LLM助推十倍效能提升-百度Comate赋能开发者最佳实践.pptxVIP

LLM助推十倍效能提升百度Comate赋能开发者最佳实践张立理百度

目录背景与效果构造优秀的智能研发助?成为智能编码的践?者思考、总结及展望

目录背景与效果构造优秀的智能研发助?成为智能编码的践?者思考、总结及展望

以往的研发提效工作跨OS开发困难办公电脑配置低，开发体验差开发环境复杂，配置成本高环境不一致，异常难复现工作涉及多平台，切换打断严重上下游沟通频繁沟通反馈周期长，不易记忆相似代码编写效率低重构潜在风险高可复用片段不易发现编码过程缺少流畅感环境在线化IDE功能集成？？

基于大模型的研发助手帮你想帮你写帮你改调研、设计编码、实现检测、优化需求澄清实时续写，注释?成代码缺陷?动修复任务分解?档注释、?间注释代码优化代码解释接??成代码智能评审技术问答?成单元测试安全检查与修复

落地效果–内部80%?户渗透46%采纳率29%代码占?

落地效果–外部1W+注册企业数49%采纳率10+私有化部署合作

目录背景与效果构造优秀的智能研发助?成为智能编码的践?者思考、总结及展望

Comate架构全景模型代码续写模型问答模型向量模型意图模型?成续写单测NL2Code技术问答代码解释注释?成调优建议架构分析?络检索数据采集分析报表权限管理频次控制知识管理向量索引AB实验采纳?轮服务监控管理配置同步IDE语法分析上下?采集前后过滤流畅交互Web账户知识配置数据

多环节打造优秀效果模型模型训练推理框架产品研发覆盖效果强化反馈?户?上数据闭环

模型–优质的生成效果?质量数据?泛数据来源精细清洗挑选专家参与建设特殊结构?持FIM模式前后??例代码依赖学习性能优先推理优化?效模型压缩适配多类硬件

产品–做好用户与模型的中介什么时候?成单?VS多?规则VSAI环境匹配度?什么?成上?代码下?代码相关?件怎么?成Prompt调优专项SFT?成后咋?质量检测可信度后?合并不满意怎么办多条推荐更?规模模型介?

满足编程场景的功能矩阵?动代码续写代码?成单测代码?成注释?然语??成代码

基于研发现场的知识增强私有框架、库，项?内类、函数，在模型的知识中不存在，但在编码实践中?关重要使?SFT强化模型成本?昂，具备滞后性，?法真正解决?程实践中的问题通过知识增强（RAG），可以通过模型上下?有效解决私域知识应?问题对于代码续写与?成，IDE现场能够提供多样化的知识来源Neighbour Dependency Embedding基于?本关联性打开?件、最近编辑适??泛场景，准确性偏低基于LSP进?定义查询提供准确的依赖签名需源码中有明确的导?引?基于向量相似度索引有更好的语义准确性更适?注释引导?成等场景

Neighbour–相似性检索

Dependency–相关性检索

Embedding–向量化检索

反馈–用户优先、数据飞轮安装推荐采纳留存LLM

目录背景与效果构造优秀的智能研发助?成为智能编码的践?者思考、总结及展望

NotUSINGAI,buttrulyWITHAI并?使?AI，真正去和AI协同?作准则实践

?机结对编程12准则为AI提供更准确的上下?把你的私域知识告诉AI写代码之前先写注释不会的、不熟悉的让AI来帮忙写让AI更懂的代码写代码之前问?问让AI复?并扩展你的能?Youarethepilot留意AI的提示写完代码让AI查?查Focus，LetAIRunTheErrands接受AI的不完美

一种全新的找代码方法传统的代码查找依赖与?对代码的“记忆”与“理解”，?如记住?些关键命名基于Embedding的全库索引，使模型具备“吃下”全部代码的能?基于调优的RAG策略，结构化的代码得以与?然语?相互关联基于LSIF等中间格式，代码与代码间的关联能够被记录下来?模型天然具备成熟的理解、总结等基础能?在代码的查找上，从“找代码”这??为转变为“满?需求”的?的描述，由模型处理中间过程，得到归纳整理后的结果

一种全新的找代码方法说出你要搜什么，不必回想起代码?啥样让搜索+总结?步到位

MakeCommentGreatA在AI的应?中，我们往往将?然语?作为?种输?代码是结构化的、英?为主的，与?然语?间的关联并不是显式的有?些?段技术基于模型?动化实现基于代码来进??然语?的关联，但其?成的质量依然是有限的、?完全可控的注释是原?存在于代码中的?然语?的部分，由开发者?动编写，具备准确、?质的特点注释作为联系代码与?然语?的关键元素，能够有效提升代码?成的质量注释并?越多越好，关键位置、清晰有效的注释是最佳实践

MakeCommentGreatAgain?件头部注释–作?、场景、编码规律函数注释–说