课程 ID: 18266
描述:
案例背景:
在现代软件研发过程中，研发效能的优化一直是企业技术团队关注的核心问题。随着工程规模的扩大和业务复杂性的提升，研发团队在编码效率、问题定位、跨语言协作以及知识复用等方面面临越来越多的挑战。传统技术工具虽能解决部分痛点，但往往缺乏智能化与灵活性，难以支撑高效研发的需求。然而，将大模型应用于研发效能优化场景中仍面临以下挑战：
1. 研发工作场景多样化：包括代码生成、代码性能优化、跨语言代码翻译、技术问答等。每个场景对模型的响应速度、准确性以及工程化程度都有不同的要求。
2. 模型可靠性与效率的平衡：大模型生成结果的可靠性不稳定，特别是在代码相关任务中，泛化生成结果可能因缺少上下文引入错误。此外，如何让模型在高并发、多任务下高效运行也是需要解决的问题。
解决思路:
为了实现研发效能的全面优化，我们主要引入了 Agent 和 RAG两项关键技术，并围绕具体场景与需求进行了深入探索和技术攻关：
1. Agent 技术的应用
通过 Agent 构建智能化任务处理体系，使其能够动态感知研发场景需求并自主调度任务。例如，在代码性能优化和翻译场景中，Agent 可以根据上下文信息调用不同的模型能力，自动化完成一系列复杂流程，包括问题理解、代码生成或翻译等。
2. RAG 技术的引入
为解决模型泛化不足和回答精准性问题，我们引入了 RAG 技术（检索增强生成）。通过结合外部知识库，先对研发领域相关文档和资源进行检索再生成，确保模型在技术问答和代码相关任务中的准确性与可靠性。在跨语言代码翻译场景中，检索帮助 Agent 更好地理解目标语言的特定语法规则，提升翻译质量。
成果：
1. 显著降低了公司内部的技术类oncall数量，节省了研发人力
2. 完成了部分服务的改造，取得了显著的性能收益