在大模型落地最直接的研发场景中，百度在哪些场景有过探索，产生了明显的收益。随着模型规模不断扩大，模型训练成本不断增加的背景下，如何通过工程化的手段，更好的提升推理效果，工程团队如何平衡工程和模型训练的投入产出，是文心快码的首要任务。此外，从组织维度上，为了更快更广泛的落地大模型对研发流程的提效，又需要做哪些事。这些我都将在本次演讲中跟大家分享。

演讲提纲

1. 大模型在研发的流程中如何助力开发者提效

• 大模型在研发领域的落地场景介绍
• 智能体如何更进一步的提升开发效率

2. 在代码生成场景，如何通过工程化的方式，提升模型的推理效果

• 相同模型，如何通过不同的提示词来提升效果
• 文心快码在丰富上下文中的探索经验

3. 脱离技术，如何从组织维度指导和提升人机协同

• 人机协同的定义与原则
• 组织维度落地人机协同范式的经验

4. 未来展望

您认为，这样的技术在实践过程中有哪些痛点？

• 模型的上下文窗口长度有限，如何识别相关的知识
• 对于续写这类需要更快返回的场景，如何平衡输入输出与推理耗时
• 人机协同范式的制定，是否是约束开发者的陈词滥调

演讲亮点

• 文心快码在上下文丰富和智能体中的探索和经验
• 百度在大模型提效研发流程落地过程中总结的人机协同范式

听众收益

• 了解大模型和代码助手类产品在百度的落地场景以及实践
• 深入到代码生成的场景，哪些上下文有助于提升推理效果
• 了解人机协同范式，如何更好的和 AI 协同