大模型驱动的产品研发：从概念到实施——端到端应用实践

一、从“抓手辅助”到“智能驱动”——研发范式的范式转移

1. 大语言模型的本领边界和研发适配图谱

• LLM的核心本领全景：领会、生成、推理、检索、规划、反思

• 哪些研发差事适合LLM、哪些不适合——本领适配矩阵

• 从“代码补全”到“端到端研发助手”的演进路径

2. 货品研发全生命周期的LLM价值地图

• 诉求阶段：智能诉求拆解和PRD生成

• 规划阶段：架构方案生成和技艺选型辅助

• 开发阶段：代码生成、审查、重构，文档自动化

• 测试阶段：用例生成、缺陷定位，自动化修复

• 运维阶段：日志拆解、故障诊断、智能监控

• 学识管控：心得沉淀、组织记忆、新人 onboarding

3. LLM驱动研发的ROI计算模型

• 效率拉升的量化指标：代码采纳率、入库率、缺陷拦截率

• 质量拉升的量化指标：Bug率下降，代码规范遵从率

• 成本结构变化：算力成本，人力成本、时间成本的再平衡

二、业界标杆实例深度剖析（一）：小鹏集团“灵犀”平台——零编码交付的AI研发新范式

实例来由：小鹏集团业务覆盖智能电动汽车，自动驾驶、飞行汽车、人形机器人以及AI芯片等等领域，全球8大研发中心。

施行路径：

• 以Amazon Bedrock作为基础模型底座，落地时，引入Kiro作为编程内核

• 深度集成Strands Agents SDK和Model Context Protocol（MCP）

• 达成从诉求、规划、差事、开发、测试、审查到发布研发全生命周期自动化

要害结晶：

• AI运用中心AI代码覆盖率超过70%

• 达成“零编码交付、端到端，自主进化”的AI研发新范式

• AI自主研判代码准确率、自主修复和重复测试、一键部署闭环

启示提炼：规范驱动开发（Spec-driven Development）是达成AI可靠编码的要害路径

三、【交流环节】研发痛点地图绘制

活动规划：每组参训者基于自身实际研发情境，绘制“当前研发流程中的效率瓶颈和质量痛点地图”，标注出“最期待AI介入”的3个环节，落地时，组内分享并全班投票选出Top 5痛点情境

一、大语言模型核心技艺速览（非算法人员友好版）

1. Transformer架构和LLM本领来源

• 注意力制度、上下文窗口、预训练和微调

• 为何LLM“懂”代码——代码语料的特殊训练

2. 主流模型选型指南

• 通用大模型 vs 垂域大模型：何时选哪个

• 开源模型（DeepSeek，Qwen、Llama） vs 商业模型（GPT，Claude）的选型决策矩阵

• 模型大小（参数规模）和部署成本的权衡

3. LLM运用的核心技艺栈

• Prompt Engineering：从零样本到思路链

• RAG（检索增强生成）：让LLM“接入”公司学识库

• Fine-tuning：让LLM“成为”领域专家

• Agent（智能体）：让LLM“做事”而非只是“说话”

• MCP（Model Context Protocol）：准则化AI和抓手集成

二、LLM和研发系统集成的架构模式

1. 三种集成架构

• 嵌入式集成：LLM作为IDE/开发抓手的插件（如TRAE、通义灵码）

• 平台式集成：构筑统一的AI研发中台（如小鹏灵犀，中兴星云）

• 代理式集成：多智能体协同完成端到端研发差事

2. 公司私域研发环境中的LLM部署考量

• 资料安全和合规：私有化部署 vs API调用

• 代码资产保护：不让公司核心代码“流出”

• 工程规范约束：让AI生成的代码符合公司准则

3. LLMOps：大模型的开发运维一体化

• 从资料准备、模型训练、评测，发布上线到版本治理的端到端闭环

• 模型迭代效率：从1个月到2周的精进路径

三、业界标杆实例深度剖析（二）：蔚来汽车×火山引擎TRAE——从个人效率走向组织智能

实例来由：智能座舱研发具备软硬件结合、多技艺耦合、调用链路长、多平台多车型多配置的特点，开发门槛极高

施行路径：

• 从本领、成本、安全合规三维度评核，选项部署TRAE

• 构筑三层AI代码审查架构：本地全量Review，本地增量Review、在线增量Review

• 将AI运用于代码审查、问题定位、学识沉淀等等要害环节，封装为Skill本领包

• 用AI上下文领会本领串联代码、文档、历史问题，自动生成项目入门Wiki

要害结晶：

• 开发人员日活跃率超70%，换个角度看，AI代码采纳率达90%，就一线经验说，AI代码入库率达19.8%

• 多个长期悬而未决的复杂问题借助AI辅助拆解得到破解

• 达成“心得不再随人员流动而离职，每一次开发都在为下一次开发积累心得”

启示提炼：AI Coding的价值不仅是代码生成提效，更是让心得沉淀、协同升级，促成研发本领从个人走向组织

四、【实地演示】从零搭建一个研发辅助Agent

演示内容：演示怎样用15分钟搭建一个具备代码审查、文档生成、学识问答本领的研发辅助Agent，展示从模型选项、Prompt规划到抓手集成、部署上线的完整流程。

一、智能诉求工程

1. LLM驱动的诉求拆解和挖掘

• 从用户反馈、竞品拆解、日志资料中自动提取诉求

• 诉求模糊性的智能消歧和补全

• 诉求优先级智能排序

2. 智能PRD生成

• 从一句话诉求到完整PRD的自动化生成

• PRD质量查验：完整性、一致性、可测试性验证

• 诉求变更的智能影响拆解

3. 规格驱动开发（Spec-Driven Development）的落地实践

• Spec（规格）作为人类和AI之间的共同技艺契约

• 三层规格架构：公司级规格、领域级规格，项目级规格

• 从“意图驱动”到“规格驱动”的演进路径

二、智能架构和技艺选型

1. LLM辅助技艺方案规划

• 从诉求到技艺方案的智能映射

• 架构决策的AI辅助评核和权衡拆解

• 技艺选型的多维度智能对比

2. 接口规划和API文档自动化

• 从自然语言描述到API接口定义的自动生成

• API文档的自动维护和版本管控

三、业界标杆实例深度剖析（三）：民生银行CodeAgent——规格驱动开发的金融私域实践

实例来由：银业界务系统具备规则复杂、系统耦合度高、安全合规要求严谨等等特点，传统对话式AI编程难以保证代码和公司工程规范的一致性。

施行路径：

• 基于CloudIDE + 民生Code CLI + 阿里云通义千问的技艺栈

• 探索规格驱动开发（SDD）在金融私域研发中的运用

• 基于公司级规格、领域级规格和项目级规格驱动代码生成

• 破解AI生成代码偏离规范、质量难控等等核心问题

要害结晶：

• 有效拉升代码规范性和研发效率

• 促成AI本领渐次融入公司研发架构

• 为金融业界AI研发提供了可复用的办法论轮廓

启示提炼：在公司私域研发环境中，规格是确保AI生成代码质量和规范的要害——Spec不是限制，而是解放

四、【工作坊】诉求到原型的AI加速挑战

活动规划：每组领取一个真实业务情境（如“规划一个智能客服货品”“开发一个项目管控系统”），在30分钟内完成：

• 用LLM生成完整PRD轮廓

• 用LLM生成系统架构图和模块划分

• 用LLM生成核心API接口定义

• 组间互评和讲师点评

一、AI辅助编码的实战办法论

1. 超越“代码补全”——AI编码的四个层次

• 层次一：代码补全和智能提示

• 层次二：函数/模块级代码生成

• 层次三：跨文件的上下文感知重构

• 层次四：端到端的功能交付（从诉求到可运行代码）

2. Prompt Engineering for Coding

• 让LLM领会“你要什么”的结构化Prompt模板

• 让LLM领会“你的代码环境”的上下文构筑招数

• 让LLM输出“符合规范”的代码的约束招数

3. 代码审查的AI化

• 三层AI代码审查架构的规划和施行

• 代码规范的自动化查验和修复建议

• 安全漏洞的智能识别和修复方案生成

二、智能测试和质量保障

1. 测试用例的自动生成

• 从代码到单元测试的自动生成

• 边界条件和异常情境的智能覆盖

• 测试资料生成

2. Bug的智能定位和修复

• 将代码上下文、Bug日志、历史解题打法输入LLM开展辅助拆解

• 自动化缺陷分类（ADC）和自动化缺陷修复（ADR）

• 从“发现Bug”到“修复Bug”的端到端自动化

3. 代码质量评核和持续改进

• AI驱动的代码质量度量

• 技艺债务的智能识别和量化

• 重构筑议的自动生成

三、业界标杆实例深度剖析（四）：TCL华星星智大模型——垂域大模型赋能半导体显示研发

实例来由：半导体显示领域具备学识架构庞杂，工艺链条长、缺陷种类多的特点，传统研发方式效率瓶颈明显。

施行路径：

• 发布全球显示领域首个具备强推理本领的垂域大模型“星智X-Intelligence3.0”

• 模型直接助力货品开发进程

• ADC（自动缺陷分类）和ADR（自动缺陷修复）技艺上线多条产线

• 模型渗透至生产和研发的更多核心环节

要害结晶：

• 货品问题拆解效率拉升20%，材料开发效率拉升30%

• 每年带来超5000万元效益

• 在半导体显示垂域本领已超越DeepSeek R1-671B

• 2025年TCL借助推进AI运用创造综合效益超10亿元

启示提炼：垂域大模型的价值在于“懂行”——将业界Know-How注入模型，落地时，比通用大模型产生十倍以上的业务价值

四、业界标杆实例深度剖析（五）：中国航空工业金航数码——代码智能生成助手的工业软件实践

实例来由：工业软件开发具备高可靠、高安全要求，传统开发效率和质量保障面临挑战

施行路径：

• 自主开发公司级软件研发智能体“代码智能生成助手”

• 深度融合公司数十年积累的代码资产和严格编码规范

• 借助LoRA微调和RAG检索增强、学识库以及学识图谱

• 炼就覆盖代码编写、审查、测试、BUG精进全流程的智能体

要害结晶：

• 在数百名工业软件研发人员中规模化运用

• 开发组织效能拉升30%

• 入选工信部2025年机器智能运用典型实例

启示提炼：AI赋能研发不是“替代人”，而是将组织数十年的心得资产转化为可调用的智能本领

五、【工作坊】端到端功能开发的AI全流程实战

活动规划：每组采用指定的LLM抓手（如通义灵码、TRAE或者Claude Code），运行层面，实操中，在60分钟内完成一个微型功能的完整开发流程：

• 步骤1：用LLM生成功能规格说明和接口规划

• 步骤2：用LLM生成核心代码达成

• 步骤3：用LLM生成单元测试用例

• 步骤4：用LLM开展代码审查和精进建议

• 步骤5：提交可运行的代码结晶

• 讲师巡回指导、各组展示和复盘

一、智能运维和可观测性

1. LLM驱动的日志拆解和故障诊断

• 海量日志的智能摘要和异常检测

• 故障根因的智能推理和定位

• 故障修复方案的自动生成和验证

2. 智能监控和告警治理

• 告警风暴的智能降噪和聚合

• 异常模式的自动识别和预测

3. 从“被动响应”到“主动预防”

• 基于历史资料的故障预测

• 容量规划的智能辅助

二、研发学识管控和组织记忆

1. 让研发学识“活”起来

• 代码、文档、历史问题、踩坑心得的AI串联

• 自然语言交互式学识检索

• 项目入门Wiki的自动生成和持续更新

2. 从个人心得到组织资产

• AI驱动的学识自动沉淀制度

• 心得不再随人员流动而离职

• 新人onboarding周期的大幅缩短

3. RAG在公司研发学识库中的运用

• 公司代码库和文档库的向量化

• 研发情境下的RAG架构规划

• 检索精度的精进打法

三、AI原生研发信念的建设

1. 从“试点”到“规模化”的演进路径

• 选项高价值、低隐患的情境切入

• 构筑成效度量架构和反馈闭环

• 渐次扩大AI运用范围和深度

2. 研发队伍的AI素养练就

• AI原生挑战赛等等组织级推进方式

• 让非技艺人员也能参与AI货品构筑

• 构筑AI运用的最 佳实践库和分享制度

3. 组织级AI研发平台的构筑

• 从个人抓手到组织平台的演进

• AI中台的建设思路：本领整合、流程准则化、安全合规

• 多队伍、多项目的AI本领共享和复用

四，执行层面，业界标杆实例深度剖析（六）：RingCentral AI原生挑战赛——让全员成为AI货品构筑者

实例来由：年营收超26亿美元的跨国通讯公司，希望将AI本领从工程队伍拓展至全员。

施行路径：

• CEO办公室发起“AI原生挑战赛”，实操中，全员参与从零到完整项目的构筑

• 覆盖规划、施行、测试、文档，执行层面，CI/CD和迭代改进全生命周期

• 非工程部门（如PMO）跟进采用AI原生事务模式

要害结晶：

• 数千名员工（含非技艺人员和高管）交付了可运行的代码项目

• PMO构筑AI驱动的状态追踪、报告，发布治理和学识转移事务流

• 从构想到功能推出的周期大幅缩短

启示提炼：AI原生开发不是取代工程师，实操中，而是让每个人发挥更大的本领——人类全程参与诉求带出、架构决策和质量验证

五、【交流研讨】我的队伍AI化路线图

活动规划：每位参训者基于两天课程所学，在实际应用里，运行层面，绘制自己队伍的“LLM驱动研发转型3个月路线图”，落地时，包含：

• 第 一个月：试点情境选项和抓手选型

• 第二个月：小范围落地和成效验证

• 第三个月：规模化推广和持续精进

• 组内分享、讲师点评和出色方案评选

一、工作坊标的

综合运用两天所学，以队伍协同方式完成一个从诉求到交付的端到端LLM驱动货品开发实战项目。

二、工作坊流程

1. 情境发布和队伍分组

• 发布3-4个真实业务情境（涵盖不同业界和货品类型）

• 每组5-6人，自由选项情境

• 明晰定位分工：货品负责人、AI工程师、开发工程师、测试工程师、技艺经理

2. 方案规划和技艺选型

• 用LLM完成诉求拆解和PRD生成

• 确定技艺架构和LLM集成方案

• 选项模型，抓手链和部署方式

3. 核心功能开发和测试

• 用LLM辅助完成核心代码开发

• 用LLM生成测试用例并开展验证

• 用LLM开展代码审查和精进

4. 结晶展示和路

• 每组5分钟展示：货品Demo + 技艺方案 + 开发进程中的AI采用心得

• 讲师和参训者共同评分

5. 总评和复盘

• 各组的亮点和改进空间

• 提炼可复用的最 佳实践

三，工作坊评价维度

• 货品完成度（30%）：功能是否完整，具体来看，在实际应用里，可运行

• AI集成深度（25%）：LLM在研发全流程中的参与程度

• 代码质量和规范（20%）：是否符合工程规范

• 队伍协同和革新（15%）：分工协同和方案革新性

• 路演表述（10%）：清晰度和说服力

一、核心要点回顾和学识架构梳理

• LLM驱动研发的认知轮廓回顾

• 五大核心技艺（Prompt、RAG、Fine-tuning、Agent，实操中，MCP）的运用情境矩阵

• 端到端研发流程中LLM的插入点全景图

二，行动实践指南（可操作性强的落地步骤）

第 一步：现况评核和机会识别（第1-2周）

• 盘查当前研发流程，落地时，绘制“效率-价值”矩阵

• 识别3-5个高价值、低隐患的LLM运用情境

• 评核队伍AI素养现况和培训诉求

• 确定首批试点的量化标的和成功准则

第二步：技艺选型和基础建设（第3-4周）

• 根据情境诉求选项模型（通用 vs 垂域，运行层面，从实践看，开源 vs 商业）

• 确定部署方式（云端API，私有化部署、混合部署）

• 搭建基础LLM开发环境和抓手链

• 构筑代码规范、Prompt模板、评测准则等等基础资产

• 可参考的迅速启动方案：接入DeepSeek等等成熟模型，3分钟完成部署调用

第三步：小范围试点和迅速验证（第5-8周）

• 选项1个情境开展落地施行

• 采用“先基础大模型+RAG，再渐次纵深”的打法

• 构筑成效度量架构：代码采纳率、入库率、效率拉升、质量变化

• 每周复盘，迅速迭代精进

• 记录成功心得和失败教训

第四步：心得沉淀和规模化推广（第9-12周）

• 将试点心得固化为准则化流程、模板和抓手

• 构筑组织级AI研发学识库和最 佳实践库

• 开展队伍AI素养培训和“AI原生挑战赛”类活动

• 渐次将AI本领从开发环节扩展至诉求、规划、测试，运维全流程

• 构筑持续精进制度：模型迭代、Prompt精进，执行层面，学识库更新

第五步：组织级AI研发平台建设（3-6个月）

• 整合分散的AI本领，构筑统一的AI研发中台

• 达成AI本领的准则化、可复用和可治理

• 构筑LLMOps架构：从资料到模型到运用的端到端闭环

• 促成AI成为研发基础设施而非个人抓手

三、常见陷阱和避坑指南

陷阱一：盲目追求大模型——不是参数越大越好，根据情境选项合适规模模型陷阱二：忽视工程规范——AI代码必须符合公司准则，Spec-Driven是出路陷阱三：资料安全疏忽——公司核心代码和资料绝不能“裸奔”给外部模型陷阱四：期望管控失衡——AI是辅助不是替代，人类全程参与带出和验证陷阱五：缺乏度量架构——没有量化指标就无法证明价值、无法持续精进陷阱六：试点后无法规模化——从第 一天就要考虑可复制性和组织级推广

四、推荐研习资源和抓手

五，【结课交流】一句话承诺

活动规划：每位参训者用一句话说出“回到岗位后第 一周要做的第 一件事”，执行层面，形成全班“行动承诺墙”，逐一点评并给出落地建议

老师简介

Introduction to lecturers

弄懂更多

博闻智咨询|蔺军老师