随着大模型技术的成熟以及其在代码生成领域的优秀表现，我们看到，一个以智能化为核心驱动力的软件研发 3.0 时代即将到来——这一时代将围绕大模型来构建新一代软件研发智能化工具，最终创造出“AI 原生开发范式”，让研发效能发生质变。

针对 AI 原生开发方向，阿里云展开了深度布局。而通义灵码作为国内最受欢迎的智能编码助手，是基于通义大模型技术打造，也将成为未来所有软件研发工具的“大脑”。

在本次演讲中，我们将首次解密通义灵码核心技术、产品突破性进展、应用场景以及阿里云在 AI 原生产品设计背后的思考与创新。

演讲提纲：

1. AI 成为软件研发的必选项

• AIGC 从可选项逐步变成研发工作的必选项
• 软件研发走向智能化的必然与机会

2. 通义灵码核心技术解密

• 全新问答模型能力升级
• 新一代代码补全模型
• 开发体验全面升级

3. 企业和开发者落地

• AI 原生研发范式的策略与路径
• 企业实现研发智能化的策略
• 通义灵码企业个性化方案
• AI 赋能软件开发全生命周期场景探索

听众收益：

• 了解软件研发智能化的趋势与机会
• 了解通义灵码核心技术与最新代码大模型能力
• 了解企业和开发者落地 AI 原生开发的策略与路径

大模型技术在代码领域作为划时代的生产力工具，与常见的自然语言问题不同——它们需要匹配目标语言的精确语法，识别最佳路径和边缘情况，关注问题规范中的众多小细节，并解决其他特定于代码的问题和要求。本次分享将介绍百度在智能研发中的技术思考、解决方案和应用实践，如果通过 SFT、RAG、Code Analysis 等方法充分挖掘与释放大模型的生产力，为工程师提效。

演讲提纲：

1. AIGC 的浪潮为软件研发带来代际变革

2. 百度是如何落地 AI 原生研发范式

3. 弥补大模型短板，释放潜能

• 针对编程场景定制模型
• 高质量数据集定向调优
• 代码分析提升 Prompt 信息密度
• 多策略外置知识定制化增强

4. 人机协同研发模式展望

听众收益：

• 了解大模型如何为研发提效
• 了解大模型赋能研发的实战经验
• 了解智能编码工具如何解决工程师的痛点

方案痛点：

• 客户端逻辑复杂，有性能问题以及安全风险

大模型技术出现后，很多人更关注大模型如何落地，同时大模型是否会代替低代码以及传统的软件研发体系也一直处于激烈的争论中。作为国内较早大规模使用大模型能力并落地产品的技术团队，本次演讲会从低代码产品本身的痛点出发，剖析大模型的机会点以及落地的难点，并从 AI 友好的语言设计出发，结合大模型的 agent 能力，介绍低代码融合自然语言生成、辅助编程、D2C 等 AI 能力的产品设计和实现方案，以及对应的模型训练方案。

演讲提纲：

1. 背景：为什么 AIGC跟低代码是天作之合

• 低代码行业的发展和产品痛点分析
• 业内对 AI +低代码的探索介绍
• 为什么 AI 辅助编程难以代替低代码

2. 低代码结合 AIGC 的基座：基础语言设计

• 为什么 AI 友好需要崭新的语言设施支持
• 自研语言 NASL 的设计和实现

3. 如何实现低代码产品的 AI 加持

• 自然语言生成代码技术的实现
• 如何解决 GPT 的私有化部署问题，选择和训练自己的私有化模型
• Agent 架构的原理和实现
• RAG 能力对资产管理和代码生成的提升
• 低代码编程助手的产品思路和实现细节
• D2C 技术的进化：多模态模型的引入和技术实现

4. 总结与展望

• 总结：低代码落地 AIGC 技术的核心：实现 AI 原生
• 展望未来

听众收益：

• 大模型 AIGC 落地的应用实践
• 如何设计一门 AI 友好的编程语言
• 如何针对性训练自己的低代码代码生成模型

内容亮点：

AI 跟低代码结合，不是生硬的用 AI 生成代码或传统的 json schema，而是先将低代码变成“AI 友好”，通过自研 NASL 语言抽象低代码中的业务成本，有效降低 AI 训练成本，提升 AI 生成质量，从而更好的落地大模型 +AIGC 能力

方案痛点：

• AI 私有化成本较高，需要较好的硬件支持，同时开源模型良莠不齐，选型困难
• 用户持续使用低代码 +ai 能力后，如何根据他们沉淀的物料，增强已有的模型能力，目前没有低成本的再训练方案