随着前端工程日益复杂，对研发效能提出了更高要求，在传统的开发模式中，从产品提出需求、代码的编写到项目上线这条链路中，存在很多繁琐冗长的不合理流程，我们通过不断探索与创新，将前端工程化结合AI人工智能，将重复冗余的流程通过智能化描述的形式实现开发提效，给开发者一个全新的开发体验与效能提升。

本次分享主要介绍大模型在日常研发的相关落地场景，主要讲解如何通过描述的方式进行低成本高效率的代码开发原理与实现，还讲解如何给大模型安装手、眼、耳、脸，通过多渠道获取信息数据进行分析并给出指令，结合描述式研发机制的基础实现项目迭代全流程自动化、智能化提效。

演讲提纲：

1. 背景介绍

• 大环境现状
• AI落地场景汇总：智能审核、智能 Oncall、智能生成稿件、Chrome 智能审核插件、智能回复、智能生成热点列表、创建投票、设计调研问卷、智能LowCode、NPC 智能化、研发提效

2. 原理与实现

• 描述式开发原理与实现：指令式 Prompt + LowCode + Terminal
• AI 拟人化原理与实现：结合工程化和 TensorFlow.js，给大模型安装手、眼、耳、脸
• 语音编程、语音操控项目、语音操控流程、语音模型训练的原理与实现
• AI 识别手画稿生成代码的原理与实现
• 通过 LangChain 接入第三方服务，实现大模型信息延伸与扩展的实践
• 线上项目智能修复、自我完善机制的原理与实现
• 基于AI的全流程开发原理与实现：开发、上线、监控、Bug 修复的自动化

3. 思考

• 风险+缺点：更新迭代快、返回不稳定、智能度太低、定制化严重、“万无一失、一失全无”、信息代码泄露、版权与责任方问题、黑产
• 前端 AI 智能化未来展望与思考：原子化开发、超级个体、Web3D 智能建模、AI 拟人化

你将获得：

• 了解如何将 AI 与前端工程化结合实现开发提效
• 了解 LLM 时代的大前端研发可能性
• 了解腾讯如何在日常研发的相关场景落地大模型