日程 › Agentic AI 愿景与软件工厂 › 纪要

AI Dev 方法与实践

潘爱民
指令集公司创始人 & CEO,操作系统专家
主题一 Agentic AI 愿景与软件工厂⏱ 09:50–10:00🎙 20 分钟现场录制
📊 信息图 · 一图读懂🎙 20 分钟 · 10 章节 · 11 关联实体
音频围绕个人技术经历、行业发展趋势及软件开发行业变革进行了分享
个人技术经历
代码经历
行业发展趋势
数字化到 AI 转变
软件开发行业变革
行业收缩预期
软件开发趋势
架构稳定:软件架构逐渐趋于稳定,如今与 5 年前相比,很多公共框架和库变
AI 在软件开发中的应用
解决疑难问题:在排查生产环境中的偶现问题时,AI 能关联日志、协议等信息
软件开发模式变化
咨询加服务模式:在 to B 业务的软件开发中,咨询加服务的模式在 AI

智能纪要 (第 1 段,6 分钟)

音频围绕个人技术经历、行业发展趋势及软件开发行业变革进行了分享,内容如下:

  • 个人技术经历
      • 代码经历
          • 早年编写过大量代码,近 20 年未写,但会关注代码以理解技术和产品。
          • 曾在微软工作,后专注于操作系统领域 20 多年。
      • 创业历程
          • 2018 年在杭州创业,成立子林级公司,愿景是做底层系统,统一各种产业场景。
          • 到 2023 年前后,形势发展超出预期。
  • 行业发展趋势
      • 数字化到 AI 转变
          • 2023 - 2024 年面临从数字化到 AI 的转变,AI 技术使行业热度回升。
          • 企业需成为 AI 原生企业,如去年就提出此观点。
      • AI 发展历程
          • 5 年前人工智能快速发展,方向包括 AI for science 和超算等。
          • 2023 年后大模型吸引了人工智能领域的关注,随后发展到 AI 的 infrastructure 和智能体。
  • 软件开发行业变革
      • 行业收缩预期
          • 5 年前认为软件开发行业会收缩,原预期方向为代码替代、标准化、平台化等。
          • 但现在实际发展方向与预期相反。
      • AI coding 思路:去年提出 AI dev 思路,将其作为全生命周期的一个环节。

章节速览

00:0020年未写代码,18年创业做底层系统情况
本章节说话人1介绍自身情况,称早年写过很多代码,近20年没写但会看代码以理解技术和产品。2018年在杭州创业成立子林级公司,因过去专注操作系统且对底层有感情,当时愿景是做一个底层系统统一各种产业场景,到2023年前后,形势发展超出预期和想象。
01:3723 - 24 年将面临从数字化到 AI 的转变
本章节主要讨论了数字化产业的变化。说话人1认为数字化产业下行主要受疫情、经济及数字化技术自身透支影响,而非AI冲击。AI技术让原本冷却的产业再度火热起来,指出2023年和2024年将面临从数字化到AI的转变,还提及去年自己也在做相关事情。
02:30近五年AI发展变化及创业经历感受
本章节中说话人1表示公司要成为AI原生企业,回顾了人工智能的发展历程。约5年前人工智能快速发展,方向不明确,有AI for science、超算等方向;2023年后大模型吸引了大量关注,2023 - 2024年从AI基础设施到智能体,资本和产业都有新发展。还提及这几年经历与创业初心不同,感受深刻。
04:265年前对软件开发收缩的预判及去年AI dev思路
本章节中说话人1表示4、5年前就认为软件开发行业会收缩,收缩形式包括代码替代、标准化、平台化、低代码工具、加强平台能力、中台建设等,避免重复工作。但现在情况或与预想相反。去年其提出AI dev概念,思路是涵盖软件开发全生命周期,而AI coding只是其中一个环节。

智能纪要 (第 2 段,15 分钟)

音频围绕软件开发趋势、AI 在软件开发中的应用以及软件开发模式变化等内容展开讨论,分享了相关实践案例和经验,探讨了 AI 对软件产业的影响和带来的机遇与挑战,内容如下:

  • 软件开发趋势
      • 架构稳定:软件架构逐渐趋于稳定,如今与 5 年前相比,很多公共框架和库变化不大。
      • 团队规模变化:复杂业务逻辑的应用方团队规模变小,采用 OPC 模式,让一人负责项目,不分前后端,若遇到问题可自行找人或借助 AI 解决,这能驱动组织架构变革。
      • 专业团队效率提升:专业开发服务团队在 AI 加持下效率极大提高,如曹总公司将效率提高 5 到 10 倍甚至更高,未来会出现大量高价值的服务公司。
      • 分层分工:大厂和底层基础设施、重量级工程仍需大团队,软件公司最终会形成分层分工的格局。
  • AI 在软件开发中的应用
      • 解决疑难问题:在排查生产环境中的偶现问题时,AI 能关联日志、协议等信息,比人工更高效地诊断问题。如某生产系统问题,人工可能一两周排查不出,而 AI 两天就解决了。
      • 开发复杂软件:对于复杂的工业软件,AI 可缩短开发时间和降低成本。原本需要 5 年开发的软件,现在可能 1 年内就能完成,投入的人力成本也大幅降低。
      • 构建知识库:需将人的工作前置,形成领域知识库,贯穿需求文档、测试用例验证等环节,大模型可介入知识库的使用。
      • 人与 AI 协同:软件开发迭代时,要保证人与 AI 的协同效率,避免每次只能重新生成代码或人过度介入,以提高迭代效率。
  • 软件开发模式变化
      • 咨询加服务模式:在 to B 业务的软件开发中,咨询加服务的模式在 AI 加持下可提高效率,缓解甲乙双方矛盾,为中国企业软件带来腾飞机会。
      • 定制化软件开发:AI 使定制化软件开发变为正向,降低投入成本,提高产出时效性,让甲方能更快看到软件原型并买单。
      • 潜在问题:AI 带来的软件开发叠加层可能会导致资深程序员的土壤变稀缺,软件质量也可能出现问题。

章节速览

00:00移动APP更新、软件架构趋势及OPC组织变革
本章节主要讨论了软件开发相关内容。移动APP更新不频繁,背后本质是对软件迭代自动化的诉求。软件架构会趋于相对稳定,与5年前相比很多公共框架和库较稳定。还提到几个趋势,如复杂业务逻辑应用方团队规模变小,认为OPC对研发合适,可作为驱动组织架构变革的抓手,项目可让一人负责不分前后端。
02:13AI加持下软件产业分工趋势及团队价值
本章节介绍了软件产业的几个趋势。一是专业开发服务团队在AI加持下效率极大提高,如曹总公司能将效率提高5到10倍甚至更高,未来会有大量高价值服务公司,把AI变成生产力;二是大厂、底层基础设施及重量级工程仍需大团队,软件公司最终会形成几层分工。
03:47AI解决生产系统偶现疑难问题的案例
本章节说话人1以实际案例说明机器比人在解决问题上更具优势。在生产环境中,偶现问题诊断和解决难度大,传统人工排查难以解决,如服务停掉消息发不出的问题,人工排查需看日志、协议等,而大模型能关联协议知识和日志信息,快速诊断问题,原本需一两周排查的问题,大模型两天就能解决。
06:51AI助力工业软件开发及领域知识库建设要点
本章节说话人1分享用AI做复杂工业软件的经验。传统方法开发此类软件跨时久、人力成本高,有AI加持可缩短时间、减少投入。要将人的工作前置,构建领域知识库贯穿始终,后续AI比重渐大。做新软件较顺,但迭代时要提高人与AI协同效率,需求侧和领域知识库要足够强大深入。
11:18AI加持企业软件业务模式,缓解矛盾促产业腾飞
本章节说话人1分享两点思考,聚焦企业客户to B业务软件开发。指出采用咨询加服务模式,在AI加持下开展咨询可提高效率,后续交付和方案也能极大优化,能缓解甲方乙方间的矛盾。认为这是模式上的变化,中国企业软件在AI助力下有极大机会腾飞,是值得看好的积极方向。
12:54AI定制化软件开发的机遇与潜在问题
本章节说话人1主要提及AI带来的软件开发机会与潜在问题。机会在于接受定制化,能极大降低投入、提高产出时效性,使甲方更快买单。同时,AI软件开发在现有基础上叠加一层,但也会带来潜在问题,如资深程序员环境变稀缺、软件质量问题等,后续还会对相关问题继续讨论。

本场涉及 · 知识库

以上为飞书妙记 AI 自动生成的纪要与章节摘要,可能存在识别误差,仅供参考。
← 多云统一 Agentic Infra蚂蚁 Agentic AI 基建挑战 →