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。
❓
延伸问答
AI 辅助开发的效率提升有多大？
AI 辅助开发的效率提升在2%到13%之间，但对于大部分已有项目的提升通常在5%以下。
企业在实施AI辅助开发时面临哪些挑战？
企业面临的挑战包括缺乏AI软件工程专家、端到端实施难度大以及开发人员对AI生成内容的判断能力不足。
如何提高AI生成代码的质量？
提高AI生成代码的质量需要结合代码质量工具，如Sonarlint和Code Review，确保经过人工审核。
生成式AI在研发流程中有什么应用？
生成式AI适合改善流程规范化，推动研发数字化，帮助标准化开发流程和知识管理。
普通开发人员如何判断AI生成的代码是否正确？
普通开发人员可以通过快速生成测试用例、与团队领导或经验丰富的同事讨论来判断AI生成代码的正确性。
领域知识提炼对团队级AI的构建有何重要性？
领域知识提炼是构建团队级AI的关键，能够实现业务与技术的统一语言，促进各环节的无缝衔接。
🏷️
