在软件开发界，大型的通用模型存在不少问题，诸如不够稳定、信息更新滞后以及处理特定任务不够成熟。以往的开发与维护方式，开发者需四处搜集资料，在各自分散的平台上操作，既费时又费力。这些问题催生了研究团队开展针对开发领域的AI助手研发计划，旨在改善这一状况。
智能框架目标设定
研究团队希望建立一个可扩展且便于操作的多智能体系统。这个系统操作简便，只需简单设置，便能够协助处理日常办公、数据分析和开发运维等多种常见任务。他们憧憬着将开发运维的难度降低至与大模型问答相当，从而实现“让每个程序员都能轻松应对挑战”的宏伟目标。
组合智能体破难题
在实际操作中，用户能够将多个智能体进行整合，从而完成一个完整且结构复杂的上项目场景。比如需求链、产品论证链、工程组链、部署链等。这样的组合模式有助于使开发过程更加流畅，各个环节紧密配合，有效避免了过去开发中可能出现的环节脱节和混乱状况。
解决开发核心问题
开发过程中遇到了不少难题，比如对代码库和依赖包的掌握、代码搜索和元信息的查找等，这些都需要耗费不少时间。为了解决这些问题，我们团队首先通过程序分析来理解代码逻辑，并将其存入知识图谱。接着，利用RAG进行迭代查询，增强获取必要的上下文信息。此外，我们还结合了多智能体角色扮演，使得大模型与代码库得以有效结合，从而显著提升了开发效率。
创新检索方法获信息
为了确保AI助手提供的信息既准确又迅速，同时避免负担起训练大型模型的高昂费用，研究团队选择了在知识库之外附加信息和增强检索生成的方法。他们从知识库中提取与问题相关的数据，将其作为补充知识输入到大型模型中。然而，如何实现更精确的搜索和检索成为了亟待解决的问题。针对这一挑战，团队提出了一个全新的架构来攻克这一难关。
未来规划前景可期
研究团队将重点收集和建立领域数据，为私有知识库的构建提供一套规范的数据获取、清洗及智能处理流程。他们还希望与周边开源平台实现兼容，利用API完成各类特定任务。在项目中，团队封装了一些Agent应用场景，这些场景可以支持知识库问答、代码问答等功能。这样，在开发、测试等环节，结合大模型可以显著提高效率并降低成本。
这款AI助手专为开发领域设计，众人猜测它未来能否广泛运用，并彻底革新开发与运维的方式？不妨点赞、转发文章，留下您的看法。
