项目背景

与某电信设备平台软件团队合作，进行大模型辅助软件研发效率提升试点合作。针对客户自研代码体量大，内部编码标准苛刻，软件接口和依赖关系复杂，业务背景知识门槛高等特点，针对性的进行模型、语料和工具的建设和优化提升大模型在复杂系统软件研发中的效能提升表现。

咨询过程

针对客户的业务特点和软件特点，进行软件交付流水线和角色分析，制定合理的 AI 辅助研发效率提升目标和实施规划建议。帮助客户进行基础模型的选型与评估、设计模型调优方案、设计代码语料筛选与优化方案、设计 Prompt 与 SFT 方案、建设研发知识与代码 API 的 RAG 系统、优化工具 Agent ，建设测试与评价反馈机制。基于上述措施，综合帮助客户提升 AI 模型在复杂软件的研发中的使用效果和接受率。

合作成果

帮助客户制定了符合行业特点和实际情况的合理目标和规划，完善了 AI 辅助研发中模型与工具的持续建设、测试与优化的能力，帮助客户显著提高了业务代码和测试用例代码的 AI 生成接受率。

项目背景

在企业内网环境下，客户受限于计算资源，只能使用参数量受限的大模型进行软件研发效率提升试点。客户代码库包含大量自定义库和特殊规范，通用大模型难以准确理解和生成符合要求的代码。

咨询过程

针对客户内网环境和计算受限特点，我们系统总结了软件研发 AI 应用范式，建立了全面认知框架。通过优化生成过程和关键步骤指定，显著提升了参数量受限的语言模型能力。我们开发了历史代码RAG检索系统，使模型准确理解客户代码库；构建了外部工具链自动检测修正 AI 生成代码；打造了存量代码分析工具识别模式规则并指导生成；提供存量代码改写工具实现遗留代码自动优化。全程与客户紧密合作，持续优化方案，形成了企业内网环境大模型辅助软件研发的完整方法论和工具链。

合作成果

AI 生成代码接受度从 30% 提升至 50% 以上。生成代码稳定性提升 80% ，减少对现有项目的随意修改。即使在资源受限情况下，显著提升软件研发效率。标准组件开发和单元测试生成方面提效最为显著。建立可持续优化的 AI 辅助研发流程，为未来 AI 赋能软件研发奠定基础。