微众银行大模型助效研发实践——AI为主角、人为助手的协作模式

微众银行研发效能提升与AI协作模式探索

主要问题与挑战

• 复杂性挑战：微众银行面临研发流程的复杂性问题，包括人员管理、产品开发、合规审查等多方面的挑战，导致效率低下和成本上升。

• 需求变动：市场快速变化导致需求频繁变动，要求快速响应和交付，增加了研发压力。

• 沟通与知识管理：岗位和角色的分工带来了沟通成本，同时，产品迭代和人员变更产生的大量知识需要有效管理和传承。

大模型的应用探索

• 初步应用：在ChatGPT等大模型的启发下，微众银行尝试利用AI技术提升研发效能，特别是在代码审查、实时代码生成、自然语言转代码、代码注释等方面取得了初步成效。

• 具体应用案例：

  • 代码Review：系统自动推荐代码片段，提高审查效率。
  • 实时续写：通过自然语言描述需求，直接生成代码，加速开发进程。
  • 代码注释：系统提供代码解读，生成逻辑图和时序图，提升代码可读性。
  • 微调模型：通过模型微调，针对特定代码集进行优化，提高针对性和效率。

遇到的困难与挑战

• 模型局限性：当前大模型在处理代码上下文、理解特定业务场景、代码微调等方面存在限制，尤其是在模型容量、计算资源和知识更新速度上。

• 集成与协同：在实际应用中，如何有效集成大模型与现有开发工具，形成高效协同的流程是关键挑战。

• 模型训练与成本：大模型训练成本高，资源需求大，如何平衡模型效果与成本效益是重要考虑因素。

多Agent协同策略

• RAG技术：通过RAG（Read, Analyze, Generate）技术，增强Agent能力，解决模型微调中的问题，提高代码理解和生成的准确性。

• Multi-Agent系统：

  • 基础Agent：集成开发工具，实现基础功能如需求分析、版本控制等。
  • 多环节Agent：根据业务场景，如文档生成、代码生成、测试等，设计不同层次的Agent。
  • 全流程Agent：实现从需求到代码生成的全链条自动化，提升整体效率。

• 人机交互优化：

  • 让AI成为主角：通过优化Agent设计，提升其理解和执行能力，减少人工干预，使AI在决策和执行中发挥更大作用。
  • 人机协同：尽管Agent承担大部分工作，但仍需要人工参与规划、反馈、调整，确保结果符合预期，实现人机高效协作。

展望与未来

• 技术进步：期待未来更多高效、智能的工具和平台，进一步降低AI应用门槛，促进更多人参与到Agent开发中来。
• 流程自动化：随着技术成熟和经验积累，期望实现更自动化、稳定的研发流程管理，提升整体效率和质量。

通过上述探索与实践，微众银行正逐步构建以AI为主导、人类为辅助的高效研发协作模式，旨在解决传统研发流程中的痛点，提升整体研发效能。