對話(huà)aiXcoder總裁劉德欣：智能化軟件開(kāi)發(fā)2.0時(shí)代，企業(yè)如何落地領(lǐng)域化大模型

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(kāi)發(fā)領(lǐng)域，一場(chǎng)由AI驅動(dòng)的產(chǎn)業(yè)智能化升級快速演變，進(jìn)入智能化軟件開(kāi)發(fā)2.0時(shí)代。

近日，我們采訪(fǎng)了硅心科技（以下簡(jiǎn)稱(chēng)：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(kāi)發(fā)2.0時(shí)代等話(huà)題進(jìn)行深入探討。以下內容根據采訪(fǎng)實(shí)錄整理。

請劉總簡(jiǎn)單介紹下智能化軟件開(kāi)發(fā)1.0時(shí)代及其發(fā)展現狀？

智能化軟件開(kāi)發(fā)1.0時(shí)代可以說(shuō)是通過(guò)引入大模型技術(shù)，集中實(shí)現了軟件開(kāi)發(fā)的一些初級自動(dòng)化場(chǎng)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(jiǎn)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行，不能深入理解和應用企業(yè)特定的業(yè)務(wù)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(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(jìn)行比較占據優(yōu)勢，但實(shí)際上并沒(méi)有真正解決大模型與企業(yè)領(lǐng)域知識融合這一核心問(wèn)題，使得它們無(wú)法滿(mǎn)足企業(yè)基于自身的業(yè)務(wù)落地大模型的需求，簡(jiǎn)單來(lái)講，覺(jué)得大模型學(xué)不會(huì )自己企業(yè)的領(lǐng)域知識，幻覺(jué)和生成結果不確定性嚴重；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(kāi)發(fā)復雜需求的處理浮于表面，實(shí)際上代碼輸出的準確性和實(shí)用性往往會(huì )大打折扣，限制了其在實(shí)際企業(yè)業(yè)務(wù)環(huán)境中的應用效果和用戶(hù)的信任度。

您認為智能化軟件開(kāi)發(fā)1.0時(shí)代具體存在的問(wèn)題有哪些？

智能化軟件開(kāi)發(fā)1.0存在的問(wèn)題主要問(wèn)題是不進(jìn)行有效個(gè)性化訓練而直接落地大模型，這會(huì )直接產(chǎn)生兩大缺陷：應用模式缺陷和技術(shù)缺陷。

首先，從應用模式來(lái)看，主要缺陷表現在兩個(gè)方面。

第一，在訓練層面，缺乏對業(yè)務(wù)原始需求與設計的考量。1.0時(shí)代的產(chǎn)品往往只關(guān)注代碼本身的語(yǔ)法和結構，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(méi)有將需求分析和設計文檔等企業(yè)背景知識融合進(jìn)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(wú)法形成需求到測試的閉環(huán)。測試自動(dòng)化在1.0時(shí)代通常只基于現有代碼進(jìn)行，忽略了測試的本質(zhì)是驗證需求的完整性和正確性，沒(méi)能深入到需求層面，而是僅依賴(lài)于代碼級的表面生成，沒(méi)有實(shí)現對原始需求的全面交互和驗證。

其次，從技術(shù)缺陷來(lái)看，主要表現在三個(gè)方面。

一是環(huán)境依賴(lài)信息的缺失，現在的大模型訓練主要是在開(kāi)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(yǔ)法上正確，但經(jīng)常與項目的實(shí)際業(yè)務(wù)需求不符。雖然各大模型廠(chǎng)商都在上下文長(cháng)度上努力，但并不會(huì )從根源上解決這一技術(shù)缺陷。

二是當前的智能化開(kāi)發(fā)輔助主要依賴(lài)于大模型的語(yǔ)言能力，通過(guò)模式匹配和簡(jiǎn)單的Prompt指令生成代碼。然而，這種方法僅停留在表層語(yǔ)言模型的使用上，無(wú)法深入理解復雜的業(yè)務(wù)邏輯和編程規范，導致大模型在實(shí)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(wèn)題。

三是微調方法的局限性，盡管在1.0時(shí)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(xué)習特定領(lǐng)域知識，但這些常規微調技術(shù)和方法仍存在局限性。盡管它們在某些特定任務(wù)中表現出一定的效果，但由于沒(méi)有充分訓練企業(yè)領(lǐng)域的專(zhuān)有數據和背景知識，這些方法在真實(shí)業(yè)務(wù)應用中的表現往往難以達到預期，無(wú)法完全滿(mǎn)足實(shí)際業(yè)務(wù)的需求。

從客戶(hù)角度來(lái)看，我們發(fā)現很多大模型在通用的場(chǎng)景或者主流的測評集上表現都不錯，聲稱(chēng)也能達到30%到50%的準確率。但是一旦拿到企業(yè)中去應用，通常發(fā)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(yè)而言，技術(shù)團隊和商務(wù)團隊盡力引入并上線(xiàn)了智能軟件開(kāi)發(fā)產(chǎn)品，也進(jìn)行了相應的微調，但如果最終結果無(wú)法達到預期，可能會(huì )引發(fā)內部大量用戶(hù)和軟件開(kāi)發(fā)人員的投訴，帶來(lái)巨大的風(fēng)險。綜合來(lái)看，真實(shí)企業(yè)軟件開(kāi)發(fā)場(chǎng)景是非常復雜的，具有很強的業(yè)務(wù)邏輯、擁有明確的編碼規范和獨特的代碼風(fēng)格，在多階段的復雜開(kāi)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(kāi)發(fā)1.0時(shí)代提供了一定的軟件自動(dòng)化支持，但其并沒(méi)有真正解決企業(yè)領(lǐng)域知識問(wèn)題，也沒(méi)有充分考慮真實(shí)開(kāi)發(fā)場(chǎng)景的復雜需求。所以基于這樣一個(gè)背景，aiXcoder率先提出了軟件開(kāi)發(fā)2.0時(shí)代的概念，并已成功在多家大型企業(yè)中落地實(shí)施。通過(guò)這一模式，企業(yè)才能真正抓住并充分利用大模型所帶來(lái)的技術(shù)紅利。

aiXcoder如何定義智能化軟件開(kāi)發(fā)2.0時(shí)代的？

智能化軟件開(kāi)發(fā)2.0時(shí)代：首先通過(guò)嚴格的數據治理和鏈式管理，對企業(yè)的特定領(lǐng)域知識進(jìn)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(gè)環(huán)節都得到精準記錄和系統關(guān)聯(lián)。在此基礎上，進(jìn)行低成本、高度個(gè)性化的模型訓練，構建基于領(lǐng)域的軟件工程大模型。通過(guò)多智能體協(xié)同自動(dòng)化、傳統軟件開(kāi)發(fā)方法和最佳實(shí)踐的有機結合，全面保障了開(kāi)發(fā)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?yōu)榕c企業(yè)開(kāi)發(fā)過(guò)程深度協(xié)同的智能體集合，顯著(zhù)提升了開(kāi)發(fā)效率和產(chǎn)品質(zhì)量。

我們所定義的智能化軟件開(kāi)發(fā)2.0時(shí)代，其核心概念并不復雜?？梢杂靡粋€(gè)公式來(lái)概括：智能化軟件開(kāi)發(fā)2.0 = 專(zhuān)業(yè)軟工領(lǐng)域大模型 + 多Agent協(xié)同 + 傳統軟件工程方法。

首先，本階段的智能軟件開(kāi)發(fā)強調對軟件研發(fā)流程的高度數據治理。整個(gè)開(kāi)發(fā)全過(guò)程，從需求分析、概要設計、詳細設計、編碼實(shí)現、測試，直到最終產(chǎn)品上線(xiàn)，每一個(gè)環(huán)節都通過(guò)結構化的數據治理和全面的數據鏈管理進(jìn)行鏈式數據追蹤，確保軟件開(kāi)發(fā)的原始需求被精確記錄并與系統緊密關(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(kāi)發(fā)的每一個(gè)階段中準確反映這些邏輯。同時(shí)，基于經(jīng)過(guò)治理的領(lǐng)域化數據集，對模型進(jìn)行個(gè)性化訓練，使大模型能夠深入學(xué)習并應用企業(yè)的領(lǐng)域知識，從而構建一個(gè)低成本、高度個(gè)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(shí)現領(lǐng)域個(gè)性化的基礎上，通過(guò)多Agent方式處理軟件開(kāi)發(fā)流程中的各類(lèi)任務(wù)，并結合傳統的軟件開(kāi)發(fā)方法、工具和最佳實(shí)踐，確保了領(lǐng)域大模型輸出的準確性和可靠性。

這種結合了專(zhuān)業(yè)軟工領(lǐng)域大模型、多Agent協(xié)同，以及傳統軟件工程方法、工具與最佳實(shí)踐的協(xié)同自動(dòng)化方式，正是我們所定義的智能化軟件開(kāi)發(fā)2.0時(shí)代。

根據智能化軟件開(kāi)發(fā)2.0時(shí)代的定義和特性，劉總，您認為企業(yè)在邁入2.0時(shí)代時(shí)，應該重點(diǎn)關(guān)注哪些關(guān)鍵行動(dòng)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？

結合多年來(lái)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。我們總結了以下4個(gè)核心策略，幫助企業(yè)更好的擁抱智能軟件開(kāi)2.0時(shí)代。

第一是面向領(lǐng)域的開(kāi)發(fā)數據治理，這一點(diǎn)非常關(guān)鍵。簡(jiǎn)而言之，企業(yè)需要對最原始的需求文檔進(jìn)行深入治理，將自然語(yǔ)言表達的“大白話(huà)”需求逐步轉化為精確的開(kāi)發(fā)語(yǔ)言描述，從需求分析、設計，到開(kāi)發(fā)、測試及運維等環(huán)節的數據、知識都進(jìn)行整合并進(jìn)行全鏈條數據治理，并確保數據質(zhì)量、規模與多樣性，以服務(wù)于領(lǐng)域大模型的構建與優(yōu)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(chǎn)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(yè)在應對市場(chǎng)變化時(shí)的靈活性和響應速度。

第二是基于領(lǐng)域數據的個(gè)性化模型構建。通過(guò)利用治理好的領(lǐng)域知識數據集，并充分考慮企業(yè)算力資源、代碼量等因素，對大模型進(jìn)行靈活的個(gè)性化訓練及參數調優(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(zhuān)業(yè)術(shù)語(yǔ)和編碼規范。進(jìn)一步地，通過(guò)應用PEFT、MoE、RAG和AI Agent等技術(shù)和方法，確保個(gè)性化訓練能夠根據企業(yè)具體業(yè)務(wù)需求進(jìn)行靈活調整和優(yōu)化。這樣的策略不僅增強了模型的業(yè)務(wù)適應性，還提升了模型訓練效率和輸出的準確性。

第三點(diǎn)是將大模型的先進(jìn)能力與傳統軟件工程的方法和工具相結合。許多企業(yè)在引入大模型后，往往傾向于完全依賴(lài)大模型，忽視了原本效果優(yōu)異的軟件開(kāi)發(fā)工具。這種做法實(shí)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(wú)誤。為了確保大模型輸出結果的準確性與可靠性，企業(yè)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(xié)同工作，從而保障開(kāi)發(fā)流程的時(shí)效性和結果的高質(zhì)量。

最后一點(diǎn)是面向各場(chǎng)景的智能協(xié)同。通過(guò)引入Agent技術(shù)，將其與企業(yè)特有的軟件開(kāi)發(fā)流程和現有的軟件開(kāi)發(fā)工具相結合，以提升開(kāi)發(fā)流程的透明度和效率。同時(shí)，確保所有自動(dòng)化過(guò)程的合規性和可追蹤性，實(shí)現需求分析、設計、編碼、測試和部署等各個(gè)開(kāi)發(fā)場(chǎng)景的深度協(xié)同。通過(guò)系統化的數據共享和流程整合，開(kāi)發(fā)團隊能夠在各個(gè)階段實(shí)現無(wú)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(chǎng)環(huán)境。

aiXcoder如何幫助企業(yè)落地智能軟件開(kāi)發(fā)2.0時(shí)代？

在與很多大型企業(yè)交流的過(guò)程中，我們發(fā)現目前企業(yè)普遍面臨著(zhù)搞不懂、訓不轉、學(xué)不會(huì )三大挑戰，展開(kāi)來(lái)講，就是企業(yè)缺乏優(yōu)秀人才，現有的技術(shù)人員搞不懂模型應該如何訓練。有些企業(yè)技術(shù)積累較好，試圖通過(guò)開(kāi)源模型+各種微調的方式，嘗試讓大模型的能力更貼近企業(yè)的真實(shí)開(kāi)發(fā)環(huán)境要求，最終還是發(fā)現大模型學(xué)不會(huì )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(gè)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)域知識相結合，并利用我們的經(jīng)驗，幫助來(lái)自各個(gè)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(lái)說(shuō)，該框架是一種咨詢(xún)的方法論，分為以下三個(gè)階段：第一個(gè)階段，評估階段。我們首先會(huì )根據企業(yè)的商業(yè)目標進(jìn)行全面評估，深入了解企業(yè)已開(kāi)展的工作，以及為何未能實(shí)現大模型落地的預定業(yè)績(jì)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?；谶@些差距企業(yè)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(guò)哪些數據治理的方法來(lái)達到預期的狀態(tài)。此階段旨在精確構建并優(yōu)化大模型，確保模型深度融合并體現企業(yè)特有的領(lǐng)域知識。在這一階段，不僅進(jìn)行模型架構的設計與搭建，還包括針對企業(yè)獨特業(yè)務(wù)邏輯和領(lǐng)域特定數據的深入治理及訓練過(guò)程。第三階段，上線(xiàn)及產(chǎn)品化階段。這一階段主要涉及產(chǎn)品化的過(guò)程。我們將幫助企業(yè)將領(lǐng)域大模型與其內部多個(gè)平臺通過(guò)API進(jìn)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企業(yè)的實(shí)際需求進(jìn)行定制化實(shí)現。

總而言之，aiXcoder的LAF并非特定于任何一個(gè)開(kāi)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(shí)踐為企業(yè)提供更具體的深度咨詢(xún)和指導。同時(shí)，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(kāi)源模型，它是完全可以通用的，并非aiXcoder“獨門(mén)秘籍”，可以根據企業(yè)“領(lǐng)域知識”量身定制大模型落地實(shí)施及行動(dòng)計劃。

最后，總結一下我們的觀(guān)點(diǎn)：

● 無(wú)論是開(kāi)源還是閉源，選擇專(zhuān)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(chǎng)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(guān)注大模型實(shí)際生成內容是否真的理解企業(yè)的業(yè)務(wù)。

● 務(wù)必要結合領(lǐng)域知識治理并訓練，再做進(jìn)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(yè)業(yè)務(wù)的復雜程度和連續性，更不允許綁定某個(gè)大模型廠(chǎng)商。

● 一定要做個(gè)性化訓練，不能直接落地代碼大模型，同時(shí)培養自己的技術(shù)人員，有效規避直接部署模型的高風(fēng)險。

關(guān)于aiXcoder簡(jiǎn)介：aiXcoder孵化自北京大學(xué)軟件工程研究所，創(chuàng )始團隊均來(lái)自北京大學(xué)，是全球最早將深度學(xué)習技術(shù)應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(xué)習應用在編程產(chǎn)品的團隊。公司專(zhuān)注于A(yíng)IGC for Code領(lǐng)域，致力于將前沿人工智能技術(shù)應用于軟件工程，為企業(yè)提供完備的智能化軟件開(kāi)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(kāi)發(fā)等服務(wù)，現已在金融、軍工、航空航天、通信、高科技等行業(yè)頭部企業(yè)部署實(shí)施。目前已服務(wù)智能編程社區版產(chǎn)品用戶(hù)80萬(wàn)+，獲得廣泛行業(yè)及眾多C端開(kāi)發(fā)者們的認可。