今天我们聊一聊智能开发。智能开发通常指的是在软件开发过程中应用人工智能技术，以提高开发效率、质量和创新性。

在大模型诞生之后，智能开发一直被视为 AI 落地的典型场景，走在前沿的开发者也快速接受了代码推荐为主要形态的 AI 辅助编程。但在此之后，我们期望大模型可以带来更大的效率提升。

在日前举办的 QCon 全球软件开发大会上，百度前端架构师、百度技术组织委员会 Web 方向负责人张立理带来了主题为“大模型技术重塑智能研发新范式”的演讲。

下面是演讲实录，我们在不改变原义基础上进行了删减。

👇👇👇

我来自百度的工程效能部，我们的主要任务是推动智能研发场景和相关产品的内部实施，比如我们的百度文心快码。在这方面，无论是我自己的使用体验还是对工具的研发，我都投入了大量的精力和积累了丰富的经验。

研发工具的发展

在我看来，重塑并不是简单地将模型作为一个工具来使用，而是要让模型深入到研发的每一个环节，承担更多的功能和责任，实现真正的变革。我将从几个不同的角度来分享我对重塑的看法以及我的实践经验。

所谓的重塑可以从多个视角来理解。首先，我们不妨从研发工具的角度来看看，自从 GitHub Copilot 大约两年半前推出以来，这一类代码助手应用经历了怎样的发展，带来了哪些变化。

Go Fat：更大规模的代码补全

Go Fat，是指智能研发工具在不断扩展其功能和能力。以代码续写为例，这是大家在使用这类工具时常见的功能：当你输入一行代码后，工具会显示一段灰色的幽灵文本，这是模型基于推理预测你接下来可能要编写的代码片段。你只需按下 Tab 键，这段文本就会上屏，替代你手动敲击键盘，从而提升编写效率。

传统的续写功能大多是以行为单位的，比如 JetBrains 的官方智能功能，称为 Full Line code completion，就是基于整行的补全。但以行为单位的补全与我们编写代码时的逻辑概念并不完全吻合。因此，许多工具开始尝试承担更多的代码生成任务，实现更大规模的补全。例如，快捷的代码补全可以扩展到一个分支，如果有注释作为引导，工具可以生成整个方法的逻辑代码，提供更大范围的补全，进一步提升开发效率。

在智能研发工具的发展过程中，我们不可避免地面临一个挑战：多写多错。在有限的上下文中，单行代码的准确率相当高，但随着代码行数的增加，准确率会下降。对于开发者来说，判断一行代码的正确性可能只需要 0.5 秒，但判断 10 行代码的正确性则可能 5 秒都做不完，这种复杂度的增加是非线性的。因此，在处理多行代码时，准确率变得极其重要。

智能开发产品从几个角度对准确率进行优化。首先是触发时机，并不是所有情况下都适合进行多行补全。例如，当你写了一半的代码时，补全这一行会更准确；但如果在此基础上继续补全三行，准确性就会降低。此外，如果没有上下文联系，比如只写了一个方法名“do work”，此时补全多行代码显然是不合适的，因为缺乏足够的信息，只能进行猜测。因此，大多数产品会在特殊的语法节点进行控制，比如 if、for 语句，或者在有注释、连续空行以及其他逻辑的情况下，选择最合适的多行补全时机。

其次是推理逻辑，即模型能够获取的信息，包括前文、后文、相关文件、依赖文件以及库检索等。这部分在后续的开发者个人的章节会详细描述。

模型推理时不会因换行符而停止，而是会持续推导，但这种持续推导会导致错误率增加。因此，我们需要在语法层面控制结束位置，比如在 if 块结束时停止推理。

最后是质量检查，以规避模型的一些常见错误行为，比如输出连续重复的 token 或者与光标后的代码重复的内容。通过这些检查，我们可以隐藏不合格或明显低质量的推理结果，因为这些结果不仅不会提升效率，反而会增加开发者阅读代码的负担，降低效率。

根据我们的数据，多行推理的采纳率甚至可以超过平均值。在采样数据时，平均采纳率 大约为 41%，而多行推理，包括主流语言，可以达到 50% 以上。这表明，当产品和模型结合得当时，进行更大规模的补全可以取得更好的效果。

Be Rich：丰富的生成能力

Be Rich，即工具的生成能力。除了补全代码，智能工具还提供了更丰富的功能。以代码调优为例，大模型天生具备解释、分析、总结和摘要的能力，因此，当我们要求模型进行代码优化时，它在局部代码规模上的表现是相对可靠的。例如，对于一段代码，模型能够指出其中的重复部分可以提取，建议将明显的字符串转换为常量，指出违反类型安全的地方，并提供修复后的代码。这样，我们不仅在编写代码的过程中使用模型，还可以在代码已经存在的情况下，进一步通过模型进行局部重构和优化，这些能力正在逐渐落地。同时，我们通过产品校验确保优化后的代码与实际代码能够无缝合并，没有任何逻辑上的损失，从而获得最佳的代码重构和优化效果。

另一个能力是函数拆分。我们并不是简单地让模型自由地做拆分，而是针对特定场景进行特殊的模型提示词优化。

以前端 React 组件拆分为例，首先，我们会从组件中提取通用逻辑作为通用函数，这些函数可以在任何地方复用。其次，组件中有一个称为 hook 的概念，这是组件特有的可复用逻辑，我们也会将其提取为独立的可复用单元。最后，我们会将一个组件拆分成多个小组件，然后将它们重新组合在一起。这是我们在日常工作中进行代码拆分的常见实践。

我们作为产品开发者所做的，就是将工程师的日常经验和实践转化为模型的提示词和产品能力，沉淀到我们的产品中。这样，经验丰富的工程师的实际效果可以让更广泛的开发者受益，这远远比简单地告诉模型去拆分函数要准确得多。

Seek Deep：更深度地了解全库

Seek Deep，即更深度地了解整个代码库。过去，模型对于代码库的理解非常有限，以前它们在帮助编写代码时，主要依据的是光标前后的内容，以及中间应该写什么。然而，随着技术的进步，通过嵌入和向量化等手段，我们现在可以对整个代码库进行索引和理解。

最典型的例子是分析函数的作用。以前，模型可能只能逐行解释这个函数是做什么的。但现在，有了对整个代码库的理解后，我们可以清晰地看到业务逻辑流程，这不仅仅是函数调用的流程。我们可以了解这个业务逻辑的含义，它先做什么，后做什么，以及哪些模块会使用到这个业务逻辑。这种理解类似于流程图，能够直观地展现出来，让你不仅知道一个函数的作用，还能了解这个函数在整个项目中扮演的角色。

Create By Trust：值得信赖的工作

Create By Trust 指的是创造值得信赖的工作成果。在许多情况下，模型生成的内容可能存在错误，这使得开发者对这些错误抱有一种焦虑心态。

为了解决这个问题，我们可以在一些特定场景下让模型介入，例如在运行一个命令时。开发者经常会遇到命令执行出错的情况，这时可以让模型尝试修复错误。模型能够非常准确地定位到具体文件的某一行或几行，并在文件中直接修改代码。采纳模型提供的代码后，有一个明显的好处：你可以重新运行该命令，并立即看到结果。如果结果显示正确，即表示命令执行成功，这种成功与否的反馈能够给工程师带来对结果好坏的信赖感。

At Your Hand：更贴合现场的交互

At Your Hand，我们希望智能研发工具的交互更加贴合程序员的工作现场。程序员的工作现场主要是代码编辑区，而不是旁边的目录树。许多产品在侧边栏中加入了对话功能，这是一种基础形态，更多是用户想到时才去使用，而不是真正融入到工作流程中。现在，大多数产品都在推广一种称为 Inline Chat 的功能，它直接在代码编辑区内弹出对话框。在这个对话框中，你可以输入具体的代码需求，由于它是从代码区触发的，所以更倾向于直接生成代码，而不是进行解释或问答。然后，它可以直接在编辑区内写出代码，不仅可以新增代码，还可以选择一段代码进行修改。这种形态更加紧密地与工作现场结合，使焦点不需要转移，使用起来更方便、更友好、更快捷。

免费资料
另外，我还给大家准备了一套特别全的「AI 大模型学习资料包」，首次免费送给大家（买不买课都送）！

✅ AI 大模型学习路线图（2025 版）

✅ GeekAGI 知识库：DeepSeek、AI Agent 、MCP、AI 工具和框架、AI 提效案例

✅ AI 大模型面试题 300 道

✅ 26 套 AI 大模型行业研究报告

✅ 50+ AI 大模型必读电子书

👇👇扫码免费领取全部内容👇👇

 

资料详细内容如下
福利 1：AI 学习路线图（2025版）
2025 年入门 AI 大模型该学什么，有这张图就够了！

福利 2：GeekGI 知识库
DeepSeek 知识库
AI Agent 知识库
1200+ AI 工具和框架
MJ、SD 等 AI 应用的一条龙教程
AI 经典开源项目、工作提效 / 副业变现案例

福利 3：AI 大模型面试题 300 道
包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG、Agent 面试真题…
福利 4：24 套技术大会 2025 年案例 PPT

👇👇扫码免费领取全部内容👇👇