì)量。

最后一點是面向各場景的智能協(xié)同。通過引入Agent技術(shù)，將其與企業(yè)特有的軟件開發(fā)流程和現(xiàn)有的軟件開發(fā)工具相結(jié)合，以提升開發(fā)流程的透明度和效率。同時，確保所有自動化過程的合規(guī)性和可追蹤性，實現(xiàn)需求分析、設(shè)計、編碼、測試和部署等各個開發(fā)場景的深度協(xié)同。通過系統(tǒng)化的數(shù)據(jù)共享和流程整合，開發(fā)團隊能夠在各個階段實現(xiàn)無縫銜接，從而更加高效地應(yīng)對復雜的項目需求和快速變化的市場環(huán)境。

aiXcoder如何幫助企業(yè)落地智能軟件開發(fā)2.0時代？

在與很多大型企業(yè)交流的過程中，我們發(fā)現(xiàn)目前企業(yè)普遍面臨著搞不懂、訓不轉(zhuǎn)、學不會三大挑戰(zhàn)，展開來講，就是企業(yè)缺乏優(yōu)秀人才，現(xiàn)有的技術(shù)人員搞不懂模型應(yīng)該如何訓練。有些企業(yè)技術(shù)積累較好，試圖通過開源模型+各種微調(diào)的方式，嘗試讓大模型的能力更貼近企業(yè)的真實開發(fā)環(huán)境要求，最終還是發(fā)現(xiàn)大模型學不會企業(yè)的領(lǐng)域知識，效果不盡如人意。

為此，我們發(fā)布了一個大模型落地框架LLM Adoption Framework（LAF），旨在幫助企業(yè)了解如何將大模型與領(lǐng)域知識相結(jié)合，并利用我們的經(jīng)驗，幫助來自各個領(lǐng)域和行業(yè)的企業(yè)有效地部署和落地領(lǐng)域大模型。具體來說，該框架是一種咨詢的方法論，分為以下三個階段：第一個階段，評估階段。我們首先會根據(jù)企業(yè)的商業(yè)目標進行全面評估，深入了解企業(yè)已開展的工作，以及為何未能實現(xiàn)大模型落地的預定業(yè)績目標，并分析導致這些差距的原因。第二階段，模型構(gòu)建及訓練階段?；谶@些差距企業(yè)應(yīng)該怎么選擇模型，怎么準備和處理數(shù)據(jù)，如何訓練模型，可以通過哪些數(shù)據(jù)治理的方法來達到預期的狀態(tài)。此階段旨在精確構(gòu)建并優(yōu)化大模型，確保模型深度融合并體現(xiàn)企業(yè)特有的領(lǐng)域知識。在這一階段，不僅進行模型架構(gòu)的設(shè)計與搭建，還包括針對企業(yè)獨特業(yè)務(wù)邏輯和領(lǐng)域特定數(shù)據(jù)的深入治理及訓練過程。第三階段，上線及產(chǎn)品化階段。這一階段主要涉及產(chǎn)品化的過程。我們將幫助企業(yè)將領(lǐng)域大模型與其內(nèi)部多個平臺通過API進行集成，并確保模型能力能夠有效輸出到業(yè)務(wù)端，所有這些都需要根據(jù)企業(yè)的實際需求進行定制化實現(xiàn)。

總而言之，aiXcoder的LAF并非特定于任何一個開源/閉源大模型提供商，而是大量利用aiXcoder提供的大模型訓練、領(lǐng)域經(jīng)驗和軟件工程最佳實踐為企業(yè)提供更具體的深度咨詢和指導。同時，aiXcoder的LAF不僅限于aiXcoder模型使用，企業(yè)可以選擇任何閉源和開源模型，它是完全可以通用的，并非aiXcoder“獨門秘籍”，可以根據(jù)企業(yè)“領(lǐng)域知識”量身定制大模型落地實施及行動計劃。

最后，總結(jié)一下我們的觀點：

●無論是開源還是閉源，選擇專業(yè)的軟件工程大模型，而不是通用大模型。

●不關(guān)注大模型廠商宣傳支持了多少功能和HumanEval、MBPP、MultiPL-E等常規(guī)的“打榜”評測集評測結(jié)果，要關(guān)注大模型實際生成內(nèi)容是否真的理解企業(yè)的業(yè)務(wù)。

●務(wù)必要結(jié)合領(lǐng)域知識治理并訓練，再做進一步微調(diào)。直接使用常規(guī)的全參微調(diào)、高效微調(diào)、RAG等方式幫助不大。

●大模型落地要高度自治、解耦，企業(yè)業(yè)務(wù)的復雜程度和連續(xù)性，更不允許綁定某個大模型廠商。

●一定要做個性化訓練，不能直接落地代碼大模型，同時培養(yǎng)自己的技術(shù)人員，有效規(guī)避直接部署模型的高風險。

關(guān)于aiXcoder簡介：aiXcoder孵化自北京大學軟件工程研究所，創(chuàng)始團隊均來自北京大學，是全球最早將深度學習技術(shù)應(yīng)用于代碼生成與代碼理解領(lǐng)域的團隊，也是最早將深度學習應(yīng)用在編程產(chǎn)品的團隊。公司專注于AIGC for Code領(lǐng)域，致力于將前沿人工智能技術(shù)應(yīng)用于軟件工程，為企業(yè)提供完備的智能化軟件開發(fā)解決方案，包括私有化部署、領(lǐng)域化大模型落地及定制化開發(fā)等服務(wù)，現(xiàn)已在金融、軍工、航空航天、通信、高科技等行業(yè)頭部企業(yè)部署實施。目前已服務(wù)智能編程社區(qū)版產(chǎn)品用戶80萬+，獲得廣泛行業(yè)及眾多C端開發(fā)者們的認可。

審核編輯 黃宇