在大模型诞生之后，智能开发一直被视为 AI 落地的典型场景，走在前沿的开发者也快速接受了代码推荐为主要形态的AI辅助编程。但在此之后，我们期望大模型可以带来更大的效率提升，甚至对开发过程进行重塑与变革，使用全新的人与机的协同关系来让开发进入“真正的智能时代”。本次演讲会以从代码推荐到更大规模生成，从辅助到与人协同的角度，在开发工具能力发展、组织与团队引入 AI 、开发者改变开发形式这三个角度，讲述面向智能化变革面对的挑战与解决方法。

演讲提纲

1. 智能开发工具的发展：代码推荐之上的能力

• 更大规模的高质量代码推荐
• 基于场景的更易用、更准确的生成能力
• 主动学习生成与项目风格匹配的代码

2. 落地 AI 研发：让开发者接受 AI 可用、可信、可靠

• 可用：量身定制入门过程，基础功能和服务中强化AI感知
• 可信：效果发生质变，提供绝对可信、可依赖的智能开发场景
• 可靠：智能工具扩展与现有设施整合定制的成功案例

3. 改变开发形式：与 AI 协同编码

• 以“与 AI 协同”为目标的编码原则
• 关键技巧：编程过程中为模型提供更丰富的上下文
• 关键技巧：与 AI 进行“协同编程”的具体活动

4. 总结展望

• 智能化的发展的核心是“职责转移”
• 人与 AI 在编码领域未来的关系发展

实践痛点

从普通的代码推荐向大规模的代码生成的转变，实际上是在改变和重构人的工作习惯。一但一个技术需要用户改变，它就会存在“技术在前、用户在后”的反向状态。这一领域的产品，都遇到过“功能做得很好了，人就是不愿意来用”的尴尬情况，因此我们一直在试图填补用户习惯与产品能力之间的 gap。

演讲亮点

• 通过 IDE 做成块、成篇的代码推荐的交互形式
• 为了让编程现场和模型更好地结合在一起，有很多的细节与挑战
• 把 AI 从编程这个环节，推向更广阔的 Devops 链条，并与现成平台结合让用户真正受益的案例

听众收益

• 了解智能开发工具的进展，寻找适合自身场景的产品
• 以案例为主接触团队与组织落地智能开发的过程、困难与解决方案
• 从开发者角度加深对智能开发工具的认知，达到更好地与 AI 协同、提效的目的

在软件开发的生命周期中，自动生成单元测试成为提高代码质量和开发效率的关键技术。本次演讲将针对字节研发内部需求，基于大模型技术结合深度程序分析，实现存量及增量单元测试的自动生成。通过真实业务流量采集、单测框架能力和路径提升技术，有效解决单元测试的用例真实性和覆盖率问题，提升测试用例的生成效率和代码覆盖率。此外，在断言工程、语法修正技术和效果度量上，确保测试的准确性和可靠性；在支持快速迭代的开发流程中，显著提升研发效率和降低迭代周期。

演讲提纲

1. 现状痛点：介绍当前业务整体历史原因及日常研发当中编写单测对业务效率的影响，现有工具平台无法满足数据真实性及可测性的要求

2. 目标及挑战

• 目标：降低研发编写单测耗时，生成高价值用例
• 挑战：
  • 数据要求：要求生产的用例数据真实度完全贴合业务语义，同时需要构建出高质量的训练数据提升模型效果
  • 模型生成效果要求：在模型生成效果上对准确率、语义理解以及生成的通过率的要求

3. 数据质量提升

• 数据充分度提升
• 等价类提升思想
• 模型与程序分析的融合

4.  模型生成效果提升

• 模型工程整体架构
• 数据工程建设
• PE 工程及模型微调
• 评测工程建设及效果

5. 解雇哦度量及演示

• 效果度量总结
• 用例生成效果演示

6. 总结及规划

• 整体建设情况总结
• 问题与不足
• 规划   

实践痛点

• 数据充分度及生成的用例真实性上取决于业务系统产生的真实用例的数量和多样性，如果目标系统中能够获取到的真实数据流量较为有限，则可能使得生成的用例真实性变差

演讲亮点

• 技术优势：结合真实数据流量，通过深度程序分析和大模型泛化生成能力的优势，解决单元测试在日常研发中的编写慢、维护难的情况
• 模式优势：通过数据蒸馏及抽象化提炼高质量数据用于模型 SFT，结合真实业务数据并以深度程序链路分析为辅助，提升单元测试在生成效果上的可测性、数据真实性及用例有效性

听众收益

• 了解单元测试建设的新思路，提升业务单测生成质量和效率，行业间交流，扩展提效工具建设思路

随着大模型在各类场景的快速发展，面向运维数字化和智能化运维该如何选择，结合大模型使能运维应该怎么发展和实践是运维领域不得不面对的问题，本次演讲重点介绍华为云智能化运维的发展路线，同时围绕华为云大模型应用核心场景通过大模型面向运维故障处理场景支持运维知识问答，运维信息查询，大小模型协同故障诊断，故障预案推荐等多种应用场景提升故障处理人效 30%，详细阐述运维领域确定性意图路由，运维 RAG 引擎，多 Agent 运维 Skill 协同处理等技术方案和选型，同时面向未来构建运维数字助理提出核心方法。

演讲提纲

1. 华为云智能运维发展路线

2. 大模型使能运维场景

3. 华为云运维助手关键技术以及难点突破

• 基于路由编排和意图模型的确定运维意图理解
• 结合多检索策略运维rag实践
• 基于AIAgent实现运维助手和作业系统打通
• 运维高质量知识预料建设

4 面向未来华为云智能运维发展思考和规划

实践痛点

• 运维知识和语料治理难
• 大模型应用如何解决意图的确定性理解和生成内容的确定性，解决幻觉问题
• 运维助手如何和作业系统系统，解决大模型使能运维价值问题

演讲亮点

• 大模型使能运维全场景辅助建设思路
• 运维传统小模型和大模型协同计算
• 围绕大模型应用运维前沿 Prompt 和 RAG 工程

听众收益

• 了解大模型使能运维的关键技术细节
• 企业运维智能化转型思路，大模如何和企业现有流程融合

代码大模型被视为大模型在垂直领域落地的“低垂果实”，如今互联网大厂已经人手一个。但是，落地真的简单吗？旧有平台，代码大模型如何进行改造？Devin 工程师带来的研发模式颠覆，如何结合现有能力从头开始构建？最后，即使是编码领域，大模型就能打透吗？CodeFuse 代码大模型在蚂蚁落地已一年多，对这些问题也有了一些自己的见解。本次演讲从提升研发效能的场景出发，介绍基于大模型的蚂蚁智能研发体系，阐述相关的技术方案和选型，以及在大模型落地上工程领域上的实践及对应结果。

演讲提纲

1. CodeFuse在蚂蚁研发全生命周期提效的探索
2. 蚂蚁智能研发发展路线

• Copilot 模式，为公司内传统效能平台提供快速接入 AI 能力的方案
• Copilot + Agent 模式，将传统效能平台自身能力与大模型相结合

3. CodeFuse 研发助手关键技术以及难点突破

• 基于上下文感知学习 ( ICL ) 能力，解决模型幻觉问题
• 基于多智能体 ( multi-agent ) 协同对话能力，提升业务问答和业务代码生成的准确度
• 基于反馈飞轮，充分利用反馈数据进行模型自我强化及自动化学习

4. 未来软件研发领域发展方向思考

实践痛点

1. 大模型推理速度 以及 GPU 资源限制
2. Agent 模式下，研发过程的标准化与领域建模、平台协作
3. 代码补全模型与对话模型所需能力侧重点不同，在训练和 FT 上需额外考虑
4. 代码大模型线上评测集效果很好，但实际应用有 GAP，需要从工程上弥补

演讲亮点

1. 由大模型贯穿全生命周期的智能研发体系建设思路
2. 代码大模型领域最前沿的 Prompt 工程

听众收益

1. 了解蚂蚁研发助手的关键技术
2. 传统效能平台大模型改造方案

在过去一年中，我作为一名深耕性能工程多年的技术人，亲身经历了大家从“不理解”、“不接受”到把 AI 融入到技术工作、性能工程和产品中的全过程。在这场演讲中，我将揭示 AI 如何重塑技术流程的“下半场”，从技术知识管理的痛点出发，展示我们团队如何运用 AI 技术从简单的知识检索到知识飞轮，让性能分析变得高效。通过实际案例，您将看到 AI 如何协助我们解决棘手性能问题之外。更重要的是，在降本增效的大背景下，您将学习 AI 如何帮助我们聚焦有价值的性能问题。让我们一起探讨，在这个 AI 时代，如何让工程师们的工作更智能、更有价值。 

演讲提纲

1. 技术知识管理的下半场：沉淀与飞轮

• 开场：为什么现在是 AI 重塑技术流程的“下半场”
• 技术知识管理之痛：太耗时，莫回首
• 知识检索的进化：从 RAG 到基于腾讯云向量数据库的 GraphRAG  
• 知识应用的飞跃：从 CoT 到基于自然语言的 Workflow
• 案例分享：AI 重塑从性能分析到优化的流程  
• 知识沉淀：从信息到知识的质变
• 实战案例：AI 让 ToB 工单知识实现无痛飞轮  

2. 降本增效的下半场：聚焦与增长

• 显微镜下的聚焦：对于缺陷也是既要又要  
• 更容易：AI 知识飞轮到解决方案的无缝对接
• 案例分析：来自头部客户端的腾讯经验助力解决客户端闪退  
• 更聚焦：性能分析 + 增长分析的双轮驱动  

3. 未来展望：企业应用 AI 的私有化属性

• 定义提示词与知识库：构建技术团队 & 技术领域的专属能力
• 定义工作流程：以战养战，提炼核心竞争力

实践痛点

• 除了写代码，研发流程还有什么值得被 AI 重塑的
• 在降本增效的背景下AI本身就是个大成本，怎么让它变成降本增效的利器？怎么度量 AI 的价值
• 大家都忙疯了，AI 研发助手里面 RAG 资料怎么持续更新
• 研发的人力和战力有限，如何聚焦解决最有价值的技术问题

演讲亮点

• 揭示 AI 如何协助研发团队在降本增效背景下识别和聚焦核心问题
• 展示利用 AI 驱动的知识飞轮提升团队整体效能，包括 RAG 资料的自动更新机制
• 通过实际案例，展示AI与企业已经存在的内部技术平台无缝结合
• 探讨如何借助 AI 打造适配自身企业研发的独特核心竞争力

听众收益

• 学习如何利用 AI 技术在降本增效的压力下维持和提升团队战斗力
• 掌握运用 AI 分析能力，识别并聚焦解决最有价值的技术问题的方法
• 了解利用自然语言来产生如工作流一样的有价值的 AI 输出的技巧

目前智能体（Agent）已经成为人工智能基础能力落地的重要一环，在应用端，智能体能够为使用场景提供更加可靠的推理结果或执行任务，在生产端，智能体及其相关的实践范式可以在软件开发、药物研发等生产阶段，利用其生成和推理能力，提供相比单 AI 接口或智能体更高的生产力。同时，大语言模型在生成内容准确度、推理准确度上的某些短板，可以由多智能体（Multi-Agent）进行填补，未来基于大模型的智能化系统将越来越依赖小粒度的智能体生成和推理能力。除了少量智能体所提供的独立功能以外，在生产过程中，如何管理和调度多智能体之间的互动并得到可靠的结果，在现阶段是一个需要突破的挑战。本次演讲将分享在多智能体应用环境下，我们可能遇到的挑战，以及应对措施，研究如何使智能体之间能够通过高效的通讯以及对结果、提示词（Prompt）的自动优化，达到智能体可以和人一样自动学习和升级的能力，最终大幅优化甚至重塑生产流程。

演讲提纲

1. 传统软件研发流程 VS 基于 AI生成的研发流程

• 以 GitHub Copilot 为例剖析 Multi-Agent 模式的重要性
• Agent 在 DevOps 及 SRE 中的实践和应用
• Agent 的 ROI

2. 颠覆路线中的要素以及难题和解决方案

• 提示词工程应用问题：PromptRange
• Multi-Agent 交互控制问题：AutoGen+
• Agent 拥有的知识采集和更新问题：AgentManager
• 人的影响：SSC

3. 新的生产工具需要什么样的基座进行支撑？

• 操作端：IDE
• 应用管理端：NeuCharFramework
• 计算资源和能力调度：Senparc.AI
• 数据储存和管理
• 社区和开发者

4 . 总结展望

• 多智能的开发和应用对未来生产模式的影响
• 生态系统的构建与最佳实践
• 人机协同的未来

实践痛点

1. 对所选模型本身的了解（无论是外部模型或私有化部署模型）
2. 对于适用场景的理解
3. 对于数据的理解很重要，另外对于更为复杂协同工作，需要更规范的信息化基础

演讲亮点

1. 包含目前最前沿的 Agent 相关项目展示和原理介绍
2. 基于开源生态的 Agent 工具在实践上将更具落地的可行性和安全性

听众收益

• 了解目前 Agent 最前沿的研发动态
• 对于希望加入 Agnet 的开发、产品设计人员，能够更清晰地了解其内部原理、难点、适用性以及最佳时间和技术路径
• 所介绍的开源项目将帮助技术人员更高效地完成项目落地

在 AI 时代，我们重新挖掘了前端开发的提效方向，从去哪儿网的三大业务场景：机酒主流程业务、营销业务、后台服务三大业务场景，提出了 D2C 方案和基于 AI 生成后台代码的方案。

D2C 方案中，我们着重解决了代码的可用性，包括固定宽度、布局精准划分、代码语义化等方面进行了代码健壮性和可维护性的提升，代码可用率达到 80%，业务需求出码率达到 40%。

基于 AI 生成代码的方案中，需求文档和接口 API 组成的 Prompt，依赖 GPT 生成页面渲染和业务逻辑代码，重点解决了 Prompt 的高效生成以及复杂页面代码的有效生成，业务需求代码出码率达到了 60%。

本次演讲围绕去哪儿网三大业务场景的前端代码生成的方案，涵盖了代码生成中的难点和解决思路、AI 的应用和业务的应用提效等，希望能给大家带来一些帮助和思考。

演讲大纲

1. 前端开发方式的现状和目标

• 前端代码生成的价值和目标
• 覆盖去哪儿网三大业务场景
• 机酒主流程业务、营销页面和后台服务系统
• 不同业务场景技术方案选型

2. 主流程、营销页面场景代码生成方案

• 基于设计稿生成代码
• 系统架构
• 如何生成开发质量高的代码
• AI 在提升代码质量上的应用

3. 后台服务系统代码生成方案

• 基于需求描述和接口 API 生成代码
• 基于 AI 生成渲染和业务逻辑代码
• 提示词优化和自动生成
• 复杂页面的生成优化

4. 在生产环境的应用效果

• 三大业务场景代码出码率
• 对前端 WorkFlow 的提效

5. 未来规划

• 主流程多端代码转换
• Prompt 智能生成

实践痛点

• 设计稿生成代码，在代码的质量和健壮性上，需要进行大量的边界 Case 打磨和优化，目前还有进步空间
• 基于 AI 生成代码，Prompt 的编写有一定成本，如何进行高效的 Prompt 编写，也是在摸索中进行了一些优化

演讲亮点

• 设计稿生成代码在传统算法方案的基础上加入 AI 应用
• 覆盖的业务范围更广，有实际应用效果

听众收益

• 了解 AI 在设计稿生成代码中的应用突破
• 了解基于 AI 生成代码的实际使用场景和应用效果
• 了解代码生成过程中遇到的难点和解决方案