基于ASDM的企业AI研发全流程赋能实践

核心观点与挑战

• AICoding个人效率提升显著，企业/团队层面效果不明显：AICoding在个人效率上已有成效，但在企业/团队层面难以推广，主要原因是最佳实践和工具繁多（如规则集、MCP、Skills、SubAgents等），开发人员不知如何使用；Agentic Coding模式学习曲线陡峭，需要主动学习才能上手；AI生成的代码不符合企业编码规范和安全要求。
• 企业端到端提效面临角色互动问题：企业关注端到端提效，涉及产品经理、项目经理、测试人员和运维人员等多个角色，而IDE插件工具难以解决所有角色的问题。
• AI4SE落地策略需体系化：企业需要一套容易上手、体系化的AI4SE落地策略，为技术管理者提供可参考、可落地、可评估的方法。

实施效果追踪

• CodeBuddy ASDM导入后效果显著：2025年11月5日导入CodeBuddy ASDM最佳实践后，两周内用户日活从400人提升至500人，Agentic编码模式活跃率明显提升，总体代码生成率接近40%。

ASDM方法介绍

• ASDM (AI优先系统化研发方法)：覆盖软件研发全流程，为不同角色提供针对性AI化场景支撑和提效，实现端到端交付价值流输出。
• 工具包（Toolset）：ASDM的交付单元，可独立开发、测试、打包和持续交付，独立于工作空间，通过AI代理引导安装。
• 核心实践：推动开发人员使用Agentic Coding模式，关注AI化场景数量和单场景提效比例，转向场景化提效而非代码补全。

Agentic Coding模式对比

• 对话模式：以自然语言交互为核心，理解用户需求并结合对话历史生成文本或代码。
• 代码补全模式：以代码上下文为核心，分析语法结构、变量命名和函数调用关系生成代码片段。
• Agentic模式（推荐）：以目标驱动的自主决策为核心，调用外部工具和多轮推理实现复杂任务自动化执行。
• 提示构建要素：
  • 对话模式：任务描述、约束条件、上下文管理。
  • Agentic模式：目标设定、工具调用指令、状态管理。
  • 代码补全模式：代码片段触发、约束条件、示例引导。

场景质效评估体系

• 评估方法：基于AI化场景数量和单场景提效水平，考虑开发人员编码和代码评审时长（约40%），通过分析每个场景节省时长=过程单元耗时x有效性系数xAI采纳次数，统计人日均使用次数作为采纳率数据，赋予研发智能问答较低有效性系数以去除杂音。

实施策略

• 核心实践：
  • 推动开发者从代码补全向Agent编码模式切换。
  • 推动最佳实践集和AI工具集的持续建设。
• 交付物：
  • 试点团队掌握并落地核心实践。
  • AICoding最佳实践文档中心（包含项目级认知构建、AI工具包构建、培训教材等）。
  • ASDM工程平台设计方案。
  • 内部推广机制（持续培训、示范效应）。

试点团队收益

• 可用的项目级认知和AI工具包，可见的效能提升。
• 总结实践经验输出到文档中心，推动更多团队采用。

ASDM关键能力

• 场景化认知能力：通过AI与人类互动完成上下文采集、整理和版本管理，借助agentic引擎/规则集/知识库等能力维护项目知识体系，确保生成结果的准确性。
• 自主任务执行：围绕AI的ReAct工作模式，提供异步调用的多种工具，构建自主任务执行循环，通过异步调用验证结果形成自闭环。

场景示例

• 任务级代码生成：通过MCP辅助项目认知提取模块信息，调用工具获取示例代码，生成符合项目特点的代码。
• 事件问题分析/代码级定位：通过MCP辅助获取日志排错相关的prompt，调用工具获取调用链路信息，提取接口信息并给出优化建议。

DevOps + AI4SE整体实施策略

• 一横四纵构建研发智能体集群：
  • 横向布局：逐步构建或引入ASDM工具包，串联成端到端能力。
  • 纵向布局：优先构建通用领域（编码、代码评审等）的AI驱动提效工具链，业务属性强的环节依赖自身能力构建。
• 端到端AI驱动应用生成可能性：越接近用户和业务场景的应用形态越容易实现端到端，越接近底层/数据处理和独特技术实现的应用形态越难实现。