肖斌：智能研发的点与面：蚂蚁代码大模型落地实践-30页_2mb

智能研发现场：蚂蚁CodeFuse大模型落地实践总结

演讲人：肖斌

一、CodeFuse研发全生命周期提效实践

• 代码大模型应用：通过分析开发者高频耗时活动，利用大模型优化代码补全、代码解释、测试生成等环节，显著提升个人生产力。数据显示，代码补全、代码解释等过程的效率提升可达数百倍。
• 全链路智能化：从需求拆解到系统部署，AI深度参与研发各阶段，降低人工参与率。CodeFuse平台实现AI与传统工具的融合，提供生成式编程能力，缩短交付周期。

二、大模型与效能平台产品演进

• 工具化到AI原生：效能平台从传统工具升级为AI原生平台，用户无需主动触发AI能力，系统自动将AI技术嵌入到开发流程中，提升操作便捷性和任务处理效率。
• 三大模式演进：
  1. Copilot+Chat模式：基于现有产品功能进行智能化升级，适用于生成、总结、推理类任务。
  2. Copilot+Agent模式：通过RAG、工具调用技术，增强AI对平台能力的调用，完成复杂跨平台任务。
  3. AI原生模式：AI能力深度嵌入用户操作，实现需求拆解、代码编写、测试部署等全流程自动化。

三、关键技术突破

1. 代码补全关键技术：

   • 上下文感知学习：结合程序分析与本地仓库感知，避免“模型幻觉”问题，提升代码准确性。
   • 动态触发优化：通过HPF队列和延迟机制，减少无效请求，提升GPU资源利用率。
   • Block-FIM训练策略：结合程序分析构建代码块级数据，解决大模型自回归训练无法支持补全的局限。

2. 工程实践挑战：

   • 仓库级代码问答与补全：解决跨文件依赖、代码隐含关联等问题，构建本地语义检索库加速响应。
   • 模型时效性优化：通过缓存、资源限流等手段，在10ms内完成代码补全请求，响应敏感型场景优先处理。

四、未来方向思考

1. 研发范式升级：构建“AI程序员”，利用多Agent技术协同完成复杂任务，从代码生成到运维监控全面智能化。
2. 技术普惠：AI转型为研发助手，让更多人员参与智能开发，提升技术民主化程度。
3. 大模型演进路径：
   • 从通用大模型到领域专用模型，增强对业务场景的理解能力；
   • 实现“无监督学习到自主决策”的跃迁，推动AI自主规划、执行闭环能力。

结语

代码大模型正逐步重塑研发流程，蚂蚁CodeFuse通过“提效探索-智能化路径-AI原生演进”三层布局，展示了AI技术规模化落地的关键实践。未来，蚂蚁将持续推动研发自动化，助力产业智能化升级。