phodal
·
AI 辅助研发的 2024 年的 6 个实践感受与思考
💡
原文中文，约3200字，阅读约需8分钟。
📝
内容提要
两周前，我分享了软件智能化开发的实践经验。AI工具提升效能有限，缺乏专家，端到端实施难度大。未来重点在于治理AI代码和提高代码质量。工程化是AI落地的挑战，开发人员需判断AI生成内容的正确性。生成式AI适合改善流程规范化，领域知识提炼是团队级AI的关键。总结：生成式AI需与现有体系结合。
🎯
关键要点
- AI工具提升效能有限，存在学习成本，开发人员容易放弃。
- 缺乏AI软件工程专家，企业内部流程改善困难。
- 端到端实施难度大，需求侧依赖性强。
- AI辅助需求、开发、测试和运维的工具逐渐丰富。
- AI辅助开发的效率提升在2%到13%之间，已有项目提升有限。
- 治理AI代码和提高代码质量是未来的重点。
- AI生成代码的质量受团队水平和代码审查影响。
- 工程化是AI落地的最大挑战，需要有效校验AI生成的内容。
- 普通开发人员需判断AI生成代码的正确性，面临较大挑战。
- 生成式AI适合改善流程规范化，推动研发数字化。
- 领域知识提炼是构建团队级AI的关键，需实现业务与技术的统一语言。
- 生成式AI需与现有体系结合，不能单靠AI解决所有问题。
➡️
