AI4SE行业共识与现状 - 2025年被行业视为Agentic AI应用元年，AI4SE能提升效率已成为高度共识[1] - AI Agent正在重塑“需求-开发-运维”全流程，但企业落地面临不少挑战[1] AI Agent能力边界与定位 - AI目前定位为“协同研发工具”而非完全自主决策，强调“Human in the Loop”的人机协同模式[3] - AI能力边界集中在重复性、机械性工作，如单元测试生成、埋点、UI还原等[3] - 运维领域AI主要作用是辅助人类，让一人完成十人工作，但人仍是系统核心[4] - AI最擅长事务性工作如单据申请、知识查询，但关键环节如客户满意度仍需人工参与[6] - Agent操作分为“读”和“写”两类，“写”操作涉及变更时必须极度谨慎[6] 前端领域AI应用特点 - 前端代码生成效果较好 due to 丰富开源代码资源和可视化交付成果[4] - 前端知识库具有结构复杂、多模态支持需求高、需重新组织适配AI理解三大特点[5][11] - 未来前端爆发点将围绕多模态技术，包括从视觉稿生成代码和UI自检质检[23] 需求管理AI应用 - 需求Agent以“需求Copilot”辅助模式起步，帮助处理用户访谈整理、竞品信息收集等重复工作[7] - 为Agent设置多个“卡点”，在完成特定任务后必须征询人工确认[7] - 应用分为三类：简单应用可完全交由Agent、中等复杂度需人机协同、大型复杂系统以人为主导[24] 运维领域AI应用 - 运维Agent自学习需要理解企业内部运维实体、术语、流程规范等高频知识[12] - 建立知识反馈机制，只有被使用或指出错误的知识才值得更新[13] - 未来运维模式可能是“动嘴操作”，通过自然语言指令调度多个Agent协同完成任务[26] 知识工程与数据挑战 - 没有知识工程，Agent无法理解企业业务知识，效率提升无从谈起[8] - 知识库建设面临结构化程度低、格式不统一等挑战，需要专门团队进行要素梳理与框架搭建[8] - 加入知识库后Agent可用程度达到五六成，质量显著提升，特别是在需求波及分析场景[9] 投资回报衡量维度 - 衡量指标包括“质、效、人”三个方面，除效率外还需关注质量和人的维度[13] - 直接指标包括研发效率、代码生成占比、迭代速度、Bug数量变化等[14] - 人的成长与幸福感提升同样是AI应用的重要价值所在[5][15] 实施策略与阶段 - 项目推进经历三个阶段：氛围带动期、落地成效期、推广共建期[16] - 正确做法是先上手使用，再在实践中不断优化，而非因技术变化快而犹豫不前[5][17] - 中小企业没必要从零开始，可优先在开发阶段引入AI，利用现有成熟开源方案[21][23] 人才需求与角色演变 - 未来需要“T型人才”，既了解整个研发流程又在特定领域有深入理解[19] - 可能出现两类人：熟练使用AI工具的人和AI应用工程师[20] - 研发角色从执行型向决策与创造型转变，核心能力是对业务理解和行业洞察[19][20] 技术发展趋势 - 未来1-2年关键趋势包括多模态理解和Agent间协作协议发展[25][26] - 多Agent协作被认为是AI Agent 3.0时代核心特征，可能带来智慧跃迁[26][27] - 随着模型推理成本下降，未来两三年内或将实现更稳定的多Agent协作系统[27] 挑战与解决方案 - AI幻觉问题需要通过RAG或上下文工程在推理时注入外部知识来解决[28] - 多Agent协作面临注意力预算与上下文管理限制，当前有三种常见协作模式[30][31] - 需要建立透明决策过程与可控协作机制来逐步建立对Agent的信任[13]