层出不穷的大模型技术，真的助力研发了吗？

每当有新技术崛起时，都会有很多人蜂拥而上，生怕错过了新技术带来的红利。但人们往往也比较容易犯一个错误，那就是为了用新技术而用新技术，最终导致新技术是接上了，但却落不了地。所以，当大模型技术兴起时，我们不仅要热情拥抱，也要冷静看待，关于如何构建实实在在可以提升研发效能的工具，我认为有以下两个方向可以考虑：

• 解决痛点。我们可以结合实际研发场景去分析当下还存在哪些痛点，而大模型技术刚好可以搞定这些需求。以解决痛点为出发点，最大的优势就是更容易落地，工具解决了用户的痛点，用户自然很接受去使用工具。而随着痛点被解决，研发效能也自然得到了提升。

• 创造性赋能，这个方向更多是结合大模型技术的优势，去寻找它能够产生创造性赋能的地方，这个方向相比解决痛点的难度要大很多，要选对赋能的方向。要是不小心选错了就容易出现问题中表述的情况，但如果选对了，这个方向带来的提升往往是跨越式的、生产力跨代级别的变革，是解决痛点带来的提升所不可比拟的。

新技术发展的初期，我们可以先从第一条路入手，快速通过解决问题，将新技术落地，并提升研发效能。而随着落地的过程我们也不断去思考、快速尝试，找到第二条路，也就是创造性赋能的方向，实现研发效能的跨代提升。至于这些工具能否提高研发效率，主要取决于它们的实际效果，如果效果足够好，应该能够节省开发者很多时间。而影响工具使用效果的主要因素有两个，一是大模型的基础能力，二是对提示词中包含信息的控制和优化。截至目前，GPT-4 的实际效果仍然是“独一档”，它具备的推理和解决问题的能力显著强于其他大模型，而开源模型本地私有部署和调优的效果距离实用还有比较大的距离。

大模型的潜力能否充分发挥出来，还取决于我们提示词中是否提供了必需且有效的信息。例如 debug 或者写测试用例，需要将与错误或被测函数有关的代码都带入提示词，大模型才有可能给出有效的回答。这部分工作如果完全交由工具或者 AI 去做，效果往往时好时坏，最好能够由人参与或者给出一些判断。

可以说，如何选取和提炼给大模型的信息，是我们用好大模型的“必修课”。就像你给一位实习生安排任务，需要说清楚任务及其依赖的上下文，信息过多或者过少都会影响实习生的表现。我们在职业发展过程中需要学习如何成为优秀的 mentor 或者 manager，今天也需要学习如何管理和利用大模型的能力。

本文整理自《研发效能100问》，原作者：彭云鹏 百度代码团队代码经理、任晶磊 思码逸创始人兼 CEO