《中国信通院&贝壳：2025基于AIGC的智能化多栈开发新模式研究报告（46页）.pdf》由会员分享，可在线阅读，更多相关《中国信通院&贝壳：2025基于AIGC的智能化多栈开发新模式研究报告（46页）.pdf（46页珍藏版）》请在三个皮匠报告上搜索。

1、贝壳找房（北京）科技有限公司中国信息通信研究院云计算与大数据研究所2025年4月编写委员会编写委员会编写单位编写单位总主编总主编贝壳找房（北京）科技有限公司项旭中国信息通信研究院云计算与大数据研究所韩思齐编写组编写组特邀专家特邀专家贾琳、王浩、原玉娇、李琦、李灵芳朱少民序一：编码世界的智能变革序一：编码世界的智能变革人工智能正以前所未有的速度重塑软件开发范式，将传统的编程方式带入一个崭新的时代。从历史长河中审视技术演变，我们可以清晰地看到软件工程方法论的三次重大变革：结构化编程的兴起、面向对象与敏捷方法的普及，而今天，我们正站在第三次变革的浪潮之巅由大模型、多智能体协作与知识检索增强所驱动的智

2、能化开发新纪元。在这场技术革命中，大型语言模型(LLM)已从单一辅助工具迅速进化为开发者的核心伙伴。通过在预训练阶段引入抽象语法树(AST)、代码依赖关系等结构化数据，新一代代码生成模型获得了前所未有的上下文感知能力。结合检索增强生成(RAG)技术，这些模型能够精准检索海量代码库与技术文档，为开发者提供符合项目架构与企业规范的代码方案。这种融合不仅大幅缓解了大模型的幻觉问题，更使生成的代码能够无缝融入既有系统，真正满足业务需求的复杂性与独特性。想象这样的工作场景：工程师早晨通过自然语言描述需求，多智能体协同自动生成初始代码框架；当她着手业务逻辑时，AI已预测其意图，提供符合企业规范的代码建议；

3、面对陌生技术领域，RAG系统即时检索企业知识库，为她提供最契合当前场景的参考示例；到了验证阶段，进化型GUI智能体自动探索各种边界场景，生成全面的测试报告。这不是遥远的科幻场景，而是正在各先进企业中逐步落地的工作模式。在这个新时代，工程师的角色正悄然转变，从码农到编排师，从执行者到设计者。过去我们推崇T型人才，而今天则是型人才甚至星型人才的时代。单栈专家逐渐让位于多栈通才，这种转变并非源于市场强制，而是技术赋能的自然结果当LLM能够帮助跨越技术栈障碍，当RAG能够将企业知识无缝注入工作流，多栈开发不再是奢望，而是水到渠成的工作方式。这也意味着，未来的软件工程教育不应仅局限于编程语言和算法，还应

4、包括如何与AI协作，如何管理智能体，如何构建企业级知识图谱以支持智能化开发。本报告系统阐述了基于AIGC的智能化多栈开发新模式，从技术前沿到落地实践，从组织变革到人才培养，提供了一套完整的思路与方法。特别值得称道的是，报告不只停留在理论层面，更通过贝壳的实践案例，展示了智能化多栈开发模式带来的实际价值：代码量同比增长22.7%，需求研发周期却降低了10%，充分证明了这一模式的可行性与有效性。朱少民，同济大学特聘教授、CCF杰出会员序二：让序二：让AIAI真正成为组织进化的加速器真正成为组织进化的加速器行业浪潮：行业浪潮：AIAI正在重写软件开发的底层逻辑正在重写软件开发的底层逻辑当Devin在

5、2024年首次展示AI自主完成完整开发任务时，全球开发者被点燃了，当deepseek在25年初发布时，普罗大众被点燃了，这个行业发展是如此之快，尤其进入25年初，从各类模型能力，ide产品能力，端到端通用解决方案（如manus），创新开始加速呈现，全球开发者既兴奋又焦虑。AI在软件工程领域会是怎么一种颠覆，企业组织和个体在这个过程中会发生多大的变化，一年后的今天，答案逐渐清晰：AI不是取代工程师，而是重塑研发组织的核心生产力。从代码生成、测试自动化到跨栈协作，AIGC正以“工具革命”为起点，推动一场“组织能力升维”的深层变革。然而，这场变革的复杂性远超预期：个体工具的高效性与组织整合的复杂性形

6、成鲜明反差，单点提效的“局部最优”与企业级落地的“全局最优”之间横亘着巨大鸿沟。企业实践：务实落地的企业实践：务实落地的“破壁方法论破壁方法论”探索出一条AI驱动研发效能的务实路径，对于企业来说是非常有挑战的，一些好的经验是通过构建覆盖需求、开发、测试、交付全链路的智能研发平台，让工程师体验到“AI伙伴”的真实价值：初级开发者借助自然语言生成全栈代码，测试工程师通过语音指令完成跨端验证，需求评审会上AI自动拆解任务优先级这些“个体美好画面”背后，是组织能力的系统性重构。AI工具的个体赋能也仅是起点，组织层面的工程化落地才是真正的“深水区”跨部门协同的摩擦成本、技术债务的指数级增长、复合型人才的

7、培养周期，每一项挑战都需要“工具+流程+文化”的系统性解法。未来图景：全数字化团队的未来图景：全数字化团队的“人机共生人机共生”新常态新常态我们坚信，未来十年将是“数字研发团队”与人类工程师深度协同的黄金时代。当 80%的常规需求由AI自动交付，工程师的核心战场将转向两大领域：人类专注于架构设计、业务创新与高精尖问题攻坚，AI负责将创意快速转化为可执行方案；企业专属的“知识飞轮”持续进化，每个工程师都能调用组织历史经验与行业最佳实践。而实现这一愿景的关键，在于构建“柔性组织架构”：以虚拟小组为核心，动态整合AI工程师、技术专家与业务决策者；以前沿工具为杠杆，将开发、测试、运维的线性流程进化为并

8、发的“智能工作流”。致行业：回归本质，向致行业：回归本质，向“真效能真效能”要答案要答案本报告未提供“颠覆性神话”，而是沉淀了一套经过验证的落地框架：从智能工具链的设计原则，到多栈人才的能力模型；从组织文化的运营方法论，到效能度量的量化体系。期望与行业同行者共同探索：如何让AI工具从“提效外挂”升级为“组织能力基座”？如何构建可持续进化的“AI型组织”，让效能提升曲线持续陡峭？正如报告案例实践中验证的：当AI与组织转型形成共振，效能提升将呈现惊人的“曲棍效应”前6个月蓄势，后12个月垂直增长。这场变革没有捷径，但每一步都通向更高效的未来。项旭，贝壳技术效能中心高级总监嘉宾推荐语嘉宾推荐语作为产

9、业互联网企业，我们有比较重的线下业务、具有全国运营体系，同时我们又都拥有互联网企业的科技基因，比如技术、产品的追求，我们倡导“easytouse”、“worldclassproduct”、“AI Anywhere”、“Full Stack”等很多研发理念。大模型带来了很多技术革命，菜鸟也在积极拥抱变化，建设 All in AI的产研文化，在大模型赋能软件研发方面，也进行了大量落地尝试。本报告从技术发展、产业融合、实践落地等多个角度阐述了大模型对软件代发智能化带来的深层次影响，通过我们多年的落地探索及与本报告的编者交流，我们兴奋的发现，很多业界同仁也在像菜鸟一样积极探索落地，比如贝壳，贝壳和我们

10、在2024年做过一次深入的现场交流，贝壳在大模型赋能产研方面做出了很多自己的特色，通过文化运营、人才培养、AIGC工具研发等多方面努力，实现了研发模式的迭代，让AI技术与业务深度融合带来了深刻的产业价值，相信AGI的发展一定会重构企业的产研流程，带来新的产研范式革命。李强李强 菜鸟菜鸟CTOCTO-软件开发是一个建立现实世界的解决方案到计算机系统中映射的过程，也是一个综合了多种类型任务的复杂过程。软件自动化的目的是希望尽可能减少这一过程对人类劳动的依赖，将人类从繁重的软件开发劳动中逐步解放出来，从而把宝贵的时间和精力投入更加有创造性的工作中。以大模型为代表的人工智能技术为这一目标的实现带来了重

11、要的契机，使人们有机会借助AI系统来替代软件开发中的部分劳动，从这个意义上讲，这是又一次人类解放自身劳动束缚的探索。虽然，到目前为止，以大模型为代表的人工智能技术还远远未能达到我们所想象的软件自动化场景，但在某些领域内的实力企业已经结合自身实际情况，用AI创新性地改造自身的软件交付流程，取得了业务交付效率的显著提升，并随之带来了实实在在的用户价值。本报告从企业开发团队的视角，提供了一个可供参考的人工智能赋能软件开发的实践案例，值得借鉴。李戈李戈 北京大学博雅特聘教授北京大学博雅特聘教授-“AIforTesting”正从基础自动化工具进化为软件质量工程的战略级伙伴。在测试用例生成上，通过大模型结

12、合RAG增强检索等技术可显著提升测试用例的生成效率与覆盖率。在UI自动化领域，通过视觉语言模型对页面元素的动态解析，结合强化学习驱动的自愈机制，使测试脚本维护成本显著降低。更进一步，多智能体协同测试范式正在重构工作流需求解析智能体、用例生成智能体、异常归因智能体形成有机协作网络，我们看到工程师角色定位正发生改变。这种进化不仅缓解了传统自动化测试的“脆弱性陷阱”，更通过实时知识反哺机制，形成伴随软件演化的自适应能力。同时，“AIby Testing”为打造更加安全可靠的人工智能和可信软件工程提供重要技术支撑，智能化测试的发展也将推动产学研的深度结合。本报告揭示了测试工程师的核心竞争力迁移路径：从

13、脚本编写转向AI协同思维、领域建模能力与质量洞察力的融合，通过智能测试技术解决工业界的现实挑战，为智能时代的质量保障体系演进提供了重要路标。陈振宇陈振宇 南京大学软件学院教授、慕测平台南京大学软件学院教授、慕测平台()()创始人创始人-AI大模型的强大能力为产业转型升级带来了巨大机遇，同时也存在许多挑战。目前来看，多模态大模型、推理大模型、大模型开源以及AI Agent都是未来大模型技术的发展趋势。从纯语言到多模态，从基础模型到推理模型，是人类迈向更通用、更智能AISystem的关键。阿里云在大模型建设上成果丰硕，且坚持把所有模型开放开源。目前，基于阿里通义千问衍生出来的模型有9 万个，处于世

14、界前列。”阿里云智能编码辅助工具通义灵码于2023 年10 月 31日在云栖大会上正式对外发布，2024年4月AI程序员通义灵码正式成为阿里云AI001号员工，标志着其 正式进入企业应用阶段。大模型重构软件开发是一场研发范式的革命，本报告较为详细的描述了智能化多栈的新模式，为大模型赋能软件工程，进而带到产业智能化升级提供了实施方案。叶杰平叶杰平阿里巴巴集团副总裁、大数据和智能实验室负责人阿里巴巴集团副总裁、大数据和智能实验室负责人-在AI for SE 时代，软件工程开发正在发生深刻变化。对于工程师个体而言，代码大模型可以让一个初级的开发者，通过自然对话具备一定程度的编码能力，个体之间的能力差

15、异被大模型拉平，实现了基础编码能力的知识平权。开发者与代码大模型之间形成“结伴工作”的共存关系，开发者通过运用代码大模型及相关工具实现沉浸式开发，最终达到软件开发效率与质量的双重跃升。在整个软件工程开发全周期中，AI技术的渗透也越来越深入，深度学习技术被用于代码生成和补全、缺陷检测和自动修复；自然语言处理技术被用于需求分析、代码审查和文档生成等环节。在企业软件开发场景中，代码大模型应用提效增质效果显著。腾讯也在加速代码大模型领域的布局。目前，腾讯云AI代码助手可以为开发者、开发团队及企业客户提供安全合规、高粘度体验的编码场景AIGC服务。目前，腾讯集团已经有80%的程序员使用腾讯云AI代码助手

16、实现开发提效。本报告中提到的 AIGC软件开发的落地实践的很多内容，都让我感同身受，作为从业者，希望能跟大家一起推动AI for SE的持续进步。刘毅刘毅腾讯云开发者产品总经理腾讯云开发者产品总经理-目录目录0101 背景：背景：AIGCAIGC推动全球软件开发智能化推动全球软件开发智能化1.1.AI开发工具在全球加速落地.11.2.AIGC全面赋能软件开发全流程.20202 挑战：传统开发架构的转型阵痛挑战：传统开发架构的转型阵痛2.1.工具：开发工具分散，导致研发流程自动化能力不足.32.2.人才：研发能力“竖井”，无法满足多样化开发需求.42.3.度量：现有数据体系无法应对智能化研发下的

17、观测体系.42.4.组织：变革和创新氛围需要强有力的组织支撑.40303 愿景：基于愿景：基于AIGCAIGC的智能化多栈开发新模式的智能化多栈开发新模式3.1.建设愿景.53.2.建设价值.50404 路径：全方位建设企业智能化开发体系路径：全方位建设企业智能化开发体系4.1.建设原则.84.2.组织文化.94.3.智能研发平台.94.4.多栈工程师.134.5.效能度量体系.184.6.实施要点.190505 展望：多栈模式永葆组织业务创新活力展望：多栈模式永葆组织业务创新活力5.1.工程师效能革命.225.2.组织能力跃升.225.3.合作范式革新.220606 附录附录230707 致

18、谢致谢36基于基于AIGCAIGC的智能多栈开发新模式的智能多栈开发新模式1.1.背景：背景：AIGCAIGC推动全球软件开发智能化推动全球软件开发智能化随着数字化进程加速，软件需求爆发式增长，传统开发模式面临效率瓶颈。AIGC的出现恰逢其时，它依托先进的算法和海量数据，能够辅助甚至替代部分人工编程工作。例如，在代码生成、测试用例设计、软件架构优化等方面，AIGC都能发挥作用。这种智能化的开发模式不仅能大幅提升软件开发速度，还改变了原有的开发模式，形成了一种智能多栈开发模式，即工程师交付需求时，不再拘泥于技术栈的限制和专业分工，开始借助AI能力跨多个技术栈进行开发，根据需求灵活切换不同技术角色

19、以高效完成交付，适应了快速多变的市场需求，进而重塑全球软件开发格局。1.11.1.AIAI开发工具在全球加速落地开发工具在全球加速落地2024年政府工作报告明确提出，要深化大数据和人工智能的研发应用，推动“人工智能+”行动的实施，致力于打造具有国际竞争力的数字产业集群。在制造业、工业互联网以及服务业等领域，数字化转型的进程正在不断加速。多项调研报告进一步验证了这一趋势。根据CSDN、StackOverflow等权威平台的调查分析，当前各行业对AI应用的需求日益增长，相关技术的研发活跃度也显著提高。2024年3月，CSDN&新程序员发起了一份围绕开发者现状、人工智能和开源的深度调查问卷，最终形成

20、了一份详尽的2024中国开发者调查报告。该报告指出超九成开发者对行业中已有的 AI 工具打出 5 分及以上（满分为 10分）的分数，38%的开发者觉得 AI 编码辅助工具可以节省 20%-40%的工作量Stack Overflow在2024年7月发布的年度开发人员调查显示，76%的受访开发者已在使用或计划使用AI智能工具，尽管只有43%的人表示信任其准确性，45%的开发者认为AI智能工具在应对复杂任务方面存在一定挑战。这表明，尽管AI智能工具在开发过程中逐渐普及，但在可靠性和复杂任务处理上仍需进一步完善。数据来源：Stack Overflow图图 1 1：A AI I工具处理复杂工具的能力调研

21、工具处理复杂工具的能力调研1.21.2.AIGCAIGC全面赋全面赋能软件开发全流程能软件开发全流程AI智能开发工具在编程领域的地位愈发关键，Cursor、GitHubCopilot等业界知名产品，早已突破基础的代码补全功能，进阶为功能完备的开发助手。仰仗更为先进的语言模型，诸如DeepSeek等，这类工具不仅具备代码理解与生成能力，还能阐释代码片段、炮制单元测试，甚至支持语音交互编程。这般拓展，全方位优化了开发体验，还针对棘手难题给出解决方案，已然从单纯的代码助手蜕变成为全流程开发伙伴。同时，AI智能工具深度融入软件开发生命周期各环节，贯穿代码编写、测试、部署，直至维护的全流程，在开发流程各

22、个场景均得以广泛运用：敏捷开发提速与响应敏捷性增强敏捷开发提速与响应敏捷性增强：AI工具将代码生成、单元测试编写这类日常任务自动化，削减了开发人员在重复劳作上耗费的精力。以 GitHub Copilot 为例，其自动生成代码片段、实时给出建议，助力开发者聚焦核心功能与设计，由此加快敏捷迭代节奏。借此，开发团队得以迅速响应快速更迭的业务需求，交付的敏捷性显著提升。协同工作流优化升级：协同工作流优化升级：AI 的融入让团队协作愈发高效。拿 GitHub Copilot 来说，它借助自动化代码审查、拉取请求描述生成，消弭了开发者间的沟通阻碍，精简协作流程。此外，AI 输出的智能化建议与代码规范检查，

23、有助于保障团队开发的一致性，削减代码冲突，从根源上优化代码质量与可维护性。测试与部署智能化变革：测试与部署智能化变革：AI 驱动的持续集成/持续交付（CI/CD）工具，有能力自动化生成测试用例、落实代码检查，部署之际还能给出智能化反馈。开发团队因而能更快揪出问题并做出调整。例如，代码提交瞬间，AI 便可自动触发测试，排查潜在性能隐患或安全漏洞，促使部署流程愈发高效、稳健。2.2.挑战：传统开发架构的转型阵痛挑战：传统开发架构的转型阵痛从传统化开发到智能化开发的巨变中，企业软件开发正经历前所未有的转型。在这一过程中，企业不仅需要应对技术的快速迭代和人才短缺的难题，还需在提升开发效率、保证系统安全

24、性和灵活性等方面找到平衡。然而，智能化开发也为企业带来了巨大的机遇，通过自动化、智能化的工具和方法，企业能够大幅提升创新能力，优化业务流程，并创造更多的价值。图图 2 2：企业软件开发智能化转型能力金字塔模型：企业软件开发智能化转型能力金字塔模型2.12.1.工具：开发工具分散，导致研发流程自动化能力不足工具：开发工具分散，导致研发流程自动化能力不足工具链的分散格局，给AI驱动的多任务岗位带来显著挑战。学习成本与复杂流程，不仅加重个人负担，还致使系统风险加剧，构建统一、易用的多任务处理工具平台显得尤为重要。当下，主流应用工具繁杂，开发人员执行单一需求任务时，需跨多个平台开展环境部署、编码、测试

25、、文档维护、部署启动、日志检查及性能监控等工作，跨平台与跨领域特性使其极具挑战性。具体挑战包括：协同效率问题：在项目开发过程中，不同角色之间的等待和沟通协调导致交付周期延长。例如，一个项目可能需要10.5人天的开发时间，而联调则需要额外的4.5天，期间还可能出现等待时间资源分配问题：重点项目占据多数资源，小型关键需求常被忽视，或搁置或依赖加班推进，还产生任务切换成本，反映出资源协调的缺陷，亟待优化整体资源规划分配，提升研发流程效率与响应能力单点依赖问题：由于不同岗位的资源饱和度不同，关键角色缺失易使需求推进受阻，凸显研发体系脆弱性，需强化资源规划稳健性2.22.2.人才：研发能力人才：研发能力

26、“竖井竖井”，无法满足多样化开发需求，无法满足多样化开发需求在过往软件开发模式下，工程师的能力被精细划分，专注于特定环节，形成相对封闭的专业“竖井”。随着人工智能深度融入业务，开发、部署、维护等环节的界限逐渐模糊，需要紧密衔接与协同运作。传统框架下的工程师，习惯聚焦单一技能领域，难以适应这种端到端的连贯流程。例如，习惯于单纯编码的开发人员，可能对后续的部署环境配置、云资源调配一知半解，导致项目交接时出现知识断层与效率损耗。企业追求快速迭代和持续交付，这要求开发团队能迅速响应需求变更、修复漏洞，并即时优化性能。在跨环节协作时，传统框架培育的单一技能型人才会导致沟通成本骤升，拖慢整体推进节奏，致使

27、企业错失创新机遇，难以迅速适配市场的动态变化。而且，各团队内部组织结构与技能分布本就参差不齐，用户群体对系统性能、功能期望各异，传统固化的能力框架缺乏弹性，难以针对性整合技术栈，来契合这些差异化的状况，使得企业软件开发在新环境下步履维艰。2.32.3.度量：现有数据体系无法应对智能化研发下的观测体系度量：现有数据体系无法应对智能化研发下的观测体系研发活动每日都会产生海量原始数据，涵盖代码变更记录、测试反馈、用户需求细节等，但当下多数企业缺乏规范的数据记录机制。各部门、各岗位产出的数据分散存储于个人设备、局部系统中，没有统一入口与标准格式。而且另外一个比较突出的问题是，现有数据难以应对智能化开发

28、下的观测方式。如何设计并有效落地一套全面的适应智能化研发趋势的研发效能指标体系，就显得尤为重要了。通过明确的指标设计、系统化的实施举措以及持续的优化和改进，能够显著提升研发效率和成果质量，实现可持续发展，也可以激发全员的参与和数据驱动的管理思维，确保指标体系真正为研发团队和企业创造价值。2.42.4.组织：变革和创新氛围需要强有力的组织支撑组织：变革和创新氛围需要强有力的组织支撑首先，落实AIGC智能开发需要企业拥有科技创新的氛围，能够拥抱新技术，创新产品和模式不是一蹴而就的，这就需要企业在技术战略、AI战略方向足够笃定。其次，有的企业存在较为严重的部门墙，资源无法共享，致使存在很大的创新壁垒

29、，而往往创新型产品和模式需要多部门的协同共建，以 AIGC 代码生成为例，涉及到基础资源、优质代码数据、模型训练、工程建设等，这就需要打破部门墙，各个部门之间能够真正的做到互惠互利，共享创新成果，这样才能涌现出更多、更好、更实用的产品。3.3.愿景：基于愿景：基于AIGCAIGC 的智能化多栈开发新模式的智能化多栈开发新模式在数字化转型全面加速、技术革新日新月异的时代浪潮里，全球软件行业正站在十字路口：一方面，海量且复杂多变的用户需求如潮水般涌来，对软件的功能丰富度、响应速度以及迭代频率都提出严苛标准；另一方面，传统软件开发模式受困于流程冗长、技术栈单一、部门协同滞涩等难题，已难以招架当下的挑

30、战。在此背景下，打破旧有枷锁、融合前沿技术，构建一套全方位整合资源、深度优化流程、持续高效产出的智能化多栈开发新模式，无疑成为构建企业数字化转型核心引擎、催生新质生产力的关键依托，为企业在数字化浪潮中强化敏捷开发、提升协同效能、深挖数据价值注入澎湃新动能，助力企业从容应对复杂多变的市场需求，迈向高质量发展的新征程。3.3.1.1.建设愿景建设愿景基于 AIGC 的智能化多栈开发新模式，是以持续、快速、高标准交付用户价值为导向，以智能研发平台建设、多栈人才及能力培养、研发效能建设、组织文化宣导为抓手，构建的一套革新的软件开发体系，旨在通过不断提升组织创新活力、工程师效能，确保软件开发体系时刻与业

31、务深度融合，支撑及牵引业务走向成功。图图 3 3：基于：基于 AIGCAIGC的智能化多栈开发新模式框架的智能化多栈开发新模式框架3.23.2.建设价值建设价值在AIGC技术的推动下，企业在研发与交付过程中的质量和效率正在发生新的飞跃。“多能型、万金油型”人才的多栈工程师，借助AI智能工具极大提升了个体的效能，同时必然促进新的团队协作方式的产生和协作效率的明显提升，从而构建出基于 AIGC的智能化多栈开发新模式，重新定义软件交付及组织。这些机会不仅为企业赋能，也为行业创新奠定基础。3.2.13.2.1 工程师：个体效率与体验提升工程师：个体效率与体验提升降低岗位门槛降低岗位门槛：AI智能工具助

32、力工程师轻松生成前后端代码、完成测试用例，借助AI自动完成交付，并在实践中持续优化交付流程。这不仅降低了跨技术栈的门槛，使部分业务工程师个体独立交付成为可能，也大幅提升了工程师个体的交付效率。在贝壳的多栈实践中，其智能研发工具 CodeLink 以Agent 模式允许用户仅需用自然语言描述需求，即可自动使用 HTML、JavaScript、Java多种技术栈创建完整的项目文件，甚至具备良好的分层结构，并能依据新的对话指示，再次扫描帮助工程师发现一些质量问题并自动化修复。这种对话即编程的特性，使不具备专业开发背景的业务人员也能独立完成全流程交付。大大降低了岗位门槛，使业务人员的工程交付能力得到显

33、著提升提升工作体验提升工作体验：AI智能工具通过自动完成大量规律性、重复性任务，为工程师释放出更多的经历，让他们专注于更具创造性的部分。在贝壳，通过CodeLink进行代码CR 和规范指导已成为工程师的研发习惯，智能用例生成可以促进代码的持续优化，以大幅减少工程师在质量保障和编码规范上的工作量，而业界也有GitHubCopilot和Replit等AI能力降低代码优化、多人协作等场景的优秀实践，这些能力可以帮助工程师获更高的工作成就感。新型成长曲线新型成长曲线：对于初级或面临岗位调整的工程师，AIGC技术降低了学习曲线，通过提供即时的业务知识解答、代码建议、测试方案建议和各类最佳实践指导，可以帮

34、助工程师快速上手复杂业务。这对于多栈工程师培养、团队内部挖潜有深远意义，有助于工程师在最短时间内融入业务形成战斗力，为企业创造更大价值。3.2.23.2.2 组织：协作与交付效率提升组织：协作与交付效率提升更快的产研流程更快的产研流程：AI智能工具在研发、测试阶段的持续赋能，显著缩短的需求的交付周期。基于GitHub的统计，Copilot也有30%左右的编码提效，大幅提升开发的敏捷性。团队可以在更短的时间内实现从需求识别到上线交付的全过程，满足业务快节奏的交付需求。灵活的协作模式灵活的协作模式：AI赋能的多栈工程师不仅能够胜任单一岗位的任务，在企业重点项目出现特定岗位缺失，或孵化新型项目时，多

35、栈工程师可以快速“变形”完成技术资源拼图，使得企业拥有更有厚度的技术资源池。同时，多栈工程师会增进各业务及岗位间交流，促进企业技术栈的标准化与发展，推动形成更为扁平和高效的组织协同方式。更高质量的交付更高质量的交付：随着AI智能工具的持续进化，从需求到交付过程各环节的自动化和智能化占比持续提升，这不仅提高了交付效率，也显著提升了产品的整体质量。在贝壳，数字员工在代码审查、质量分析、从需求理解到用例探索测试等多环节对业务赋能，显著降低了业务需求的缺陷率。通过AI赋能的质量管控能力和机制，贝壳产研实现了高效高质量的需求的交付，提升了企业的市场竞争力。3.2.33.2.3 企业：数据驱动的决策与优化

36、企业：数据驱动的决策与优化数据驱动的决策制定数据驱动的决策制定：智能化多栈开发新模式下，通过收集与整理开发过程数据，AI不但能够分析质效过程指标，识别瓶颈与改进点，还能基于历史数据与经验对产研各环节主动监督，帮助企业探索创新型解决方案，这种数据驱动的决策方式将大大提升决策的效率与准确性。智能预测与路径规划智能预测与路径规划：AI工具根据历史数据和项目需求预测项目进度与资源需求，通过合理规划开发任务与资源分配，组织能够提升资源利用率和项目成功率。这种基于数据驱动的项目实施路径预测与规划不仅降低了决策风险和管理成本，还提升了组织灵活性和响应速度。组织效能的持续优化组织效能的持续优化：AI型组织能够

37、基于数据进行持续的自我进化，通过不断优化产研流程、AI智能工具和团队的协作方式，组织能够向更高效、更智能的方向发展。这种持续优化与迭代的文化氛围可以激发员工的创新精神和创造力，为构建学习型团队提供文化基础，并持续推动组织的成长和发展。4.4.路径：全方位建设企业智能化开发体系路径：全方位建设企业智能化开发体系AI带来的组织变革涉及多个方面，从技术的基础设施、工具能力的变化，到结合新工具的研发流程模式的变化，到人员岗位所具备的“AI技能”的变化，再到整个组织的管理、文化等等。通过更AI的工具带来更多元技能的人员岗位，结合相应的流程及管理机制，加上推进落地组织来达到整个组织的变革。图图 4 4：企

38、业智能化开发体系战略屋模型：企业智能化开发体系战略屋模型4.1.4.1.建设原则建设原则 人才根本人才根本：优先培养多元化、跨技术栈的复合型人才，支持员工的持续学习和技能进化。着重开发员工的多栈技能，提供文档、经验、培训快速掌握跨展技能的同时结合AI进行应用实践，使他们快速适应新的技术环境并保持竞争力。积极培养基引入多栈人才，打造多元化团队。技术驱动：技术驱动：通过技术赋能、革新，驱动交付过程的根本性改变。充分利用AI技术提升诉求产生到开发测试到运维部署的自动化程度，加速迭代速度。同时通过数据平台实时监控、反馈开发和业务表现，支持快速调整技术方案。合规安全：合规安全：确保AI应用符合法律法规要

39、求，尤其是数据隐私、公司敏感信息等，设定和应用清晰的安全规范。具体举措：基于AI技术特征制定符合法律法规的安全规范，通过企业“安全委员会”这样的组织进行落实；进行新技术下的安全培训，覆盖企业员工；构建基于AI的安全检测系统，预防和拦截安全问题。变革管理：变革管理：产研、人力、业务等部门形成一个变革组织，推动变革的发生。营造创新、AI以及多栈的文化，鼓励员工勇于尝试。管理者要成为引导者、赋能者，管理层在推动AI全栈转型中要积极带头示范，不仅要鼓励创新，还需合理分配资源，提供政策支持。管理者需了解AI与全栈技术的基础知识，增强领导在技术变革中的可信度。管理上提供在绩效考评、激励等方面的评估维度，牵

40、引变革方向。4.2.4.2.组织文化组织文化在智能化多栈开发体系里，组织文化建设堪称核心“黏合剂”，对整个项目的顺畅运转与持续创新起着关键作用。总体方向是建设AI Fisrt、学习心态、效率至上的文化氛围，通过运营活动持续打造并提升拥抱AIGC智能化开发的文化氛围。4.2.14.2.1 业务共识业务共识和业务部门形成“AIFirst”的共识，让业务部门认识到AI的价值。虽然短期面临工具不熟练、跨栈代码不熟悉等学习成本，但是从长远来看，AIGC对于产业的重构是多方面的、是深远的，提效潜力巨大，在短期上线压力及长期效率提升的问题上，要和业务部门达成深度共识。4.2.24.2.2 学习心态学习心态技

41、术也在不断发展，组织需要不断打破认知，持续学习，增强组织韧性，才能应对变化的环境，对于个人而言同样如此，学习新知识，掌握新工具才能在变化的时代掌握主动权。因循守旧则面临着被淘汰的风险。面向人工智能时代，企业需要塑造全员精通智能工具与熟悉多栈开发的学习心态，让学习成为组织的惯性，成为员工的日常行为，融会贯通方能落到实处。4.2.34.2.3 效率效率至上至上企业研发效能是企业经营效率的重要组成部分，一方面，通过提升员工的个人能力及减少合作的中间环节，构建更为高效的协同方式，消灭“文山会海”，可以提高企业的研发效率，为企业节约研发资源。另一方面科技变革越来越快，产品升级迭代的速度越来越快，新产品、

42、新功能层出不穷，能否跟上科技的变化，提高研发效率，更快、更好地开发出对适应时代、适应用户需求的产品，成为一个企业能否取得业务成功的关键要素之一。4.3.4.3.智能研发平台智能研发平台智能研发平台是支撑智能化多栈开发新模式的核心基础设施，通过整合AI代码生成、自动化测试、低代码开发、研发协同、发布管理及效能度量等关键能力，构建了完整的智能化研发生态。在多栈工程师模式中，该平台主要发挥三个关键作用：首先，通过AI代码生成引擎和低代码工具降低技术门槛，助力工程师实现多技术栈的快速掌握；其次，借助自动化测试、研发协同和发布管理等能力，实现从需求到交付的全流程智能化，显著提升研发效率；最后，通过标准化

43、的技术框架和效能度量体系，为多栈工程师的持续成长和团队效能提升提供系统化支撑。作为链接技术与管理的桥梁，智能研发平台正在重塑传统软件开发模式，推动企业研发组织向更高效、更敏捷的方向演进，是实现智能化多栈开发新模式的关键抓手。图图 5 5：智能研发平台全链路协同管理架构图：智能研发平台全链路协同管理架构图4.3.14.3.1 低低码码开开发发低代码开发工具正从传统可视化搭建转向AI驱动的智能化开发，通过整合大语言模型和企业组件生态，构建了完整的智能开发体系，大幅提升开发效率。现代低代码工具架构包含三层：组件层提供基础组件能力，编排层实现拖拽开发和智能生成，平台层负责项目管理等企业级功能，实现全流

44、程智能化支持。组件管理是低代码工具的核心能力。工具提供了完整的组件体系，包括原子组件、节点结构、高阶组件等。智能组件系统可以理解不同版本组件的语义，实现组件的智能匹配和自动适配，有效解决了多版本组件共存的技术难题。在开发体验层面，工具突破传统拖拽式可视化开发的局限，引入AI对话式开发模式。借助图片识别转代码、实时预览、智能代码生成等创新能力，开发效率得到显著提升。工具还深度整合企业私有组件生态，通过智能化生成满足特定场景的业务代码。协同开发方面，工具内置了完整的企业级特性支持。多人协作开发、分支管理、权限控制等功能为企业级应用的开发质量和安全性提供保障。精细化的发布流程和登录信息定制化进一步优

45、化了开发体验，智能配置能力则让开发人员能够快速响应业务需求变更。4.3.24.3.2 AIAI代码生成代码生成AI代码生成技术是提升开发效率的核心引擎，它通过深度学习和自然语言处理能力，将开发人员的需求快速转化为可执行代码，大幅降低了程序开发的时间成本。在智能化多栈开发新模式下，大型语言模型正在重塑传统的软件开发模式。AI编程助手作为智能研发平台的核心引擎，不仅要提供核心的代码生成能力，更要提供更多AI编程能力赋能研发流程的各个关键环节，包括代码解释与优化重构，代码评审、代码扫描、测试用例生成、Bug 修复等，助力工程师实现多技术栈的无缝切换，支撑企业多栈战略的落地。智能AI代码生成工具通过深

46、度理解业务上下文和技术栈特征，为多栈工程师提供全方位的智能支持。能同时支持Java、JavaScript、Python、TypeScript、Go等多种语言环境，更重要的是能够理解不同技术栈间的关联性，帮助开发者快速实现跨栈协作。通过与企业知识库的深度整合，智能代码生成工具可以构建一套完整的多栈开发知识体系，能为开发者在不同技术领域间的转换提供精准指导。在云原生开发支持方面，实现了从本地开发到远程调试的无缝衔接，使多栈开发者能够在统一的智能环境中高效工作。这种智能化的开发支持体系不仅在代码文档生成和优化重构等场景中体现出30%-50%的效率提升，更重要的是能帮助开发者快速突破技术栈的限制，降低

47、多栈开发的学习门槛，推动企业研发效能的整体提升，让开发者能够真正从单一技术栈的执行者转变为多技术栈的掌控者。4.3.34.3.3 研发协同管理研发协同管理在智能研发平台中，研发协同管理作为连接各个研发环节的核心纽带，对提升团队整体研发效能起着决定性作用。通过融合全流程管理能力和标准化协作流程，新一代协同平台构建了一套完整的研发管理体系，显著提升团队协作效率。现代研发协同平台主要包含三个核心层次：项目层提供需求管理和任务分配的基础能力；协作层实现跨团队沟通和进度跟踪的核心功能；支撑层负责工单处理、审批流转等企业级特性。项目生命周期管理是平台的核心能力。平台提供了完整的管理体系，包括创意管理、需求

48、评审、任务分解等。智能项目系统可以理解不同环节的关联关系，实现任务的智能分配和自动追踪，有效解决了多角色协作的管理难题。在任务协同层面，平台突破传统串行开发的局限，引入高效协作机制。借助工单系统、审批流程、变更管理等创新能力，协作效率得到显著提升。平台还深度整合企业级项目管理体系，通过标准化手段确保特定场景的协作质量。技术支撑方面，平台内置了完整的企业级特性支持。开放API接口、统一发布管理、辅助工具集等功能为企业级应用的研发质量和效率提供保障。标准化的协作流程和自动化的任务分配进一步优化了开发体验，集成化的工具能力则让团队能够快速响应业务需求变更。4.3.44.3.4 智能化测试智能化测试A

49、I驱动的测试技术正在重塑质量保障体系。通过融合大语言模型与智能代理技术，操控终端设备自动进行交互检查。结合多模态大模型和多个智能代理（Agent）的协作，实现了质量保障模式的革新。系统通过多个专业化智能代理的协同，配合传统算法和工程基建，打造了完整的智能化质量保障体系。在产品架构设计上，测试平台主要包含四个层次：基础层提供模型与存储支撑；能力层构建核心测试能力矩阵；应用层实现具体测试场景；交互层提供统一的用户界面。通过这种分层架构，系统实现了从单点效能提升到全流程交付效能的跃迁。在需求阶段，基于UI设计图和产品需求实现测试用例的智能转化，大幅降低了用例编写成本。在开发阶段，通过精准代码依赖分析

50、，智能识别变更影响范围，并自动推荐和执行相应的测试集合，实现开发阶段的自助式验证，帮助开发者更早发现和修复潜在问题。在测试执行阶段，平台通过多模态分析技术和智能代理协作，实现UI自动化测试的降本增效。系统能够理解交互设计意图，自动执行测试流程，并通过融合传统图像算法实现UI缺陷的智能发现。在运维阶段，系统基于可观测性数据(指标、追踪、日志等)，通过智能分析与决策，协助解决复杂问题的诊断和定位，将质量保障延伸到服务运行时阶段。4.3.54.3.5 发发布管理平台布管理平台在智能研发平台中，发布管理平台作为确保软件交付质量和效率的关键环节，是实现持续交付和快速迭代的重要基础设施。通过融合CI/CD

51、自动化能力和企业级发布流程，新一代发布平台构建了一套完整的智能化发布体系，显著提升了交付效率。从功能架构来看，现代发布管理平台主要包含三个核心层次：服务层提供应用收藏和权限管控的基础能力；流程层实现一键发布和灰度部署的核心功能；监控层负责质量检测、告警通知等运维特性。在这一架构基础上，平台实现了从代码提交到线上部署的全流程自动化支持。发布流程管理是平台的核心能力。平台提供了完整的发布体系，包括服务发布、CDN发布、配置发布等。智能发布系统可以理解不同类型发布的依赖关系，实现发布任务的智能编排和自动调度，有效解决了微服务架构下复杂依赖的技术难题。在安全保障层面，平台突破传统手工发布的局限，引入多

52、重安全机制。借助CI质量管控、灰度发布策略、一键回滚等创新能力，发布风险得到显著降低。平台还深度整合企业私有监控体系，通过自动化手段确保特定场景的发布安全。运维协同方面，平台内置了完整的企业级特性支持。发布权限管理、操作审计、故障告警等功能为企业级应用的发布质量和安全性提供保障。标准化的发布流程和可视化的进度展示进一步优化了运维体验，自动化配置能力则让运维人员能够快速响应业务发布需求。4.3.64.3.6 智能风智能风险治理险治理风险治理是贯穿企业软件开发全环节的。通过梳理企业的系统使用方法，对各系统存储的各类唯一标识进行处理和组合关联，进行全面的信息整合，包括变更信息、不同类型的报警信息、日

53、志信息等，以及链路追踪，对服务的调用链路进行补全，发现关联服务的问题等，可以构建出完整的智能化风险治理能力，真正的做到风险预警、智能值班、快速定位止损。对于运行态的稳定服务，进行智能化风险预警，提前发现潜在的风险，暴露系统隐患，可以大大降低故障发生的可能性，降低风险管理成本。对于正在变更中的服务，比如业务上线保障，可以全过程跟进，自动收集报警信息、分析各类监控指标异动、执行巡检，降低业务上线值班成本，比如运维变更保障，可以进行智能灰度验证、多业务报警信息聚合分析，及时感知业务异常，缩短故障止损时间。对于突发的报警服务，可以做到快速定位止损，降低故障的时间，使服务尽快恢复。4.4.4.4.多栈工

54、程师多栈工程师在技术日新月异的今天，多栈工程师以其跨界技能和灵活性，成为推动业务创新和效率提升的关键力量。本文将探讨如何将多栈工程师的概念快速落地到各个业务产研团队中，形成新的流程体系和工具平台，以促进团队的个人成长和提升整体效率。图图 6 6：智能化研发多栈能力建设框架：智能化研发多栈能力建设框架4 4.4.1.4.1 多多栈栈文化的运营文化的运营&交流研讨交流研讨在多栈工程师落地的第一阶段，首要任务是让团队成员认识并理解多栈的概念。这需要通过多样化的运营形式和研讨方式来实现：文化塑造：文化塑造：组织多栈文化月活动，通过系统化的交流研讨树立多栈理念。成立多栈文化建设委员会和专家指导组，形成完

55、整的文化建设支撑体系。开展常态化的主题活动，持续强化多栈文化氛围。同时关注工程师的心理状态，打消顾虑，建立共识，形成积极向上的学习氛围。故事分享：故事分享：建立多栈实践案例分享机制，定期组织工程师分享成功经验。通过真实案例展示多栈开发的可行性和价值，增强团队信心。定期举办“多栈故事会”，鼓励团队成员分享个人的多栈学习心得，以激发其他成员的兴趣和参与。角色模型：角色模型：选树和培养多栈标杆工程师，发挥示范引领作用。从实践项目中发掘优秀实践者，通过系统化的经验总结和宣传推广，展示多栈发展的成功路径。这些标杆工程师的经历可以成为其他团队成员的学习参考和激励源泉，推动更多人参与多栈实践，并在团队中形成

56、积极向上的学习氛围。定期研讨会定期研讨会：建立多层次的研讨机制，包括战略层面的共创研讨会、业务需求研讨会、技术方案研讨会等。组织定期的多栈主题研讨会，邀请内部和外部的专家分享他们的知识和经验，凝聚团队共识，明确发展方向，解决实践中遇到的问题，并不断完善多栈工程师的标准体系。互动式学习互动式学习：采用理论+实践相结合的学习模式。系统开展技术知识培训，覆盖各个技术栈；组织工具实操培训，确保团队掌握必要的开发工具；通过工作坊和小组讨论，让参与者在实践中学习多栈技能，增强互动性和参与感。例如，可以组织一个为期一周的“多栈挑战”，让团队成员在限定时间内完成一个跨领域的项目。跨部门交流：跨部门交流：打破部

57、门壁垒，促进多领域知识共享。建立标准化的多栈交付流程，推动不同技术领域的融合。特别是在新技术应用场景下，鼓励不同角色共同学习、探索多栈模式。建立起标准化的多栈交付流程和协作模式后，团队成员将具备跨领域工作能力，自然减少繁琐的跨部门会议和沟通成本，提升组织整体运转效率。4.4.24.4.2 培培养多栈人才、工具培训推广养多栈人才、工具培训推广定制化培训计划定制化培训计划：根据团队成员的技能水平和项目需求，提供定制化的技能培训计划。这些计划可以通过模块化的在线课程覆盖多栈开发的关键技术领域，工作坊形式则为团队提供实战导向的深度技术提升，同时通过一对一辅导为需要专项指导的成员提供个性化支持，帮助他们

58、快速突破技术瓶颈。在线和离线结合在线和离线结合：结合在线课程和离线工作坊，提供灵活多样的学习方式。要实现多样化的学习途径，可以通过建设企业内部的在线学习平台，集中提供课程、文档和工具资源，确保团队成员随时随地获取培训支持。定期组织面对面的交流会和技能培训，促进团队成员间的互动与经验分享。通过这种线上线下结合的方式能够覆盖不同学习需求，实现全员的技能提升。实践导向培训：实践导向培训：设计以项目为核心的培训内容，将学习成果有效转化为实际能力。通过项目驱动的学习模式，团队成员可以参与实际项目，将工具和方法论直接应用于工作中，从而提升实战经验。通过构建真实业务场景的模拟项目，为成员提供在风险较低环境中

59、练习和提高技能的机会，使培训更加贴合实际需求，确保学习与实践无缝衔接。工具培训与推广：工具培训与推广：结合全面的工具培训、案例分享和资源文档化等措施推广高效工具的使用。通过引入如基于对话生成后端代码的AI智能工具，开发人员可以大幅提高效率，专注于高价值任务；通过图片和文字生成前端页面代码的工具，设计师和开发人员能够快速将创意转化为实际代码，显著缩短开发周期。此外，利用低代码平台让非专业开发人员参与应用开发，进一步激发团队的创新能力，而通过文字交互进行测试的AI工具则自动化测试流程，提高了效率与准确性。这些工具的广泛应用结合全面的操作培训、优秀案例分享及清晰的文档支持，不仅能有效降低工具使用门槛

60、，还能为多栈开发模式的顺利推进提供坚实保障。4.4.34.4.3 试点推行及正式推广试点推行及正式推广项目试点项目试点基于业务痛点的试点项目选择：基于业务痛点的试点项目选择：这些项目应从业务痛点出发，紧密结合公司内外实际需求。例如，当前许多团队在前端/后端研发、测试等资源不足时，适合通过多栈技术来弥补资源短缺，实现业务目标的有效推进。通过在试点项目中结合实际业务痛点，团队不仅可以验证多栈技术的可行性，还能通过多路径推进帮助业务解决实际问题。新技术场景和需求的挖掘：新技术场景和需求的挖掘：例如某项新技术的起步阶段，研发和测试团队可以共同参与多栈模式的构建，打破传统研发和测试的界限，实现多栈能力在

61、新技术上的深度应用。这种新场景的挖掘为多栈技术的深度融合提供了契机，并通过统一的产品展示进行最终展现，确保多栈模式的应用能够在实际业务中创造价值。确保试点阶段的目标对齐：确保试点阶段的目标对齐：各部门负责人统一对齐方案与阶段性目标，并定期进行进度汇报和优化。通过多栈项目的推动，逐步收敛团队工作中的痛点，优化工作方式与协作流程，为后续的大规模推广提供经验和数据支持。正式正式推广：推广：在试点推行取得一定经验后在试点推行取得一定经验后，正式推广阶段将以标准化流程和工具体系为，正式推广阶段将以标准化流程和工具体系为核心核心标准化流程标准化流程：总结试点中的成功经验和关键问题，形成可复制的经验和标准化

62、操作流程，确保在公司内其他部门和团队中能够高效应用多栈能力。根据各个业务部门的实际需求，制定详细的推广计划，并通过全员培训确保团队成员能够在不同的职能领域中熟练掌握和灵活应用多栈技术。组织内协作组织内协作：通过将多栈推进的责任逐步集中到统一的接口人处，各部门可以在相同的工作框架下推进任务，提高效率。在多栈能力推广过程中，持续关注并提供完备的工具支持，包括技术栈支持、开发工具以及跨职能协作平台等，为各部门的推广提供强有力的保障。通过这些工具和资源的支持，降低技术门槛，提升整体技术水平，确保多栈能力能够顺利落地。定期评估机制：定期评估机制：确保多栈能力的推广效果能够持续优化，推动公司整体技术能力的

63、提升。在评估过程中，将结合前期试点中出现的问题，如项目推进过程中的效率波动等，及时调整策略和方案，确保多栈模式在各业务场景中发挥最大效能。4.4.44.4.4 智能智能化、多栈为核心的交付体系化、多栈为核心的交付体系新的交付模式：多栈交付、智能辅助新的交付模式：多栈交付、智能辅助在多栈开发模式下，新的交付模式着力于通过简化流程和高效协作，充分利用资源、提升团队效率。跨岗位多栈交付：跨岗位多栈交付：根据业务特点和资源瓶颈动态调整岗位分工。例如，针对资源缺口或效率瓶颈的场景，可以通过岗位转栈（如测试转开发、开发转测试）灵活补足短板；在具有潮汐特征的业务场景下，通过动态切换角色（如开发周重点支撑开发

64、，测试周重点支撑测试）优化资源利用；对于前后端技术实现轻重差异的系统，通过跨岗位协作平衡工作负载。智能化工具辅助：智能化工具辅助：引入AI技术，全面赋能各环节的交付流程。通过智能化工具自动生成代码模板、技术文档和测试脚本，有效减少工程师在重复性任务中的时间投入。AI驱动的代码质量检测和自动化测试技术，能够实时分析潜在问题并提供优化建议，大幅提高交付效率的同时保障了成果质量。虚拟小组支撑：虚拟小组支撑：构建以多栈项目负责人为核心的虚拟小组，整合需求分析、技术指导和工具支持等多方力量。小组成员包括多栈接口人、技术专家以及负责工具对接的人员，各自分工明确，协同保障需求从评审到交付的全流程顺畅实施。虚

65、拟小组的设立不仅提升了组织间的协作效率，也为复杂需求的高质量交付提供了坚实的组织基础。新的交付流程：从新的交付流程：从CopilotCopilot 辅助逐渐走向辅助逐渐走向 AgentAgent 自主交付自主交付新的交付流程逐渐从AICopilot辅助编码到覆盖更多研发环节，进而向Agent自主交付，消灭更多环节演变。从简单单一任务的辅助编程，向复杂任务的自主解决推进。从简单单一任务的辅助编程，向复杂任务的自主解决推进。从 HumanEval 到 SWEBenchmark，前者用于独立小函数问题解决的评测，要求AI实现基本的编程逻辑并保证语法正确。而 SWE Benchmark 则模拟更大规模

66、、更真实的软件工程问题涉及复杂的系统设计、代码结构优化等。这表明 AI 编程能力的评估范图从简单任务扩展到更实际的应用场景，侧重评估 AI 在完整软件项目中的实用性和可靠性。从关注编码提效到关注更多研发阶段的提效。从关注编码提效到关注更多研发阶段的提效。需求分析:AI 能够从产品需求文档、用户反馈等非结构化数据中提取关键信息，辅助需求分析和项目规划。通过自动生成需求摘要和关键功能列表并生成代码；UI 设计:随着多模态的发展，AI 正在逐步扩展到 UI 设计阶段，根据需求描述生成 UI 草图或接口设计稿，进一步生码、UI 自动化测试；联调测试:AI 完成构建部署、代码扫描、用例生成、自动化测试、

67、报警分析，甚至尝试bug自动修复。从从 IDEIDE 集成开发环境尝试向浏览器端到端解决问题演进，更多环节消失。集成开发环境尝试向浏览器端到端解决问题演进，更多环节消失。云端化与轻量化：开发者不再需要依赖本地设备的 IDE 配置，集成从代码编写、调试、测试到部署的全流程工具，实现轻量化的工作流。云端化的 IDE 也能提供即时的计算资源扩展开发者可以按需使用资源，优化成本和效率；简化学习曲线：云交互实现端到端的开发，简化的界面、集成的功能，帮助不同技术水平的开发者快速上手、协同工作，更多研发环节变得透明，该模式正在快速演进，逐渐适应不同项目需求。如 replit、agent、vOdev、bolt

68、.new 等诸如此类产品，一站式解决方案。新的交付标准：清晰化与可量化新的交付标准：清晰化与可量化为了保障多栈交付的顺利实施，新的交付标准通过清晰化与量化的指标体系覆盖了交付全过程。需求评审标准：需求评审标准：采用“四象限需求识别法”，根据业务优先级和技术复杂度判断哪些需求适合纳入多栈模式，并通过标签系统进行标注与跟踪，确保需求的分类与分配清晰明确。如多栈需求需满足具有较高业务优先级或关键性；技术实现复杂度适中，跨岗位能力能够覆盖。角色与任务分解：角色与任务分解：围绕多栈需求的具体特点，精细化拆解任务至各角色级别，明确每个角色的职责范围和时间投入。通过清晰的任务分工和资源分配，确保排期科学合理

69、，角色之间高效协作，从而实现目标明确、执行有序的需求管理。交付验收交付验收：开发阶段的代码必须通过带教导师的CR（CodeReview），确保功能实现符合要求；在测试阶段，依托AIGC技术生成大批量的测试用例，广泛覆盖核心功能和边界场景，进一步降低人工编写测试用例的时间成本，同时保证测试的全面性和有效性。4 4.4.4.5 5多栈工程师的柔性架构，需要全新的考核激励措施多栈工程师的柔性架构，需要全新的考核激励措施新的工种：多技能融合的复合型角色新的工种：多技能融合的复合型角色多栈工程师多栈工程师：能够掌握两种及以上技术领域的技能（如前端与后端、算法与测试等），并根据需求动态切换角色完成交付。多

70、栈工程师不仅是开发与交付的重要力量，更是技术融合与创新的推动者。AIAI辅助专家：辅助专家：负责推动AI技术在研发全流程中的应用，包括 AI 工具的优化与落地实践，保障AI生成的文档、代码和测试用例能够高效支撑多栈交付需求。带教导师带教导师：作为多栈文化的传播者和支持者，带教导师承担起多栈工程师的培养职责，协助解决跨栈工程师在技术转换中的问题，例如本地环境搭建、代码评审以及技术方案优化等。新的组织形式：以虚拟小组为核心的柔性架构新的组织形式：以虚拟小组为核心的柔性架构多栈开发模式下，组织结构由传统的层级制逐步向柔性化、任务驱动型转变。以虚拟小组为核心的组织形式应运而生。虚拟小组由多栈项目负责人

71、牵头，联合多栈接口人、技术支持人员及工具管理人员，共同推动业务需求的分解、分配与交付。小组内分工明确，既能快速响应复杂业务需求，又能灵活适应多样化场景，为多栈需求的顺畅落地提供了坚实保障。这种以任务为导向的组织形式突破了传统岗位边界，充分释放了团队的潜能。新的考核激励机制：多维度、多样化的激励设计新的考核激励机制：多维度、多样化的激励设计技能成长与能力提升：技能成长与能力提升：基于冰山胜任力模型，将多栈工程师的能力分为显性硬技能和隐性软技能两类。显性技能包括交付能力、技术知识能力和工具使用能力，重点考核工程师在多栈任务中的交付质量与效率；隐性技能则涵盖AI创新能力、跨项目协作能力和影响力，关注

72、其在推动组织创新与团队协作中的表现。分层激励体系：分层激励体系：根据多栈工程师的成长路径，设计了五个等级：水手、三副、二副、大副和船长。每一级别均对应不同的技能要求和任务目标，工程师通过技能点亮与任务完成逐步晋升。同时，对于尚未达到级别要求但表现优秀的人员，通过福利船票体系进行激励，确保每个人的付出都能被看见和认可。多样化的激励形式多样化的激励形式：激励体系注重物质奖励与精神激励相结合，包括荣誉认证（如签名徽章与晋升证书）、标杆激励（如团队与个人的公开表彰）、以及实物奖励（如多栈文化衍生品与专属礼品）等多种方式。通过这些激励，让工程师感受到参与多栈项目的成就感与荣誉感，强化他们作为技术领跑者的

73、自我认同。4.5.4.5.效能度量体系效能度量体系4.4.5 5.1 1 构建全链路效能管理体系构建全链路效能管理体系企业应建设覆盖战略-需求-交付-运营的全链路效能管理体系，通过统一规范、统一工具、统一度量、持续改进的四统一原则，实现研发过程的标准化和数字化。该体系以制度规范为核心，通过效能度量收集数据分析洞察，借助效能工具平台提供全生命周期支撑，并在实践层面推动标准化的最佳实践，确保研发团队能够更高效、更高质量、更可靠、可持续地交付更优的业务价值。在效能度量实践中，始终坚持度量是手段而非目的的原则，避免陷入纯数字游戏的误区。通过建立科学的度量指标体系，实现效能的可量化管理。具体措施包括：精

74、简度量指标，聚焦3-5个业务核心指标，避免指标与个人绩效直接挂钩统一度量口径，在企业研发体系内形成统一认知，提升数据采集的自动化水平结合业务实践，沉淀包括价值交付、项目资源、组织人力等多维度的效能模型建立效能专家BP机制，深入业务团队开展场景化分析和优化通过这些措施，我们确保效能度量真正服务于研发效能的提升4 4.5.2.5.2 效能度量体系效能度量体系在智能研发平台建设中，效能度量体系作为衡量和优化研发活动的关键组成部分，是实现研发过程可度量、可优化的重要支撑。通过构建全面的效能指标模型和持续改进机制，效能度量体系为研发组织的高效运转提供了数据驱动的决策依据。从体系构建来看，研发效能度量主要

75、围绕三个核心维度展开价值交付维度关注需求完成率、代码产出量等直接产出指标工具赋能维度监测AI工具采纳率、自动化覆盖等技术指标组织协同维度度量跨团队协作、资源利用等管理指标在这一框架下，通过数据采集和分析，可全面评估研发活动的效能状况。指标设计是效能度量的核心环节。遵循第一性原理，效能指标体系既要能回答研发效能的本质问题，又要引导组织产生正向改变。通过精简化设计、标准化定义，建立起涵盖研发全周期的指标矩阵，实现对研发过程的量化管理。在实施路径上，效能度量体系突破了传统经验管理的局限。通过建立专职效能团队、统一度量标准、搭建自动化工具平台等举措，实现了效能数据的自动采集和分析。基于数据反馈，持续优

76、化研发流程和工具，推动效能持续提升。4.6.4.6.实施要点实施要点4 4.6.6.1.1 建立变革的推进组织，联动企业内对应职能角色持续运营和推动建立变革的推进组织，联动企业内对应职能角色持续运营和推动当新一代技术产生时，被动变革往往会让企业的竞争力变弱甚至落后，唯有主动变革才有发展机遇，但主动变革往往源自少部分人，要让一个组织、企业产生变革需要一个强有力的引擎来推动，所以需要建立一个能够提出有效方案并能广泛开展落地的推进组织。这个组织为变革的结果负责，统筹制定变革的方案计划，激发组织的变革意愿与成员共同获得成功。这个组织需要处理工具方案建设、工作流程机制、组岗设定、薪酬激励迭代、组织文化等

77、维度的事项，故成员或联动团队会涉及效能团队、HR团队、项目管理团队、中高层领导等，以保障相应的事项可以在企业内实施。4.4.6.6.2 2 团队成员能力培养及团队成员能力培养及AIAI智能工具应用，构建起相匹配的落地方案智能工具应用，构建起相匹配的落地方案AI已经在软件研发领域产生了极大的变革，AI很大程度上降低了原本不同技术栈的专业门槛，这虽然降低了工程师跨门槛的成本，但随之而来的也需要工程师要能运用好工具也要具备一定的跨栈技能。识别和培养团队成员目前的 AI技能、跨栈技能，选择、构建出合适的AI智能工具至关重要。识别和评估团队意愿及能力识别和评估团队意愿及能力：通过调研、问卷等方式了解和评

78、估团队当前对AI的了解、工具的掌握，以及大家期望获得什么技能的培训、工具的赋能培训等。培养培养AIAI及多栈技能及多栈技能 构建团队构建团队AIAI智能工具方案智能工具方案：基于团队的评估，进行相应AI技能的培训，可以配合一定的运营活动进行相应技能点亮；选取或建设其需要的工具能力，企业内的效能团队构建出符合团队、公司技术框架的工具能力，帮助员工更容易完成本栈、跨栈的任务。如贝壳的Codelink，面向企业内工程私域知识的沉淀和应用，让员工可以更容易了解某个工程的代码结构、逻辑，生成符合内部规范的代码。如贝壳MagicUI，可以基于贝壳前端组件的规范以及业务沉淀的组件根据用户描述智能生成出页面。

79、如贝壳的EasyQ，结合贝壳APP相关业务知识结合AI驱动端上的操作行为来完成端上的测试验证。机制牵引形成团队习惯机制牵引形成团队习惯：建立相应AI变革的组织目标在团队上下拉齐一致，同时建立起周期观测、研讨、复盘等机制，引导员工提出建议思考改进，用阶段性效果激励团队成员；设定激励机制在精神和物质层面给与激励。4.4.6.36.3 通过变革的试点、验证后进行快速推广通过变革的试点、验证后进行快速推广前面段落介绍了团队成员能力和AI智能工具的建议，其是在人和工具的“生产力”维度，但真正落地应用到”生产过程“的变革面临的挑战更为复杂。其需要帮助员工了解、投入、接受和拥抱新的变化，在没有探索出有效路径

80、前就大范围推行的变革往往风险极大，所以通过试点、验证摸索出有效路径的同时，让试点的成功影响更多的员工、团队，之后再快速推广可以让变革更为成功。选出可以有效试点的团队选出可以有效试点的团队：产研往往有业务类、基础类、运维类等团队定位，不同类型下的成员配比、技能项、产品或系统要求都会有差异，故试点团队应尽可能涵盖不同类型。选择意愿度高的团队，更能够产生化学反应。基于团队诉求、能力模型给予方法、工具的支持基于团队诉求、能力模型给予方法、工具的支持：比如有团队面临某类岗位角色阶段性资源瓶颈，那么针对此类岗位的生产效率提升就极为迫切：可以提供对应岗位更高效的工具（如代码辅助生成、测试辅助工具）、对应岗位

81、产物的自助生产工具（如低代码平台、自动测试工具）、给予其他岗位的培训赋能让其也可参与到缺失岗位的任务。比如跨岗位职能协作后对应的工作流程、保障机制。实践方法总结及运营实践方法总结及运营：将试点团队的实践过程进行跟踪、收集以及改进，总结形成实践方法作为后续推广应用的指导手册。同时将实践的效果及时运营，给予试点团队激励的同时，让更多人看到并相信。4.64.6.4.4 让让AIAI技术与业务深度融合带来深刻的产业价值技术与业务深度融合带来深刻的产业价值AI的组织变革不应仅仅局限在产研组织内部，而是将AI的力量应用到企业全员以及实际业务中，给产业带来创新价值。将AI知识和工具拓展到企业各个岗位职能，营

82、造“全民AI”的氛围，同时建立起能够给企业赋能的 AI平台，给予企业各类员工发挥 AI创造力的场所。如贝壳的Bella平台，企业员工可以在Bella里创建满足自身工作场景的智能体，其还能打通到公司内的业务知识和系统，形成企业内闭环的工作流程。除了赋能企业员工，将AI应用在行业中是对增加企业效益以及推进产业变化都是极大的收益，找到AI与行业的结合点，赋能和变更产业流程、打法。如贝壳的客源维护助手提供给经纪人的智能维护客源助理、社牛通过AI形成设计方案等。5.5.展望：多展望：多栈栈模式永葆组织业务创新活力模式永葆组织业务创新活力5.1.5.1.工程师效能革命工程师效能革命人机协同模式迎来新的变化

83、，数字员工将以认知共生的方式重构软件研发、测试的底层逻辑，推动测试工程从工具赋能向智慧共生跃迁。这种新型协作模式以多智能体为核心载体，构建起人类战略决策-机器智能执行-双向知识沉淀的闭环生态，多智能体融合带来的从需求解析到质量护航的全链路智能化，将使得研发、测试效率成倍提升。5.2.5.2.组织能力跃升组织能力跃升科技战略、文化、人才三维组织能力体系，推动了工程师从单点作战向多栈工程师能力转型，这种组织升级遵循杨三角模型（员工能力思维模式治理方式），强化了工程师协同创新基因，既保持工程师的灵活性，也形成可复制的组织经验资产。在日新月异的人工智能革命时代，可以永葆公司的创新活力。5.3.5.3.

84、合作范式革新合作范式革新形成个人积累-团队经验池-公司知识库-全球创新网络的四层协同架构。工程师既可通过私有化部署的小模型处理专业领域问题，又能无缝对接企业级大模型获取跨领域支持，实现从单点突破到生态联动的跃迁，使工程师个体创新能级与组织整体创新能力形成指数级正相关附录：附录：一、一、贝壳智能化多栈建设贝壳智能化多栈建设作为科技驱动的一站式新居住服务平台，贝壳找房以提供房产交易、租赁、装修等一体化服务而广为人知。基于深厚的产业理解及人工智能技术发展，贝壳技术效能中心主导及推动了贝壳软件研发向智能化新模式转型。1.1.贝壳智能研发平台贝壳智能研发平台贝壳智能研发平台由AI赋能的智能化工具、标准流

85、程化管理工具和效能度量体系三大部分构成，相互协作，确保研发从代码编写、测试到发布的高效与高质量运行。图图 7 7：贝壳智能研发平台架构图：贝壳智能研发平台架构图1.1.1.1.CodeLink:CodeLink:研发域研发域AIAI智能工具智能工具（CodeLinkCodeLink NextNext）CodeLink作为研发域的AI智能工具，能够实现多语言和跨栈协作的智能代码生成，显著提高编码效率，还能助力企业建立统一的代码规范，促进知识共享与标准化，进而提升代码质量、可维护性、安全性和协同效率，有效降低技术负债。图图 8 8贝壳研发域贝壳研发域 AIAI智能工具架构图智能工具架构图关键节点辅

86、助编程提高效率关键节点辅助编程提高效率：CodeLink为开发者提供精准的代码补全与代码片段建议，支持多种编程语言和开发环境，目前对于代码文档、代码生成等工作能够缩短 50%左右的时间，而对于代码优化和重构则可以缩短 30%的时间，这这种提高将超越以往由新工具和流程驱动的工程生产力的进步。基于基于IDEIDE的云原生开发模式的云原生开发模式：通过连接贝壳云端环境，工程师可以在 IDE完成大部分开发工作，包括需求查看、智能开发、远程调试、接口文档自动生成和测试环境部署等，让更多基础平台无界面化，减少切换次数，帮助工程师进入“心流”状态，成为全能开发者打造智能伙伴打造智能伙伴SuperSuper，

87、让开发者从执行者变成指挥者让开发者从执行者变成指挥者：当开发者在日常工作中开始使用AI 编程助手，相关的技能要求也在不断增加。这也就是意味着，开发者除了要具备一些基础性技能以外，还要培养应学习的增强型技能，同时开拓能力的生成式 AI 技能。1.2.1.2.KeTestKeTest CopilotCopilot：测试域：测试域AIAI智能工具智能工具利用多模态技术实现了全链路自动化测试，全方位保障软件质量。能够在需求到交付的全链路中，通过多个智能代理自动完成从交互到检查的测试过程，构建起垂类智能Agent，形成全链路智能化的研发质量保障体系，以人机协同的方式高效完成需求智能化测试交付。在多栈同学

88、跨栈QA的过程中，降低了整体的入门门槛，提升了整个流程的交付效率图图 9 9：贝壳测试域：贝壳测试域AIAI智能工具架构图智能工具架构图全方位触达研发测试作业场景，实现智能化全流程测试能力全方位触达研发测试作业场景，实现智能化全流程测试能力：借助多模态大模型对自然语言和图像的理解能力，实现了从自然语言到驱动移动终端完成UI测试的智能化转变，同时将大模型与传统图像算法结合，自动进行UI问题发现，极大地提升了跨端跨设备的可测性，让UI自动化测试变得更加简单和灵活对传统工具现有能力进行了AI增强，通过精准测试、diff测试、用例推荐、bug定位等功能，结合模型推理能力，优化了测试用例生成和执行、测试

89、结果分析、断言智能生成等环节，有效支撑了业务的高速增长。在质量右移方面，它基于可观测和运维数据，通过模型分析与决策，解决了传统运维工具无法解决的问题，辅助进行复杂问题的分析和诊断。经过 AI 工具不断落地，在软件生命周期中，各环节角色的工作职责和行为也发生了变化，以一次需求从产生到上线的过程为例。需求阶段需求阶段开发阶段开发阶段测试阶段测试阶段在需求阶段引入智能化测试策略工具后，各角色不需要再进行多轮的需求澄清。过精准识别变更代码影响的接口/任务-环境部署-用例推荐-测试执行-覆盖率收集-测试结果智能分析流程串联，帮助开发人员在开发过程中，更早地发现和修复缺陷，减少后期修复的成本和时间借助多模

90、态的能力，可以显著提升前端自动化测试的效率和效果。当需求或UI资源准备就绪后，可以交付给UI智能体。1.3.1.3.FCNFCN&MUIMUI：前端域：前端域AIAI智能工具智能工具FCN 作为贝壳内部的低代码平台，专注于前端开发，具备一站式开发流程、接口适配、页面级操作、分支和部署以及定制化能力，能够满足特定业务需求。MUI 则是一个根据图文智能生成代码的平台，具备图片识别、代码运行等通用能力，能与业务的私有组件打通，生成私域代码。通过这些工具的协同作用，页面开发基本实现了通过可视化拖拽、智能生成产出基本效果，再在 IDE 中通过对话微调或 AI 续写进行提升，极大地改善了整体开发流程。贝壳

91、低码平台贝壳低码平台：贝壳内部的低代码平台专注于前端开发，与行业内其他平台有所不同。由于贝壳内部服务调用链路复杂，服务侧低代码对业务友好性不足，因此我们专注于前端代码平台的开发。前端前端AIAI智能工具智能工具：为了兼容业务已有的特性，贝壳在代码生成过程中兼容了antd的多个版本。同时为了开发更方便，内部也有众多的npm组件包。贝壳综合了行业产品和公司内部诉求，MUI还和业务的私有组件做了打通，可以生成私域的代码。图图 1010：贝壳前端域：贝壳前端域AIAI智能工具架构图智能工具架构图2.2.贝壳多栈能力建设贝壳多栈能力建设2.12.1.组织支撑组织支撑形成以技术效能中心牵头，人力、多业务部

92、门参与的智能化多栈开发新模式推进小组，通过制定完善的机制保障智能化多栈开发新模式的落地。2.22.2.人才人才&文化文化进行多栈工程师的培养，为组织积累多面手人开展交流会、工具分享学习，并进行课程建设包括，比如多栈技能树课程，涉及六门课程，覆盖500+人。完成3个多栈需求及以上的多栈工程师人数700人，累计400+工程师不止1个方向的跨栈实践。为一线带来更多成长机会，全组织学习实践，体现组织美好。帮助个人一岗多能，收获技能成长，增强个人职业竞争力。进行学习型组织实践，累计开展30+次分享学习，参与人数1000人。拉近不同岗位组织距离，增进协作，实现合作共赢。2.32.3.试点推广试点推广贝壳结

93、合自身产业互联网业务特点，针对小型需求、数据需求、前端复杂需求等不同需求通过不同团队进行试点，并根据可复制情况进行推广需求类型可复制需求特点实践规模可复制情况小型需求需求工时在 35pd 以内需求仅涉灭前、后端单点改动toQA、toFE、toRD 等，大量成熟多栈实践可以推广多栈单人交付数据需求业务有较多数据类需求迭代，长期需要大数据工程师投入已有项目具备成熟的多栈实践可以推广toDRD 的多栈交付前端复杂需求前端選辑复杂，页面交互样式复杂且个性后端仅涉及新增接口或少量接口改动部分团队标杆实践，需扩大验证标杆案例经验可以进一步推广验证后端复杂需求后端有大量相关历史逻辑，或跨模块前端逻辑简单，或

94、前端可用 FCN 低码实现HOME-BIM 重构项目，需扩大验证结合知识+工具能力选取项目验证跨端复杂项目前后端均较复杂，跨多系统模块涉及较深入复杂的业务知识需推进试点进行长期能力布局客户端to 客户端：仅适用简单类需求，例如文案/按钮修改、UI样式修改等多栈 ios/android 试 点工具能力进一步丰富提升并验证需求toQA/RD：影响范围小的需求可尝试2.42.4多栈成效多栈成效自多栈实践在贝壳落地半年以来，取得了显著成效。月度交付需求数同比去年稳定增长10%至20%，需求研发周期则降低了约10%。这一系列积极成果充分表明，通过多栈实践和AI智能工具的有效结合，贝壳的研发效能得到了显著

95、提升，为未来的持续改进奠定了良好的基础。2024全年交付需求数同比增长9.6%，2024全年代码量同比增长22.7%。图图 1111：贝壳多栈实施成效：贝壳多栈实施成效3.3.效能方案设计与实施效能方案设计与实施贝壳基于自身多栈实践构建了多栈组织效能指标的拆解逻辑，设计并有效落地一套全面的研发效能指标体系，能够显著提升研发效率和成果质量。通过明确的指标设计、系统化的实施举措以及持续的优化和改进，企业能够在激烈的市场竞争中保持领先地位，实现可持续发展。关键在于全员的参与和数据驱动的管理思维，确保指标体系真正为研发团队和企业创造价值。组织效能提升组织效能提升=多栈工程师数量多栈工程师数量(广度广度

96、)X X 多栈业务交付量多栈业务交付量(深度深度)X X 多栈工具能力多栈工具能力(先进性先进性)说明：具备足够能力的工程师使用具备先进性的工具完成足够产出量的业务交付，达到组织效能的整体提升目标1：识别每个维度的核心指标，厘清组织效能和多栈实践的关系目标2：建立针对核心指标的常态化的观测方法和管理方式，确保组织绩效达成目标3：从数据角度观测长期趋势、识别突出业务和异常问题图图 1212：贝壳多栈研发效能指标体系：贝壳多栈研发效能指标体系二、二、腾讯云腾讯云AIAI代码助手代码助手1.1.产品概述产品概述腾讯云AI代码助手是由腾讯云自研的一款开发编程提效辅助工具，开发者可以通过插件的方式将AI

97、代码助手安装到编辑器中辅助编程工作（VSCode或者JetBrians系列IDE）；而AI代码助手插件将提供：自动补全代码、根据注释生成代码、代码解释、生成测试代码、转换代码语言、技术对话等能力。通过腾讯云AI代码助手，开发者可以更高效地解决实际编程问题，提高编程效率和代码质量。2.2.支持的常见语言和框架支持的常见语言和框架理论上，AI代码助手不限制任何类型的代码语言，甚至对于中文内容的输入，都能进行自动补全。分类分类支持的语言支持的语言前端HTML、JavaScript、CSS、Vue、React、Bootstrap 等。后端JavaScript(Node.js)、Python、Java、

98、C#、Ruby、PHP 等。客户端Java、Kotlin、Swift、Objective-C、C#等。其他C+、Go、Rust、TypeScript、Shell、PowerShell、R、MATLAB、Perl、Lua 等。3.3.核心功能体系核心功能体系腾讯云AI代码助手构建了全面的核心功能矩阵，覆盖软件开发全生命周期的各个环节。通过深度集成大模型能力，为开发者提供从代码编写、理解到优化的一站式智能服务，显著提升开发效率与代码质量。基于深度学习的代码理解技术，腾讯云AI代码助手实现了高精度的智能代码补全功能。系统能对IDE中的业务代码进行全面解析，并在实时编程过程中提供上下文感知的智能补全建

99、议。补全质量与上下文代码的质量和丰富度呈正相关，通过持续学习项目特定模式，不断提高补全精准度。同时，腾讯云AI代码助手的错误修复功能能够快速识别并纠正代码中的语法错误和逻辑缺陷，帮助开发者规范代码格式，从源头保障代码质量。为解决团队协作与代码复用难题，腾讯云AI代码助手提供了强大的代码理解与测试生成能力。开发者在处理他人代码或进行延展开发时，可通过系统快速理解初始代码结构与逻辑，大幅降低理解成本；同时系统能根据函数、方法及内容逻辑自动生成高覆盖率的单元测试代码，实现测试的快速部署，确保代码健壮性。与此相配合，腾讯云AI代码助手的智能代码审查功能可在项目开发过程中及时发现并解决本地代码变更可能引

100、入的问题，提高代码质量，优化开发流程。腾讯云 AI 代码助手突破了传统代码辅助工具的局限，引入了工程级代码理解能力。通过workspace 和#Codebase 等创新功能，开发者可对整个工程进行自然语言提问，快速获取与代码仓库相关的精确答案，包括代码结构、函数和类关系、项目依赖以及复杂的代码逻辑和业务流程，实现了从代码片段到工程整体的智能理解与分析。为提升开发体验，腾讯云AI代码助手将对话问答功能与IDE进行了深度集成，开发者可随时以自然语言方式进行技术咨询，并一键将生成的代码内容插入编辑器；同时，系统支持自定义指令功能，开发者可快速调用常用代码片段或函数，调整AI响应方式，使其更符合个人或

101、团队的编程风格和规范，增强代码可读性和可维护性。面向企业级应用场景，腾讯云AI代码助手提供了知识库构建与模型集成能力。通过支持企业构建专属RAG知识库，系统在提供研发问答和智能编码服务时更加精准全面，有效增强了模型输出效果；同时，腾讯云AI代码助手具备多种大模型接入和切换功能，除支持腾讯自研的混元大模型外，还可接入 DeepSeek 等多种主流大模型，为企业提供更加灵活、强大、安全的 AI编程体验，满足不同业务场景的个性化需求。4.4.招商证券案例：金融科技领域的招商证券案例：金融科技领域的 AIAI辅助开发实践辅助开发实践在人工智能技术飞速发展的背景下，AI编程助手正逐渐成为金融科技领域软件

102、开发的重要工具。根据IDC发布的中国市场代码生成产品评估报告，目前有82%的开发人员在使用自动完成或代码生成功能的IDE中，显示出AI助力开发效率的广阔前景。尤其在金融行业，开发人员需要面对专业性以及安全合规性的多重挑战，因此打造一个符合行业需求的AI编程助手显得至关重要。招商证券于2023年开始探索AI辅助编程技术，并与腾讯云协作开发一个具备特色的AI编程工具，用以提升研发效率并满足金融行业的严格要求。金融科技领域的研发环境与其他行业大相径庭，开发人员不仅需具备高超的编程能力，还需深刻理解金融市场。这种复杂性使得金融编程工具面临着更高的门槛。招商证券在设计新的AI编程助手时，首先明确了四大需

103、求：完全私有化部署以确保数据安全、建立涵盖金融相关知识的专业知识库、提供技术问答以弥补无法外联搜索的短板，以及支持端侧的向量化检索技术，从而为广泛的金融业务提供有力支持。在框架搭建上，招商证券与腾讯云的合作中，构建了一个模块化和可扩展的工具平台。平台通过腾讯云的技术能力，支持灵活的指标监控与数据统计，插件式设计也让系统能够根据具体需求及时调整与扩展。同时，利用腾讯云的先进模型与招商证券自身大数据的结合，大大提升了代码补全的准确性，这是为了解决行业中普遍存在的代码重复率高和效率低下的问题。经过不断调试与优化，该工具已能够接受超过16万行代码，且补全的采纳率达20%。在使用体验方面，招商证券对工具

104、的推广采取了有效的策略，通过建立反馈机制与数据监控，能够及时调整运营策略，并提升用户的使用积极性。不仅如此，重构后的 JetBrains IDE使得工具在实际使用中更加流畅，开发人员在编写代码时也能通过新形式的交互体验明显提高工作效率。行业内的实际应用案例显示，AI编程助手在开发策略交易、风险管理软件等领域同样展现出了很好的潜力。招商证券的实践案例充分证明，在金融科技等高度专业化领域，AI代码助手通过融合行业知识与先进技术，能够有效解决开发效率与专业性的平衡问题，为企业数字化转型提供强有力支撑。这一模式不仅适用于金融行业，也为其他对安全性与合规性要求严格的行业提供了可借鉴的实施路径，展现了基于

105、AIGC的智能化多栈开发新模式在垂直行业的落地价值。三、三、硅心科技硅心科技 aiXcoderaiXcoder北京硅心科技有限公司（aixXoder）孵化自北京大学软件工程研究所，创始团队均来自北京大学，是全球最早将深度学习技术应用于代码生成与代码理解领域的团队。团队累计在国际顶级期刊和会议发表论文 200余篇，其中多篇是智能化软件工程领域的首篇论文和引用率最高的论文。公司为国家高新技术企业、北京市专精特新企业，同时是中国信通院 AI4SE工作组首批成员单位、生成式人工智能技术及产品评估方法智能化软件工程技术和应用评估方法等行业标准的核心编写单位。硅心科技专注于AIGCforCode领域，致力

106、于将前沿人工智能技术应用于软件工程，聚焦代码大模型的私有化应用与企业领域知识融合，助力企业实现智能化研发。aiXcoder智能化软件研发系统基于代码大模型构建，为企业和个人开发者提供代码生成与补全、智能问答、智能代码搜索、单元测试生成、代码注释生成、代码解释、代码审查等智能开发支持，提高软件研发效率，提升代码规范性和代码质量。1.1.核心技术体系核心技术体系aiXcoder代码大模型基于高质量训练数据集，结合代码结构化特征的训练方法，提升生成代码的准确性。在自研模型基础上，aiXcoder进行了推理加速、服务端、路由端和插件端等多种工程化能力优化。针对国内外不同芯片，结合FlashAttent

107、ion、FlashMLA等先进的推理加速技术进行推理优化；同时结合代码语法分析工具和静态分析工具对模型的输入与输出做前处理和后处理；进一步增强模型工程化能力，更适用于真实开发场景。以代码大模型为基石，aiXcoder从最初的智能化代码补全工具起步，逐步扩展为覆盖软件开发全流程的智能工具集合；并将大模型与软件工程工具结合，通过多Agent系统实现项目级代码生成、项目研发问答、issue自动处理等更复杂开发任务的自动化处理。在现有的软件开发流程中，程序员需要手动编写大量代码，并进行繁琐的调试与优化，导致效率低下，时间与人力资源的浪费。aiXcoder智能代码生成与补全功能通过构建面向项目级别代码生

108、成的多智能体系统-CodeAgent，模拟程序员在实际开发中的工作流程，实现了项目级别的代码生成，在项目级别代码生成上的准确率也得到大幅提升，提高了在实际应用场景中的开发效率。随着软件系统规模的扩大，人工代码审查和测试显得尤为困难，特别是针对复杂的业务逻辑，人工检查往往难以覆盖所有代码路径，容易出现潜在的缺陷。为解决这一难题，aiXcoder测试代码生成功能创新性地采用程序切片思想，将复杂的待测代码转化为若干简单的代码片段，并结合大模型对每个代码片段分别生成测试用例，最终归并各代码片段的测试用例，极大提高了软件测试的覆盖度，进一步保障了软件质量。aiXcoder企业代码搜索引擎也是产品的另一创

109、新模块，通过融合AI深度理解能力与传统检索技术，实现了企业代码库与开源代码的一体化智能检索。该引擎无缝集成企业内部代码库与开源生态，使开发者能够在统一界面中同时搜索企业专有代码与高质量开源代码。系统采用智能筛选机制，自动评估并推荐符合企业技术栈和质量标准的开源代码片段，便于开发者快速引入成熟解决方案。更重要的是，代码搜索引擎能够精确识别项目中雷同或相似的已有代码实现，有效避免重复开发问题，显著提升团队协作效率和代码复用率，为企业构建更加高效、统一的代码资产管理体系。如今，基于对开发者和企业需求的持续响应和创新，aiXcoder进一步聚焦于帮助企业构建领域化代码大模型。为解决企业领域知识与大模型

110、融合难题、满足企业在数据安全合规和个性化应用等方面的需求，aiXcoder为企业提供了完备的智能化软件开发解决方案，包括私有化部署、定制化开发等服务，以及领域化提示工程、领域化增量训练、领域化偏好对齐训练等技术支撑；持续推动AI技术在软件工程垂直领域的深度应用。图图 1313：aiXcoderaiXcoder智能化软件开发解决方案智能化软件开发解决方案2.2.行业应用案例行业应用案例在金融领域，aiXcoder针对银行企业在软件开发中面临专业领域门槛高、安全合规要求高、代码准确性要求高等挑战，进行本地化部署，并运用银行企业千万行级别的领域代码进行模型个性化训练，实现特定技术框架的代码生成和迭代

111、升级。银行企业的代码生成占比由个性化训练前的10%提升到35%，整体开发效率提升30%。在航天领域，aiXcoder与航天企业联合推出该领域首个人工智能技术与软件工程相结合、自动将控制算法生成程序代码的软件开发产品。历经为期 9个多月的严格测试验证，累计生成超10万行代码；在实际应用中，该产品显著缩短了控制算法软件代码编码时间，极大提高航天软件开发效率和质量，促进航天器控制技术的创新和发展。目前，aiXcoder已为金融、军工、航空航天、IT、能源、智能制造等行业头部企业量身打造了智能化软件开发个性化解决方案，覆盖多元应用场景。致谢致谢本报告的完成得益于多方支持，我们怀着由衷的感激之情，谨向所

112、有为本研究提供无私支持与专业指导的各位同仁致以最诚挚的谢意。首先，衷心感谢李戈、朱少民、陈振宇教授，他们深厚的理论基础、深刻的技术洞察以及对于技术如何和产业融合落地的独到的思考，不仅在本报告的编写过程中，也在日常工作中给予了我很多启发和指导。其次向菜鸟CTO李强、阿里副总裁叶杰平、腾讯云开发者产品总经理刘毅，表示至诚的谢意。多年产业经验的积淀及深入技术理解，让他们始终保持着对技术发展重构产业的特有的敏锐洞察。与各位专家的交流，让我们在编写本报告的过程中获益匪浅，也为工作实践提供了很强的指导意义。此外，真诚感谢中国信通院云大所及其专家指导团队，他们过硬的专业能力为报告提供了有力支撑，为我们打开了新的思考视角，赋予了报告更为权威的底蕴。我们相信，本次报告的发布，能够为业界同仁带来一些关于智能化多栈开发的思考，促进人工智能技术更快地融入产业，推动智能化开发从工具层面到组织层面为企业带来更为深远的价值。项旭