软件工程3.0实践之路(六)：LLM驱动编程，银弹快来了吗？

2023年1024程序员节，在 《AI 编程与研发效能论坛会议》圆桌环节，华为云智能化软件研发首席专家王千祥老师主持，我和来自微软、腾讯云、华为云等几位专家一起热情地围绕“大模型会是软件开发的银弹吗？”这一主题分享了各自的经验和见解。我们都集中在编程环节，谈了不同感受，但基于LLM生成代码、生成单元测试（UT）脚本的能力，我们一致认为不远的将来软件开发的“银弹”会出现，虽然预测出现的时间不一致，乐观者认为3-5年会出现，保守一些的专家认为8-10年。如果考虑此后几个月的AI发展，3-5年会成为现实。今年2月15号，OpenAI发布了视频生成大模型Sora，预示着大模型不仅能理解数字世界，开始理解物理世界，正如360公司创始人周鸿祎老师在一次分享中说的：Sora（出现）意味着AGI实现将从10年缩短到2-3年。如果AGI实现了，软件研发的银弹就随之而来，right？其次，原来相对保守的专家（认为银弹会在8-10年之后来到）看到最近几个月的大模型（如Google Gemini1.5支持100万token上下文，10万行代码，还能看视频）及其相关产品（如智能体、RAG方面的产品）的发布，是不是会把银弹出现的时间从原来8-10年调整为3-5年？

前面我们讨论了大模型驱动软件需求工程、驱动设计，今天我们讨论大模型驱动编程，而这一点，也是许多公司最为关注的，毕竟软件研发团队中，人数最多的角色是程序员，如果代码能生成、UT能生成，这对企业来说，是不是很有可能减少很大一部分成本？而且开发速度也会显著提升，随之而来的交付时间也被显著缩短。我们可以看一下来自中国信通院的调查数据，代码采纳率达到21%～80%的团队接近82%，开发提效的中位数也达到41%。

随之而来的是国内外大厂投重金在代码大模型上，例如国外有：微软的GitHub copilot、Google AlphaCode/Codey/Duet AI（谷歌依旧很厉害，推出多款适合不同场景的智能辅助编程工具）、亚马逊Amazon Code Whisperer、Meta Code Llama2、Hugging Face StarCoder/HF-Autocomplete、SourceGraph Cody、Anysphere Cursor等；国内的代码大模型或工具/插件主要有华为代码大模型PanGu-Coder2和基于代码大模型的智能开发助手CodeArts Snap、百度Comate、蚂蚁codeFuse、阿里通义灵码、中兴星云研发、讯飞iFlyCode、智谱CodeGeeX、Fitten Code等。

下面就以华为智能开发助手CodeArts Snap为例，说明LLM如何驱动编程。我们可以从下面例子看到CodeArts Snap能够帮助程序员完成8个方面的工作，即完成代码生成、问答、UT生成、代码解释、生成注释行、代码调试、代码转换、代码评审/检查等。

1. 代码生成

过去，程序员需要手动编写每一行代码，这需要投入大量的时间和精力；对于复杂的算法和数据结构，尤其痛苦和耗时。现在借助CodeArts Snap，通过自然语言的对话和关联的上下文就能生成所需要的代码（包括代码行补全、函数级代码生成），轻松快速，编程效率提升50%左右。

2. 研发知识问答

现在借助CodeArts Snap，有问必答，开发者可进行任意研发知识的提问，显著提高研发问题的解决效率。 

3. 单元测试用例生成

过去手动编写每个单元测试用例的详细步骤和预期结果，在有限的开发时间保证代码测试覆盖率困难；

现在借助CodeArts Snap自动创建单元测试用例，提高测试覆盖率，确保每个功能和场景都被测试到。用例代码简洁，需要人工修改的代码行数少，行覆盖率高。

4. 代码解释

过去产生了大量的遗留代码，新人接收不容易，读不懂代码，代码的复杂性会进一步增加理解的难度，尤其是在处理大型项目和复杂的算法时，人工阅读需要花费大量精力。

现在借助CodeArts Snap，借助快速分析代码并自动生成解释说明，提高阅读代码的速度和效率，代码解释的正确性和简洁性表现好。

5. 生成注释行

过去，手动添加注释需要投入大量的时间，开发者理解和描述可能会存在遗漏或误解，导致注释不完全或错误。现在借助CodeArts Snap能快速分析代码，自动生成有意义的完整的注释，增加代码可读性，确保同一个代码库注释风格的一致性。

6. 代码调试和检查

过去查找代码中的错误需要大量的时间和耐心，尤其是对于复杂的代码和大型项目来说，定位问题可能会非常困难，现在借助CodeArts Snap，快速定位问题，并提供错误发生的详细信息和修复建议，大大缩短了定位错误的时间。

（更多详情见：https://www.huaweicloud.com/product/codeartside/snap.html）

除此之外，中山大学软件工程学院助理教授王焱林老师（曾任微软亚洲研究院主管研究员）在去年AiDD峰会深圳站还分享了LLM在编程上的其他应用场景（如自反馈代码的生成、区块链智能合约代码生成、repo-levle的代码生成等），以及对未来的期望（注：可以去https://www.AiDD.vip/sz 下载完整的PPT）。

如果您想更深入了解LLM如何驱动编程，欢迎参加今年的AiDD峰会（5月上海站、8月北京站、11月深圳站），详见：https://www.AiDD.vip/。

软件工程40

大模型85

软件工程 · 目录

上一篇LLM驱动软件研发的全过程：从需求到架构、实现的旅程下一篇​工业界、学术界大咖齐聚，AiDD峰会邀您共赴盛宴！