智能时代的软甲开发环境：进展、挑战与机遇
基于大模型的软件自动化——李戈
软件自动化：将从形式的软件功能规格说明到可执行的程序代码这一过程自动化
软件是现实世界的解决方案在计算机系统中的映射。自动化的难点： - 大型软件复杂程度高 - 研制周期长 - 正确性保证难
大模型的能力范围：模型先验知识 + 训练数据
当前的问题与工作： 软件工程领域的数据分布：开源数据+私人数据 问题： - 不充分的数据 - 只有代码数据用于学习 - 不能学习数据背后的逻辑 - 破坏了大模型的原始推理能力 - 训练数据和参数量成正比 - 训练上下文和实际应用上下文不一致 - 代码模型 vs 语言模型
这些问题使得在实际环境中很难将大模型应用到软件开发中
工作： - 要对大模型的使用能力有一个清晰的认知 - 使用大模型的推理能力和IDE的原始能力进行集成 - 促进大模型在软件开发中的应用技术研究
智能时代的软件测试——陈振宇
测试数据自动生成
软件工程的大模型代码统计。
生成测试代码
基于群智化方法的AI软件构建——孙海龙
构建AI模型面临的挑战
群智化构建的基本思路
DNN模型模块分解与复用
总结与未来工作展望
Q：模块化的技术体系？找到想要的模块是不是一个挑战？
A：初步探索，软件工程里的方法论用到模型里面，用于机器学习模型的开发和维护，后面把软件工程的方法引入进来。模型的检索靠提取出来的数据特征，这是主要挑战
智能化桌面与XOps软件生产线实践——华为云产品与软件工具CTO 文永新
实践和工业化产业化的内容
有潜在的趋势到以模型为中心
模型越大越好？还是领域化的模型
全栈式的大模型
王千祥带队
采纳率：评估生成的测试代码有没有人用
修改率：大模型生成的代码距离实用有非常大的潜力，代码不修改就能直接用
数据是核心的竞争力。
后发
Q：代码检查还是主要依赖静态检查工具，华为AI大模型是如何应用在代码检查和CI集成上？
A：利用传统方法和AI大模型结合
Q：大模型会影响IDE的哪些模块？
A： 李戈：代码补全、测试用例生成 文：自然语言作为输入，上下文信息作为提示，通过和IDE配套的提示工程、思维链、step-by-step结合，扩展出其它能力提升开发效率。业务上单元测试生成是比较需要的
Q: 质量工程师和提示工程师职业的未来？
A：大模型带来效率的提升，带来岗位的变化，更好的编程范式。从需求和测试出发，主要是降低成本。 李：新技术带来新的岗位