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正引領各行各業的深刻變革。軟件開發領域，一場由AI驅動的產業智能化升級快速演變，進入智能化軟件開發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，主要圍繞企業如何落地領域化大模型，如何更好地擁抱智能化軟件開發2.0時代等話題進行深入探討。以下內容根據采訪實錄整理。

請劉總簡單介紹下智能化軟件開發1.0時代及其發展現狀？

智能化軟件開發1.0時代可以說是通過引入大模型技術，集中實現了軟件開發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。系統也支持簡單的需求捕獲和拆分等任務。但是，這些功能通常是以獨立的方式執行，不能深入理解和應用企業特定的業務邏輯。

目前國內外的玩家主要有GitHub的Copilot、Amazon的CodeWhisperer、百度的comate 、阿里的通義靈碼、甚至包括我們aiXcoder的上一代產品等。各家產品在功能和能力上差異并不大，缺乏明顯的差異化。盡管產品在宣傳中，強調了具有更強的上下文理解能力和更大的參數量，甚至與GPT-3.5等模型進行比較占據優勢，但實際上并沒有真正解決大模型與企業領域知識融合這一核心問題，使得它們無法滿足企業基于自身的業務落地大模型的需求，簡單來講，覺得大模型學不會自己企業的領域知識，幻覺和生成結果不確定性嚴重；而這種孤立性和對業務邏輯的理解不足，也導致了其產品對軟件開發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業務環境中的應用效果和用戶的信任度。

您認為智能化軟件開發1.0時代具體存在的問題有哪些？

智能化軟件開發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，這會直接產生兩大缺陷：應用模式缺陷和技術缺陷。

首先，從應用模式來看，主要缺陷表現在兩個方面。

第一，在訓練層面，缺乏對業務原始需求與設計的考量。1.0時代的產品往往只關注代碼本身的語法和結構，忽略了代碼必須服務于具體的業務需求和邏輯，所以并沒有將需求分析和設計文檔等企業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務邏輯，從而使產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。測試自動化在1.0時代通常只基于現有代碼進行，忽略了測試的本質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，沒有實現對原始需求的全面交互和驗證。

其次，從技術缺陷來看，主要表現在三個方面。

一是環境依賴信息的缺失，現在的大模型訓練主要是在開源代碼及企業代碼上的訓練，這種脫離企業背景知識，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，但經常與項目的實際業務需求不符。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缺陷。

二是當前的智能化開發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務邏輯和編程規范，導致大模型在實際應用中的表現不盡如人意，影響了結果的有效性和可靠性，尤其是生成內容的可靠性仍然存在較大問題。

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

從客戶角度來看，我們發現很多大模型在通用的場景或者主流的測評集上表現都不錯，聲稱也能達到30%到50%的準確率。但是一旦拿到企業中去應用，通常發現準確率下降到了10%以下。即使用各種方式做微調，效果也不盡如人意。對于企業而言，技術團隊和商務團隊盡力引入并上線了智能軟件開發產品，也進行了相應的微調，但如果最終結果無法達到預期，可能會引發內部大量用戶和軟件開發人員的投訴，帶來巨大的風險。綜合來看，真實企業軟件開發場景是非常復雜的，具有很強的業務邏輯、擁有明確的編碼規范和獨特的代碼風格，在多階段的復雜開發流程中更是涉及多角色、多工具、多團隊的共同協作參與。盡管智能化軟件開發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領域知識問題，也沒有充分考慮真實開發場景的復雜需求。所以基于這樣一個背景，aiXcoder率先提出了軟件開發2.0時代的概念，并已成功在多家大型企業中落地實施。通過這一模式，企業才能真正抓住并充分利用大模型所帶來的技術紅利。

aiXcoder如何定義智能化軟件開發2.0時代的？

智能化軟件開發2.0時代：首先通過嚴格的數據治理和鏈式管理，對企業的特定領域知識進行全面的結構化處理，確保從需求定義、設計、編碼到最終代碼提交的每個環節都得到精準記錄和系統關聯。在此基礎上，進行低成本、高度個性化的模型訓練，構建基于領域的軟件工程大模型。通過多智能體協同自動化、傳統軟件開發方法和最佳實踐的有機結合，全面保障了開發流程的高效性與結果的準確性，使大模型從單一的代碼生成工具轉變為與企業開發過程深度協同的智能體集合，顯著提升了開發效率和產品質量。

我們所定義的智能化軟件開發2.0時代，其核心概念并不復雜。可以用一個公式來概括：智能化軟件開發2.0 = 專業軟工領域大模型 + 多Agent協同 + 傳統軟件工程方法。

首先，本階段的智能軟件開發強調對軟件研發流程的高度數據治理。整個開發全過程，從需求分析、概要設計、詳細設計、編碼實現、測試，直到最終產品上線，每一個環節都通過結構化的數據治理和全面的數據鏈管理進行鏈式數據追蹤，確保軟件開發的原始需求被精確記錄并與系統緊密關聯。這種全鏈條的協同工作方式，不僅使得大模型能夠最大程度地理解企業特定的業務邏輯，還能夠在開發的每一個階段中準確反映這些邏輯。同時，基于經過治理的領域化數據集，對模型進行個性化訓練，使大模型能夠深入學習并應用企業的領域知識，從而構建一個低成本、高度個性化的企業領域化大模型，這將是最關鍵的一步。此外，在實現領域個性化的基礎上，通過多Agent方式處理軟件開發流程中的各類任務，并結合傳統的軟件開發方法、工具和最佳實踐，確保了領域大模型輸出的準確性和可靠性。

這種結合了專業軟工領域大模型、多Agent協同，以及傳統軟件工程方法、工具與最佳實踐的協同自動化方式，正是我們所定義的智能化軟件開發2.0時代。

根據智能化軟件開發2.0時代的定義和特性，劉總，您認為企業在邁入2.0時代時，應該重點關注哪些關鍵行動或策略？有哪些具體的準備工作是企業需要優先考慮的？

結合多年來我們團隊對軟件工程領域的深刻理解，以及aiXcoder在企業領域化大模型落地方面的豐富經驗。我們總結了以下4個核心策略，幫助企業更好的擁抱智能軟件開2.0時代。

第一是面向領域的開發數據治理，這一點非常關鍵。簡而言之，企業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”需求逐步轉化為精確的開發語言描述，從需求分析、設計，到開發、測試及運維等環節的數據、知識都進行整合并進行全鏈條數據治理，并確保數據質量、規模與多樣性，以服務于領域大模型的構建與優化。值得一提的是，這種數據管理框架和方法能夠高效復用，日后大模型產生的海量數據都是基于該框架治理，從而可持續用于訓練，這有助于提高企業在應對市場變化時的靈活性和響應速度。

第二是基于領域數據的個性化模型構建。通過利用治理好的領域知識數據集，并充分考慮企業算力資源、代碼量等因素，對大模型進行靈活的個性化訓練及參數調優，確保大模型能夠精準捕捉并反映企業業務需求，使其逐步掌握企業特定的業務流程與邏輯、專業術語和編碼規范。進一步地，通過應用PEFT、MoE、RAG和AI Agent等技術和方法，確保個性化訓練能夠根據企業具體業務需求進行靈活調整和優化。這樣的策略不僅增強了模型的業務適應性，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軟件工程的方法和工具相結合。許多企業在引入大模型后，往往傾向于完全依賴大模型，忽視了原本效果優異的軟件開發工具。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，但其生成結果并非總是精準無誤。為了確保大模型輸出結果的準確性與可靠性，企業應繼續結合和利用傳統的軟件工程工具與方法，使其與大模型協同工作，從而保障開發流程的時效性和結果的高質量。

最后一點是面向各場景的智能協同。通過引入Agent技術，將其與企業特有的軟件開發流程和現有的軟件開發工具相結合，以提升開發流程的透明度和效率。同時，確保所有自動化過程的合規性和可追蹤性，實現需求分析、設計、編碼、測試和部署等各個開發場景的深度協同。通過系統化的數據共享和流程整合，開發團隊能夠在各個階段實現無縫銜接，從而更加高效地應對復雜的項目需求和快速變化的市場環境。

aiXcoder如何幫助企業落地智能軟件開發2.0時代？

在與很多大型企業交流的過程中，我們發現目前企業普遍面臨著搞不懂、訓不轉、學不會三大挑戰，展開來講，就是企業缺乏優秀人才，現有的技術人員搞不懂模型應該如何訓練。有些企業技術積累較好，試圖通過開源模型+各種微調的方式，嘗試讓大模型的能力更貼近企業的真實開發環境要求，最終還是發現大模型學不會企業的領域知識，效果不盡如人意。

為此，我們發布了一個大模型落地框架LLM Adoption Framework（LAF），旨在幫助企業了解如何將大模型與領域知識相結合，并利用我們的經驗，幫助來自各個領域和行業的企業有效地部署和落地領域大模型。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。我們首先會根據企業的商業目標進行全面評估，深入了解企業已開展的工作，以及為何未能實現大模型落地的預定業績目標，并分析導致這些差距的原因。第二階段，模型構建及訓練階段。基于這些差距企業應該怎么選擇模型，怎么準備和處理數據，如何訓練模型，可以通過哪些數據治理的方法來達到預期的狀態。此階段旨在精確構建并優化大模型，確保模型深度融合并體現企業特有的領域知識。在這一階段，不僅進行模型架構的設計與搭建，還包括針對企業獨特業務邏輯和領域特定數據的深入治理及訓練過程。第三階段，上線及產品化階段。這一階段主要涉及產品化的過程。我們將幫助企業將領域大模型與其內部多個平臺通過API進行集成，并確保模型能力能夠有效輸出到業務端，所有這些都需要根據企業的實際需求進行定制化實現。

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、領域經驗和軟件工程最佳實踐為企業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”，可以根據企業“領域知識”量身定制大模型落地實施及行動計劃。

最后，總結一下我們的觀點：

●無論是開源還是閉源，選擇專業的軟件工程大模型，而不是通用大模型。

●不關注大模型廠商宣傳支持了多少功能和HumanEval、MBPP、MultiPL-E等常規的“打榜”評測集評測結果，要關注大模型實際生成內容是否真的理解企業的業務。

●務必要結合領域知識治理并訓練，再做進一步微調。直接使用常規的全參微調、高效微調、RAG等方式幫助不大。

●大模型落地要高度自治、解耦，企業業務的復雜程度和連續性，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，同時培養自己的技術人員，有效規避直接部署模型的高風險。

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

審核編輯 黃宇