内容简介:
随着大模型能力快速演进,AI 赋能软件工程已从概念验证走向规模化落地。本次演讲以中原银行 AI 驱动研发工程体系建设为蓝本,系统分享开发规范智能化约束、SDD 需求与设计融合、AI 友好 CLI 工具链、质量门禁自动匹配等核心工程实践;介绍 AI 技术中台的架构设计与关键能力——AI 注册中心、网关、可观测平台如何支撑全行 AI 应用规模化;展示自主智能体在代码审查、运维排障等场景中人机协同的落地成效。结合一线实践中的挑战与经验教训,为金融机构 AI4SE 落地提供可借鉴的路径参考。
演讲提纲:
1.背景
千人研发团队、7+ 技术栈,规范依赖人工巡检,AI 工具碎片化使用。核心判断:AI 必须嵌入研发流程成为组织级能力,而非停留于个人效率工具。三条改造主线:SDD 改造需求上游 → Coding Agent 改造编码中游 → 平台化智能体覆盖下游全流程。
2.SDD:Spec-Driven Development
2.1需求→用户故事→编码各环节独立撰写,信息逐级衰减,返工率高。SDD 将业务需求、技术设计、编码规范融合为一份 AI 可结构化理解的规格文档——从"人读的"变为"人和 Agent 共读的",本质区别在于结构化、可验证、可执行。
2.2关键实践:用户故事自动拆解 + AC 智能生成;前端交互设计与后端 CLI 工具双线并行(同一份 Spec,前端生成原型与组件,后端生成接口与模型);Spec 版本管理与迭代同步。
2.3落地路径:试点团队 → 扩展验证 → MVP 冻结 → 全行推广。核心阻力在需求编写习惯重塑。成效:需求→编码流转效率提升、返工率下降、开发周期缩短。
3.Coding Agent
3.1核心矛盾:Agent 生成速度越快,不合规范代码的风险放大越快。命题——如何让 Agent 遵循企业编码规范。
3.2规范植入:AGENTS.md 规范体系(行为准则、编码红线、项目上下文);SKILL 的编写与迭代——从"人教人"到"文档教 Agent"。工程实现上,用 npm 包作为规范分发载体,统一分发给各技术栈 Agent,三层结构:Instruction(行为指引)+ Hook(提交时自动检查)+ Skill(场景化能力注入)。
3.3基础设施:AI 网关统一鉴权、路由、限流、审计,支持千人并发;可观测平台做模型调用指标与用量统计。安全方面覆盖代码脱敏、生成代码漏洞扫描、审计日志全链路可追溯,符合银行业监管要求。
4.平台化智能体
4.1定位:工程体系产出的可复用能力单元。统一架构:接入层 → 编排层 → 工具层 → 数据层,新场景接入从"开发"变为"配置"。
4.2QA 智能体:代码质量扫描常态化,与 Coding Agent 联动——Agent 生成代码 → QA 自动审查 → 结果反馈修正。
4.3智能运维助手:多智能体协作(监控 + 诊断 + 修复),AI 辅助日志分析→根因定位→修复建议。
4.4智能体中间件:企业 IM、OA、DevOps 等系统接入自主智能体的统一中间件,解决各系统独立对接成本高、能力无法复用的问题。核心能力:标准化接入协议、Agent 路由与编排、对话管理与上下文保持(跨系统多轮对话、权限透传)。各系统只需做"接入",Agent 能力的理解与执行由中间件承担。
5.经验与方法论
5.1规范推广阻力在习惯不在技术:破局策略是"技术硬约束 + 体验软引导",让合规比不合规更省力。
5.2组织适配:新增 AI 工程师角色,QA 职责转向"审 AI 用例 + 设计规则",PM 与开发协作模式重构。
5.3质量兜底:按确定性分层——高确定场景高信任自动化,低确定场景人审为主。效果度量:Function Points / 缺陷密度 / 交付周期 / 开发者满意度等。
5.4方法论:"技术先行、规范随行、组织并行"。AI4SE 是研发范式的系统性变革,不是单纯的工具替换。
听众收益:
1.中小银行 AI4SE 落地的务实技术路径:了解如何在资源有限条件下选择适合自身的切入点和推进节奏,从开发规范智能化到研发流程融合的分阶段迭代实践
2.AI 技术中台架构设计参考:获得 AI 注册中心、网关、可观测平台等核心组件与 Coding Agent 与研发平台集成的实践经验
3.一线踩坑与避坑指南:直接获取在 AI4SE 推进过程中遇到的技术挑战与解决方案——AI 生成质量的兜底机制、大模型行内部署适配、效果度量等实战经验,减少试错成本
现任中原银行基础技术研发部技术负责人,全面负责全行开发平台、PaaS、DevOps 工具链及 AI 基础设施建设。主导 AI 驱动的研发工程体系、AI 技术中台、数字员工体系建设。