专题演讲嘉宾：向邦宇

智能研发是快速发展又充满挑战的领域，除了卷上天的代码补全，基于代码的普通会话等场景外，还有基于大模型的 CodeReview，单测生成等能力陆续被开发出来并投入使用，也有部分团队开始探索端到端的生成代码，不过，随着大家在产品上越多的探索的，大家却大模型解决复杂问题越来越没什么信心了，问题究竟出在哪儿呢？是模型能力的问题还是发展阶段的问题？在智能化发展的现阶段我们应该做些什么呢？本演讲将结合在阿里内部的探索经验介绍大模型在各个发展阶段遇到的问题和解决思路。

演讲提纲

1. 阿里大模型的应用与挑战

• 应用场景与问题解决

  • 阿里在哪些领域利用大模型解决了什么问题

  • 大模型在阿里内部的用户提效场景

  • 数据驱动产品迭代：从 0 到 1，从 1 到 10 的实现路径

  • 业务驱动：智能插件与大模型在垂直业务中的应用及问题解决

• 面临的挑战

  • 交互、工程和数据上的困难

  • 垂直需求的自动化实现难题

  • 用户需求描述与业务隐性知识的挑战

  • 研发规范缺失与数据整合问题

  • 用户期望与实际应用的差距

  • 工程与业务上下文的整合难题

2. 技术架构与核心能力

• 架构设计与能力构建

  • 在代码补全上能力上同时对标 Github 和 Cursor

  • Promot 市场解决 IDE 的拓展

  • Extensions 市场帮助解决垂直业务问题扩展

• 基础能力提升建设

  • 仓库索引和仓库 Embedding 的基础能力建设

  • Prompt 设计与调优

3. 实践效果与案例分享

• 典型应用场景

  • 展示大模型在阿里内部的成功应用

  • 真实案例的演示与分析

4. 经验总结与建议

• 工程实践心得

  • 大模型应用中的常见问题与解决方案

  • 业务与技术结合的最佳实践

5. 未来展望

• 发展方向与创新

  • 大模型在阿里及业界的未来趋势

  • 持续优化与创新的路径

您认为，这样的技术在实践过程中有哪些痛点？

• 外部的智能化产品很难接触到企业内部研发平台的数据
• 企业内部的研发平台积累的历史数据存在数量不够和质量不够的两大问题，都给大模型使用带来困难
• 在复杂任务的实现过程中，而用户往往很难把需求描述清楚，这导致 Agent 的生成效果不尽如人意

演讲亮点

• 理性、客观地阐述大模型很难解决复杂研发问题的原因与解决思路。

听众收益

• 阿里内部的智能化产品是如何数据驱动和业务驱动智能化产品发展的，有哪些可借鉴的经验
• 了解当前大模型解决复杂问题上到底遇到了什么问题
• 了解内部智能化产品和工具存在的意义是什么，相比起外部第三方产品有哪些优势