1.1 AI编程的火爆
25年可以说是 AI 应用的元年，在编程领域从最基础的代码补全到辅助编程，到 AI 工程师，再到 AI 开发团队，各种概念层出不穷。
编程工具迭代涌现，从老牌的 Github Copilot 到爆火的 Cursor，再到 Claude Code，和最新出的 Codex。
对应的用户规模也爆发增长，Github Copilot 用户超过 2000 万，Cursor 用户超过 230 万，Claude Code 在短短 3 个月用户增长 10倍，Github Copilot 年度 ARR 超过 3 亿美元，而 Cursor 和 Claude Code 都超过了 5 亿美元。
随着编程工具的发展，编程门槛被大幅降低，氛围编程(Vide Coding)开始兴起，让更多非专业开发者专注创意和结果。
在有赞内部有产品同学开始用代码交付交互式的 PRD，在一些创新型项目中这会成为第一版代码。
1.2 AI对企业研发的变革
我们开始思考，AI 对企业研发意味着什么？
首先，传统软件研发生产要素，由人力、技术、信息组成，核心逻辑是多招人，就能多做项目，就有更多产出。 围绕人这个要素存在一系列问题：好人才难招、新人要培养、人才会流失、个体的动性、人的协作效率。
AI 时代人力开始向算力转移，增长逻辑编程多买显卡，获取更多算力，就能有更多产出。大部分体力工作向算力迁移，部分脑力工作可沉淀到算力中，算力能快速扩大。
最近看到一些新闻，硅谷的大厂一边裁员，一边争相购买显卡。
在这个过程中，人从直接产出转为对算力的设计与编排。
“让子弹飞”是一部经典的电影，这里引用其中一张截图，模糊度恰到好处。
远看是火车即将超越马，近看是马在拉着火车，这很有意思。和我们目前落地 AI 有点相似，“朋友圈”看起来各种炫酷，实际落地需要大批人马参与。
但这就意味着火车不如马吗？
显然不是，我们都知道最终火车一定会超越马，亦或，马拉火车的方式本身就错了。
1.3 有赞研发的AI+
出于对 AI 趋势的坚信，在有赞研发内部，我们有大量的 AI 探索与实践。
横跨研发的完整流程，包括需求、设计、编码、测试、上线的各个阶段。
所有这些实践可以，归纳为三类：AI Coding、AI Test、AI DevOps， 以及围绕 Agent 本身的研发与评测。
1.4 AI编程小案例
在 AI 探索的初期我们遇到了两个很有意思的小故事。
1.4.1 一位产品的氛围编程之路
第一个故事是，我们的一位产品同学用氛围编程做了一个简单的日常需求，他给了一个反馈：严重缺乏安全感。
我们深入了解后发现来源于三点：
心理不可接受：由于企业级工程规模大、系统复杂度高，系统/功能间依赖关系较深。非专业人员面对生产稳定性和大量线上用户压力时，心理负担急剧增加。本质是判断力缺失；
效率不可持续：判断力缺失也导致效率不可持续，导致需要频繁的和开发者沟通，氛围编程变成了 AI 和开发者之间的传声筒。编程的耗时被极大的转换成了沟通确认的耗时，最终效率不升反降；
质量不可信赖：虽然 AI 做对了效果，但是实现方案不合理，最后返工。现代企业级软件工程，除了完成需求外，还需考虑健壮性、可维护性、架构一致性等因素。AI 由于缺少上下文输入，这方面做得并不好；
1.4.2 一位开发带领的编程团队
第二个故事是，五月 Claude Code 发布后，我们看到一些开发者编程模式的变化，如图是一位同学的 Cli 工具：
左侧是 4 个 Agent 分别在完成一个项目的 4 子需求，右侧是他在验证和提交代码。
这种模式类似一位技术 Leader 带领一个小团队做项目，由 Leader 负责任务拆分、方案设计、过程把控和代码CR。
过去需要几个人的小组，现在一位开发者加上多个 AI Agent 就可以做到了。
这给了我们不少启发，我们开始思考如何把这种模式推广到更多项目中。
1.5 企业级软件工程四大特点
在经过了初步的观察和尝试后，我们总结了 AI Coding 落地需要解决的关键问题，归纳为四点：
大规模：这对 LLM 的多仓库理解、上下文窗口提出了要求；
高复杂：通常涉及多个业务系统、历史兼容等，需要解决 LLM 的注意力缺失问题、准召率低问题；
多协作：一个项目往往涉及多职能、多部门的协作，不同团队间对 AI 的理解和应用有深浅，如何协同？以及，人在哪些环节以怎样的力度监督 AI？需要合理地规划 AI 落地的节奏以及人机协作模式；
私有化：企业内部有大量分散在各处的信息，不透明、不标准，难以被 AI 检索，需要建设内部知识库、对接内部工具；
1.6 AI落地的三个阶段
明确关键问题后，我们将 AI 落地划分为了三个阶段：
AI 增强阶段：人主导 AI 辅助，此阶段重点聚焦用 AI 做单点提效；
AI 驱动阶段：AI 主导人监督，此阶段 AI 有能力接管单一研发环节；
AI 自主阶段：AI 自主人少量介入；
对于不同的场景应该匹配适合的阶段，过度追求 AI 适得其反，我们踩过不少坑，AI 的落地无法一蹴而就，需要循序渐进。
目前我们的实践大量在 AI 增强阶段，有少量能到 AI 驱动阶段。
2. AI Coding：从个人助手到规模协同2.2 设计路线
首先，是关于 AI Coding 的设计路线，我们有两个选择：以人为主 Agent 为辅、以 Agent 为主人监督。
我们观察了一些开发者的辅助编程模式，我们发现以人为主的模式存在一些问题：
协作还是以人为中心，相互沟通靠声音、工具调用靠手速，信息传递效率低；
个人经验内化不共享，Agent 配置没有复用，信息分布式存储；
另外，人的规模化需要时间；
因此，我们选择了第二条路线，其可以系统化解决以上三个问题，并且“天花板”更高。
2.3 构建框架
明确了设计路线后，让我们开始构建 Coding Agent，这个过程类似从 0 到 1 搭建一个开发团队：
它们都需要有好用的工具，无论是硬件、软件还是技术选型；
它们都由专业的个体组成；
并且这些个体能高效协同完成复杂的任务；
让我们先从设计一个专业的 Agent 开始！
2.4 设计演进
通用 AI Agent 和计算机很相似：
它们都有计算单元，一个是 CPU，一个是 LLM；
它们都有短期存储，一个是内存，一个是上下文；
它们都需要获取外部信息，一个通过网络，一个通过搜索工具；
它们也都可以多节点进行协同，完成复杂任务；
当我们把通用 AI Agent 细化到 Coding Agent，一些选型会更具体：
LLM 需要选用垂直的编程 LLM；
上下文需要引入企业的开发规范/约束；
长期存储需要对接企业内部知识库；
搜索工具聚焦在代码仓库的搜索和理解；
工具需要对接企业内部的工具链和平台；
协同系统的拆分应该以企业内部的协作流程或领域分工来拆分；
2.4.1 选型与选择
在明确了核心模块后，需要先回答两个问题：方案的选型、自研的选择。
在 AI 时代行业解决方案百花齐放，无论是大模型还是配套的技术，且迭代速度极快，比如近期的Gemini3（11月18日）、Nano Banana Pro（11月20日）。
做的越多越容易陷入追赶的局面，最大程度的借助行业能力，并将其与企业内部资源串联是关键。
我们的核心策略是将通识的交给行业，集中资源做私有部分，通过行业迭代来提升底层能力。
2.4.2 Base Agent & System Prompt
明确策略之后，首先是基础模型的选择，在25年初时我们基本有共识，LLM 应该交给大厂，我们则专注于应用。
到了 5 月份我们发现 Agent 系统也有不错的行业实践，因此问题被延展成了选择基础模型还是选择基础 Agent？ 也就是 Claude 还是 ClaudeCode？
围绕这个问题我们做了一些研究，发现 Claude Code 作为通用编程 Agent，在子 Agent 调度、MCP 集成、通用开发工具、上下文压缩方面已经做得不错了。
因此，我们选择了 Claude Code 作为基础 Agent 的底座，通过其强大的扩展能力，将其连接到我们内部的研发体系。
首先是系统提示词，这方面 Claude Code 已经做的不错了，我们仅做了少量扩展，总共不到 200 行，主要是一些内部的编程规范、特定约束。
2.4.3 Dev Tools
接着是工具，和人一样，Agent 也需要开发工具。比如，当开发者让其参考历史需求，它需要能访问需求管理平台查看。又比如，它可以通过飞书文档创建一篇技术方案给开发者审阅。
这些工具散落在内部的各个系统、平台，有些在外部，我们通过 MCP 将这些工具集成到一起，交由 Agent 决策使用。
2.4.4 Codebase Search
有了工具后，接着是代码理解能力，这也是 Coding Agent 的关键能力之一。
我们将其分为了三层：目标仓库定位、跨仓库依赖代码召回、工作区代码理解。目标仓库定位比较简单，我们用的是知识库 RAG 的方案。
在代码理解上，业内常见的方案有：向量索引检索（RAG）、抽象语法树（AST）、文本搜索（grep）、预生成文档（deepWiki），在实际应用中有不少组合的情况。
Cursor 选择的是 RAG 方案，好处是速度快，适合大的单体仓库，缺点是精度丢失（向量化），实时性不高。
Claude Code 则选择比较纯粹的文本搜索方案，和人很像，好处是精度高、实时性强，但性能会差一些。
在有赞对于跨仓库依赖代码，由于仓库数量庞大，采用的是 RAG 方案，同时更新频率没有 Cursor 这么高，我们基于 Git 的提交记录进行增了更新。对于工作区代码理解，由于基础 Agent 是 Claude Code，直接采用它的文本搜索。
另外，代码安全也十分重要，无论是发送给向量嵌入模型还是大模型的代码片段，都通过安全扫描进行脱敏。
2.4.5 Knowledge Base
有了代码，接着是内部知识，和开发者一样 Agent 需要理解业务知识，比如产品模块有哪些、业务术语是什么意思。也需要理解专业知识，比如技术选型用了什么、编程规范是怎样的，以及工程现状。
这些额外的上下文可以让 Agent 的编码更符合预期，避免写出“与众不同”的代码。
过往企业知识库建设有两大痛点，一是信息孤岛（无法统一检索/重复建设严重），二是内容老旧（因为缺少审核/运营机制，大量过期/错误内容）。
为此，我们内部成立了专门做知识工程的团队，由他们推动知识透明和更新。他们围绕知识增长、内容质量、知识使用进行建设，为上层应用提供高质量的知识。
至此，一个 MVP 版本的 Coding Agent 完成了。我们拿去做了一些需求，发现效果并不好，原因是还有大量经验在开发者的头脑中。
2.4.6 Long-term Memory
为此，我们会 Agent 打造了基于长期记忆的学习系统。简单来说，就是将开发者和 Agent 的监督对话提取为长期记忆，后续遇到类似场景时进行召回使用，这也可以实现跨会话的复用。
这就如同一个经验丰富的老员工手把手带教实习生，整个过程分为：
记忆提取，该阶段重点关注符合事实、保留细节、不归纳泛化。
记忆储存，我们采用自然语言+标签的形式储存而非结构化，并且保留了原文引用。
记忆合并，定期将类似记忆归纳合并。
记忆检索，业内根据场景不同常见的有：向量数据库、知识图谱、分层存储，我们采用的是向量数据库。
记忆遗忘，随着记忆数量的增加，根据时间和使用频次进行遗忘。对于高频使用的记忆经过泛化后转化为知识。
虽然设定了很多提取规则和后处理，但在实际应用中，通过人工标注及修正的方式，可以较快加速记忆的可用性。
我们在 AI Coding 做了测试，同类任务未接入记忆需要 5-10 轮对话修正，接入记忆后仅需 1-3 轮，有较大提升。
2.4.7 Cloud Sandbox
Agent 构建完成后，无论是运行、调用工具、拉取代码等等，都需要一个环境，如同为开发者配置一台电脑一样。
通过对本地辅助编程的观察，我们发现本地运行存在一些问题：复杂环境导致额外上下文、工程化适配问题、安全与监管难解决。
因此，我们选择了云端部署的方案，为每个 Agent 的每次会话分配了独立且标准化的沙箱（Sandbox），其中包含了开发环境，以实现交付结果预览。
同时对会话及沙箱做了无状态化，实现水平扩容能力。我们将会话存储在共享存储中，当开发者开启或继续一个会话时，会动态分配随机沙箱，并从共享存储中恢复会话。
这一切都需要通过统一网关，以解决安全和监管问题。
2.4.8 Multi Agents System
随着接入环节的增加，我们发现单一 Agent 面对个多环节，由于 LLM 上下文长度导致了遗忘、性能等问题。
为此，我们引入了多 Agent 系统，将这些复杂度分而治之。
在 Agent 的编排上有 Workflow 和 Agentic 两种方式。由于企业级工程对稳定性、观测性的要求较高，我们采用 Workflow 串联多个 Agent。在部分 Agent 内部通过 ReAct 模式发挥 LLM 的自规划能力。
在 Agent 的拆分上有流程拆分和领域拆分两种方式。我们都做了尝试，从落地情况看按流程拆分基本可以解决大部分问题。
同时，我们为每个 Agent 做了差异化的基模选择，主要根据 Agent 的任务特点、LLM 的优劣势以及成本。
需求解析和仓库定位较简单用 GTP-4o；
代码定位用向量嵌入模型 voyage-code-3 并配合 DeepSeek-v3 做一些后处理；
方案和编码则用 Claude-sonnet-4.5，其中记忆用 GTP-5 效果出色；
代码审查则用 Gemini 2.5 它的上下文窗口较大，可以把更多代码片段给到 LLM；
2.4.9 人工监督(HITL)
整个 Agent 系统的运行离不开人工监督（Human in the loop），我们面向开发者、管理者分别设计了两套监督系统。
面向开发者的监督系统主要基于飞书 IM，它是一个天然的对话流，同时结合飞书文档、GitLab。开发者可以在 Agent 的每个阶段对产物进行审核，包括：需求清单、技术方案、改动代码、实际效果等，并通过多轮对话进行修正；
面向控制者的监督系统主要基于多维表格及其仪表盘，管理者对每个需求的情况一目了然，包括：交付率、对话轮次、Token 消耗、对话明细等；
其中，对话明细可以转化为评测集，用于后续 Agent 的评测。
2.4.10 对接发布系统
最后，我们通过部署发布 Agent，打通了发布系统。如图所示，通过对话就可以很方便的部署到预发，或发布至生产：
2.5 产品形态
这就是我们最终的产品形态，已经交付了不少需求。当然实际落地中，这种人机交互模式也有局限性，因此我们正在开发 Web 端，类似 Manus 的效果。
2.6 需求选择与落地
在 AI Coding 落地的需求选择上，我们分了三个维度：多职能、多仓库、需求规模，和新人一样在 Agent 能力还不够时，先从单职能单仓库的日常需求开始。通过做小需求验证 Agent 并积累数据，同时小需求因优先级不高而积累，用 AI 来做具有提效价值。
在我们将 AI Coding 推广到兄弟团队时，发现大家对 AI 期望很高，大家会给它做非常有挑战的需求，我们需要理解 AI 不是万能的，人做不了的它也是。
目前我们的 AI Coding 已经可以实现单职能多仓库的日常需求，已交付近百个需求。综合提效 30%，包括人工监督的耗时，单个需求 Token 费用不到 100 人民币。
接下来我们会重点向多职能多仓库、项目级需求两个方向迭代。
2.7 实践案例
2.7.1 翻译型事务
在落地过程中，我们也发现了一些特别适合 AI 做的共性需求。
第一类我们称之为：翻译型任务。 已经有明确方案且较为简单的任务，AI 可以快速完成，且质量还不错。比如：技术债务治理。
有一个基础库升级的案例，涉及基础库、业务库和23个业务应用的升级，原本需要超过50人日，通过 AI 几十分钟就好了。
2.7.2 降低开发门槛
第二类是跨域编程，我们工作中经常会需要跨团队、跨领域支援，过往人的学习和熟悉过程会有额外的时间。通过 AI Coding 我们的开发者进行了不少的跨域编程，这部分时间几乎被抹平。
2.7.3 小插曲：移动编程
另外有个比较有意思的小插曲分享一下：
相信程序员都有共鸣，随身携带电脑是大家的痛点之一。在我们落地 AI Coding 的过程中发生了另外一个小案例，有个开发同学出去聚餐没带电脑，这时候来了个 Bug：
他掏出手机打开飞书用聊天唤起了一个 Agent
把 Jira 和说明丢过去
让 Agent 先改着，就先吃饭了
过了几分钟 Agent 改完了
他看了没问题就让 Agent 发布了
这虽然只是很小很小很小的案例，但确实让我们看到了 AI 正在慢慢改变我们的编程方式。
2.8 完整架构
以上，就是我们在 AI Coding 方面的实践：
首先，我们做了好用的工具，也就是云端 Sandbox；
其次，基于上下文工程，我们打造了专业的 Agent 个体；
最后，通过 MAS 让他们协同工作；
另外我们也做了人机交互界面，让人可以监督 Agent；
3.1 传统测试的局限
在开始之前，先简单回顾下传统测试的挑战：技术栈多样化、设备终端碎片化、工程规模增大，因此对测试效率提出了要求。
自动化测试被引入，提升了一些效率，但有一些局限：编写有门槛、维护成本高、难扩展复用、失败排查困难。
3.2 AI时代的新挑战
在 AI 时代，随着编码效率提升，对测试效率提出了更高的要求。同时由于 AI 生成代码不确定，影响面和风险更大，对测试带来了新挑战。
同样 AI 也对测试带来了新的可能：
在测试设计阶段，能做 AI 用例生成、AI 用例优化、AI 用例选择（精准测试）等；
在测试执行阶段，能做 AI 数据构造、AI 驱动执行、AI 增强录制、AI 无参考测试等；
在评估优化阶段，能做 AI 失败归因、AI 用例修复、AI 分析报告等；
我们在这方面踩了不少坑，也有些在部分场景落地了。
3.3 AI用例标准化
首先是，AI 用例标准化，在我们开始结合 AI 和测试时，碰到的第一个问题就是：用例。
过往历史用例缺乏维护，质量参差不齐，如左图各种隐式步骤、断言缺失。另外用例还分散在各个平台，比如文本和自动化用例互不相通。
这就导致了GIGO（Garbage in, Garbage out）的现象，你给 LLM 的输入质量低，它的输出质量也低，幻觉严重。
于是，我们开始思考如何解决用例的问题，我们发现 LLM 本身有强大的自然语言理解能力。这让传统文本用例和自动化用例的融合成为可能，也就是自然语言用例，让用例兼具语意性和可执行性。
我们探索了两个方向：AI 存量用例优化、AI 增量用例生成。
首先是存量用例优化，根据已有的测试目标和测试步骤由 LLM 生成更规范的用例名、标签等，同时逐步优化用例步骤、补充断言。
其次对于增量的用例，我们结合业务知识库，并参考现有用例进行生成。
所有的这些自然语言用例放在一起，它们本身就是一个高质量的测试知识库。
一个新的用例生成过程分为三步：
填写基本信息：测试目标、开启 AI 规划；
选择参考用例：从历史用例库选择供 LLM 参考；
用例生成：LLM 会生成用例的基础信息，以及完整的测试步骤，这里的步骤是自然语言，一目了然，且可被执行；
目前，用例生成的准确度和覆盖场景还有很大空间，仍处于探索阶段。
3.4 AI增强录制
我们还有不少用例是录制的，因此我们做了 AI 增强录制，下面看一段视频：
视频中人在操作的同时，会先录制图片加坐标，交给多模态 LLM 去分析，生成自然语言的步骤。
可以看到这个过程是并行的，不影响人工操作，一次生成大约5秒左右。
录制完成后，回放执行也非常顺畅，AI 可以较快的执行几乎和人操作一样。
我们是怎么做的？
首先先简单回顾下传统录制的局限：定位不精确、录制步骤冗余、需要人工校准、维护成本高。如下图：
通过 AI 增强后，测试步骤可以精确识别用户的意图：输入价格1、输入划线价2，且较为精炼：
整个增强过程大致分为几步：
DOM+截图输入：首先是捕捉用户的操作，将完整 DOM 和截图丢给多模态 LLM，目前通用多模态 LLM 已经比较强大了，我们第一版就能做到 70% 准确率。即使不提供 DOM，LLM 也可仅依赖截图识别，从而支持跨平台录制。但这个方案的 Token 消耗是巨大的，且上下文太长会带来一些幻觉导致不稳定；
DOM 预处理：通过对 DOM 进行裁切，降低噪音和 Token 消耗，同时标注重要内容提升大模型注意力。另外一些敏感的信息和代码也会被过滤。做完这些后我们的上下文能裁切大约 99%；
交互区域标注：接着我们把 70% 准确率进一步提升，遇到了一些问题。在用户操作无交互表现的情况下，LLM 无法很好的理解，如左图，这里点击“…”没有交互状态变化，LLM 只理解到“点击空白区域”。我们通过增加交互区域标注来解决，这让 LLM 可以准确理解用户交互的区域，效果如右图，LLM 可以理解到“点击更多按钮”；
父级元素标注：虽然增加了交互标注，但在一些复杂业务，元素之间是有关联的。如左图，“？”的图标，LLM 可以理解到是“帮助”，但它并不理解是“退款资金状态的帮助”，如果一个页面中有多个类似图标就不准确了。为此，我们增加了父级元素标注，把交互区域前后的父级 DOM 元素一起给到 LLM，让其理解更多上下文关系。如右图，增加后 LLM 可以理解到“点击退款资金状态的帮助”；
做完这些后，我们的准确率可以做到 89%，单次增强的耗时在 5-10 秒之间，这得益于模型能力的提升，从 Qwen2.5-VL 的 20 秒到 GTP-4o 的 10 秒以内。
目前这套方案是跨全平台的，包括Web、Pad、桌面等设备，Android、iOS、鸿蒙等系统，以及各类小程序。
3.5 AI用例执行
有了用例之后，接下来是用例的执行。目前我们的用例执行都会统一注册到任务中心，由其下发到两大集群，分别执行浏览器任务、App任务（包括小程序）。
AI 在执行方面有天然的优势，跨平台支持，具备一定自适应能力，比如一些设备有像素抖动的情况，LLM 可以识别提升用例稳定性。
目前我们的用例执行量超过每天 10 万次，任务成功率 96%。
当然，这个过程中也遇到了一些问题：模型执行速度慢、模型幻觉问题、模型识别精度问题。
解决“模型执行速度慢”：我们先做了基于图像和 Prompt 的识别缓存。但未命中缓存时 AI 指令的秒级，和程序指令的百毫秒级差距依旧很大。因此我们做了 AI 提速，用例解析后首先程序执行，失败时 AI 兜底执行，执行成功后由 AI 进行自愈，提取成功的信息更新程序脚本；
解决“模型幻觉问题”：幻觉问题不是太大，通过 LLM 二次优化步骤 Prompt，同时采用更准确的 AI 指令（如 Midscene 中用 AI Input 替代 AI Action）基本可以解决；
解决“模型识别精确问题”：看下图中右上角的图，红框是 Qwen-vl-max，绿框是UI-TARS-1.5，它们对于小元素的识别精度差异很大。从我们时间来看 Qwen-vl-max 对小图标识别能力较差，开启 deepThink 有所改善。UI-TARS-1.5 具备较强的探索能力，它们在断言方面都不如 GTP-4o。我们也从元素定位、元素断言、内容提取、任务规划方面，测试了 5 个主流端，UI-TARS-1.5 在元素定位精度和移动端表现较好，也是我们目前的选型；
3.6 AI无参考测试
做了 AI 执行后，我们开始思考 LLM 本身具备常识，也知道企业内部知识，是否可以做 AI 无参考测试？
我们做了探索，首先要做无参考测试，对模型精度要求较高，通用的多模态 LLM 较难满足。
因此，我们引入了监督微调（SFT LoRA），主要让 LLM：具备更细化的任务定义、明确输出格式便于工程化对接、注入内部知识和评判标准。
我们的算法团队做了不少建设，让业务团队可以聚焦在微调数据集。一条微调数据包括：Instruction、Input、Output，下图是一个最简单的案例：
当然这条微调数据并不好，它的 Output 缺少了很多内容， 比如：作答风格、结构化输出、内部知识、分析的过程和原因。我们从指令微调、思维链微调两部分对这条数据进行优化，如下图：
定义了数据结构，接着是如何生成大量的微调数据，一般需要训练集、验证集和测试集，前两者用于训练过程，后者用于最后的评估。
整个数据集包括正样本、负样本和混合样本，一般比例为 1:3，避免模型过度偏向“总是发现问题”。
数据集通过 LLM 合成，首先通过脚本抓取线上的原始样本（正样本），然后通过程序合成多个负样本。
结合样本图片和特定的 Prompt 用 LLM 来生成 Output，Prompt 中包括我们的内部知识、预期输出结构、作答风格。
目前我们的垂直模型正在微调中。
3.7 AI归因归类
当用例执行完成后，我们需要对失败用例进行分析，过往需要人工分析效率较低，100 条失败需要15分钟。
我们通过 AI 来提速这个过程，首先由 LLM 将单个失败总结核心原因，然后将类似原因的分组归类。
如右下图，一共 85 条失败用例，被快速归为了 3 组，且标明了核心原因。
人工可以非常快速的进行分析，100 条仅需 1 分钟。
整个归因归类过程，首先是对用例执行报告进行程序预处理。
程序主要将失败图片进行切片、步骤进行拆分。前者解决多模态 LLM 在大图下的幻觉及不稳定性，后者解决性能问题。
接着切片交给图片归因 Agent、步骤归因 Agent，进行并发分析。
再由总结 Agent 对原因进行合并总结，最后归类 Agent 对原因类似用例进行分组。
目前我们线上用例已 100% 覆盖 AI 归因归类，归因准确率为 85%。
3.8 AI用例修复
做了 AI 归因归类后，我们发现既然原因都知道了，何不让 LLM 自己修复？
因此，我们正在探索了 AI 用例修复，目前主要针对像素差异率波动、非核心元素变化的场景实现了修复。
如下图，AI 会对可修复场景进行建议，人工确认无误可一键修复。目前修复准确率 60%。
3.9 与 AI Coding 结合
以上就是我们在 AI Test 方向的实践，后续我们计划串联 AI Coding 和 AI Test。由 Coding Agent 生成测试目标，交由 Test Agent 对用例进行召回和生成，并完成后续的自动化测试工作。
在 AI Coding 和 AI Test 中我们构建了大量的 Agent，需要一套 Agent 评测体系对它们进行评估反馈。
4.1 为什么需要评测
先看一张大家都很熟悉的图，我们看别人的 Agent 时都会觉得好炫酷跃跃欲试，然后自己也开始手搓 Agent。
做完后在开发环境或者小范围测试中表现也不错。
发布到生产后，各种奇奇怪怪的情况，用户提问的思路无法捉摸，最后还是要转人工。
我们需要知道，Agent 和传统软件不同，没办法列举完整的用例来保障效果。
软件测试目标固定、标准化、可复现，而 Agent 评测具有不确定性、开放性（比如用户提问）、多样化（比如模型回答）。
发布标准上，传统软件主要看功能点完成度，测试通过与否。 Agent 则需要用评测集进行多维度的指标评估。
Agent 开发完并不意味着达到生产发布标准，应该用评测指标作为依据。
4.2 评测集
开始 Agent 评测，首先需要准备评测集， 评测集的类型有：有参考、无参考、参考资料三种。
接着是评测集的构造，常见的方法有：人工标注、LLM 泛化、线上采样。
一个全新的 Agent 没有线上采样数据，我们可以通过人工标注 50-100 条的种子集，然后让 LLM 进行泛化。
评测集根据场景不同，也可以划分为：种子集、Badcase集（一般来源于用户反馈）、扩展集、对抗集、场景集（一般由业务场景决定）。
4.3 评测器
有了评测集之后是评测器，评测可以分为两种：人工评测、自动化评测。新的 Agent 初期由于评测标准不确定，可结合人工评测，随着调用增加，将人工评测维度沉淀为自动化评测。相较于人工，自动化评判尺度统一、主观偏差少。
自动化评测器包括： 托管（平台自带的评测器，可以快速启动评测项目）、 自定义（自行根据业务编写 Prompt 的裁判模型）、外部（由外部平台/服务提供）。自动化评测器可以由 LLM 作为裁判，可以是特定的算法验证（如 BLEU、CLIPScore等），也可以是业务逻辑验证。
评测器设计一般包括：评估步骤、打分标准、推理指令、少样本提示(正例/反例)、边界案例、基于业务的判断要点(如合规、医疗等场景)。评测打分用 0-5 分制归一，可以兼顾可解释性和区分度，让不同评测维度可以横向对比。另外，为裁判模型添加 CoT 可以提升可解释性、一致性，便于后续人工分析和优化。
4.4 评测指标
接着是评测指标的设定，首先需要先明确评测主体，可以是：基础模型、提示词版本、工具版本、召回的记忆等。
围绕主题设定评测指标，通常有四类：效果指标、技术指标、用户指标、业务指标。
另外裁判模型自身需要有评测指标：
人工一致性， 衡量模型评分与人工标注结果的一致程度；
评分方差，衡量模型打分的稳定性；
异常打分率；
4.5 反馈系统
除了人工评测、自动化评测外，生产中用户真实的反馈至关重要。能够帮助我们发现 Agnet 在实际应用中遇到的各种边界场景和潜在问题。
一般有两种方式：
显示反馈：需要用户明确操作(点赞/点踩)反馈，意图明确但反馈率较低；
隐式反馈：是用户使用流程中的行为数据，被采集并解释为反馈，可以获得较高反馈率，比如 AIGC 生成多张图片时，用户选用其中一张图；
对于反馈率低的问题，通过预设标签来减少用户行动成本，通过预设高评分来增加用户反馈意愿（人们更倾向吐槽而非夸赞）。
4.6 评测体系
以上这些组合在一起构成了我们完整的评测体系。
项目启动：由专门的评测人员和项目组成员，共同设定评测维度、创建评测器、建立种子集、泛化评测集，基于评测不断迭代/验证/反馈 Agent；
开发过程：在 Agent 迭代过程中，通过评测集和评测器进行线下实验；
生产环境： Agent 会产生日志和反馈，日志会通过评测器进行线上评测，Trace 可采样沉淀到评测集，另外反馈的 Badcase 也会沉淀到评测集；
所有 Agent 发布前都需要经过评测验证。
5.1 AI与程序的结合
首先是 AI 与程序，常见构建 Agent 的模块包括：程序计算节点、单一 LLM 节点、Workflow、Agentic。
可能有些人会觉得，Agentic 比 Workflow 好，Workflow 比单一 LLM 节点好，单一 LLM 节点比程序好。从我们实践来看，这四者之间没有绝对的优劣，通常需要根据业务场景进行多选和组合，其取决于场景对确定性、稳定性、创造性、自主性的侧重。
另外，程序和 LLM 也并非替代关系，LLM 更适合理解、规划、生成类任务，程序更适合确定性、稳定性、高性能任务。通过程序规避 LLM 的弱项是必要的，避免过度追求 AI 含量
5.2 AI与人的陷阱
接着是，AI与人，需要警惕两个陷阱：
在落地 AI Coding 的过程中，出现开发者对 LLM 生成代码的依赖，甚至出现不作判断直接提交的情况。保持开发团队的主观判断力非常必要。另外分场景追求 AI 生码，比如核心业务逻辑人写，非核心交由 AI 写；
在落地 AI Agent 的过程中，需要人工监督，应该警惕人工监督大于迭代 Agent 的情况，将监督数据用于 Agent 迭代；
5.3 AI落地经验
最后总结下 AI 落地的关键经验：
区分创造性和执行性工作，现阶段 LLM 可以较好的完成执行性工作，这类场景较为合适；
落地从传统研发流程切入，寻求快速出 MVP 进行单点突破；
现阶段 AI 仍需大量人参与，过程中充分考虑人机协作，比如人机交互（人好用）、知识外化（人转化）、责任归属（人敢用）；
同步建设私有化的 AI 基建，将行业能力与企业内部能力串联；
Agent 的迭代不能先方案再开发，应该基于测试集和上下文工程快速试错；
最后在不同的场景分阶段落地，不要一蹴而就；
以上是我们在研发全流程落地 AI 的实践：
我们通过软件工程（Software Engineering）和上下文工程（Context Engineering），将程序与 LLM 结合；
围绕研发的设计、编码、测试阶段落地 AI 能力；
过程中建设了 Agent 评测体系，不断反馈，持续迭代；
