怎样利用 AI 大模型，辅助研发管理与效能提升？

AI 大模型已经逐渐渗透到各行各业的应用场景中，在软件研发领域也不例外。在软件研发领域，从需求分析到软件设计，从软件开发到测试，以及最后发布上线，AI 在各个环节都发挥着重要作用。10 月 21 日，思码逸首席效能专家魏俊华在 GTLC 大会上以《大模型下的研发效能提升》为主题，围绕 AI 在研发管理中的价值、AI 在研发效能提升中的实践、AI 对研发效能管理的影响三个关键点进行了演讲，详细分享思码逸对于 AI 对软件研发管理与效能提升方面的见解以及实践。

AI 在研发管理中的价值

在软件研发领域，AI 已经渗透到各个环节的工作中。例如在需求分析环节，我们可以通过 AI 编写用户故事；在软件设计环节，我们可以通过 AI 生成数据模型；在软件开发环节，我们可以通过 AI 自动生成代码；在测试环节，我们可以通过 AI 进行自动化测试；在 CI/CD 环节，我们可以通过 AI 快速实现部署。这说明，AI 在研发管理过程中，同样可以发挥重要作用。

研发管理者通常在研发管理过程中会遇到以下几种问题：研发成本高、交付周期长、软件质量低、团队管理难。而目前业界的一些 AI 工具，可以针对性地解决这些问题。例如通过 AI 工具辅助研发人员提升技能；也可以通过 AI 工具来提升开发效率；或是利用 AI 工具辅助发现软件质量问题等。

那么我们应该优先选择在哪个环节应用 AI？如何在应用 AI 后快速看到改进效果？思码逸经过多年的客户实践，总结出了效能诊断、问题定位、AI 辅助、效果度量这样一套闭环流程：通过思码逸自研的研发效能平台，对企业的效能进行摸底，定位问题与短板，针对性通过 AI 进行辅助改进，然后根据核心指标的变化来度量改进效果，最后经过这样的多轮迭代，达到预期目标。

AI 在研发效能提升中的实践

分析研发效能的方法分为三步：

1、掌握研发效能全局，例如当前研发效能处于什么样的水平？研发的投入产出比如何？项目整体质量表现怎么样？

2、定位影响研发效能的关键问题，例如哪些关键因素影响了研发产能？交付进度顺利吗？是否有阻塞环节？人力负载均衡吗？项目中是否存在关键人力依赖？ 

3、定向改进，例如有问题的具体事务、任务在哪里？是否在回顾和改进？质量薄弱环节在哪里？哪些代码问题需要优先被修复？工程师的个人画像是如何的？哪些技能需要定向提升？

我们可以基于 GQM 框架更体系化地分析研发效能：首先设定目标，并将目标拆解为关键问题，然后通过若干指标来度量该问题。然后基于由思码逸总结提出的 MARI 方法（www.openmari.dev/），从度量、分析、回顾到改进，小步迭代进行改进。

思码逸 DevInsight 研发效能度量分析平台的架构如下图所示。研发管理者可通过定期的分析报告来管理研发效能，从趋势分布对比的角度来分析研发效率和质量等指标，通过下钻分析来挖掘问题根源，通过行业基线来了解团队在行业中所处水平，还可以利用平台中的专家系统来辅助发现问题，制定有效的改进决策。

及时且准确的数据报告，需要具有坚实的数据支撑。思码逸 DevInsight 支持通过多种手段来采集数据，例如通过 API 获取 JIRA、TAPD 等工具中的数据，或通过 CSV 的格式将数据导入思码逸 DevInsight 平台。在数据导入后，平台会基于数据形成效率、质量、迭代等不同数据看板。平台内置了多个面向不同目标的指标集，例如效率、质量等。基于这些指标集，平台可形成面向不同管理者的报告，既可以满足研发管理者向上汇报，又可以满足管理者向下管理。

在研发效能分析的过程中，通常研发管理者会面对几个问题：

1、数据治理

2、指标建设

3、数据分析

思码逸 DevInsight 针对以上这些问题都提供了针对性的解决方案与能力。

针对数据治理难题，思码逸提供数据接入与治理能力，只需要简单配置，即可实现不同数据源的快速接入，为指标建设提供可靠的数据基础。

同时，思码逸平台建立了科学的研发效能指标体系，整合了思码逸多年的客户服务与实践经验，预置了 100 多种被业界高频使用的指标。基于客户实际情况，通过 GQM 方法，我们为企业的不同管理角色提供有针对性的数据报表。更重要的是，思码逸 DevInsight 通过自研的深度代码分析技术，科学地度量研发代码量，提供创新的度量指标“代码当量”。

在企业中，不同研发管理角色的关注点不同，需要不同的指标。例如研发高管希望了解团队的交付效率，我们可以将它拆解为需求吞吐量、需求交付周期、需求颗粒度三个北极星指标，通过它们来衡量团队的交付效率。通过这种 GQM 方法的拆解，我们就可以得出一个与研发管理角色对应的北极星指标集，如下图所示。

在度量的过程中，企业都需要度量研发的工作量。许多企业会使用代码行数、需求个数、工时来定义工作量，但是这些指标会受到代码风格，以及员工是否主动填报等诸多因素的影响，导致度量不准确。基于此，思码逸通过创新的代码分析技术，提供了代码当量指标，它可以更科学、更客观地计算出研发工作量（点击这里了解代码当量）。

在公司中，从高层、中层到开发者，都可以通过报表的分析，来发现目前研发效能的短板。研发管理者可以基于对报表的分析来制定改进策略。同时，平台还会提供修复工作量、重点函数、内建质量、缺陷密度，来帮助管理者分析当前的项目质量水平。在调查出项目的短板之后，我们可以针对性地去进行改进，甚至通过人工智能来帮助我们解决这些问题。

在 ChatGPT 出现之后，它被快速地应用于各行各业的实际场景中。在研发管理方面，我们可以让 ChatGPT 切分需求，也可以让它提供针对性的技术解决方案，甚至让它为我们编写代码和修改 bug。那么人 AI 在研发效能领域扮演了什么样的角色呢？

在结构化分析领域，AI 可以生成和展示图表，针对异常数据进行下钻，有助于管理者快速发现和定位问题。在思码逸 DevInsight 平台，我们提供了专家系统，并支持设置企业基线、行业基线，让企业可以更客观地了解研发效能现状。

我们作为个人，在 ChatGPT 服务中扮演的角色有三类，如下图所示，分别是任务组织者、过程指导者、结果验证者。

思码逸基于 ChatGPT 开发了一款可以辅助研发效能提升的插件——DevChat。DevChat 支持以下能力：

1、通过对话，辅助技术选型

2、搭建脚手架或可运行的初始代码

3、给 DevChat 提供错误提示，让它帮助 debug

4、提供上下文，生成代码

5、IDE 无法支持又不涉及复杂架构设计的代码重构

6、提供目标源代码(和现有测试用例))，生成新的测试用例

7、写提交信息 (commit message)或者发布说明 (release note)

8、理解指定范围内的已有代码，给出具有一定深度的解释和证据

我们举一个实际的客户案例。我们有一个制造业的客户，随着企业规模扩张，软件系统和组织结构都变得更加复杂。研发交付开始吃力，每个研发团队都表示缺人缺资源，但有时加了人也不见提速。所以，他们需要通过建设研发效能度量，保证效能现状看得透，瓶颈风险说得清，在团队扩张的同时，保证研发效率的超线性增长。在经过与他们沟通和效能的诊断之后，我们针对他们遇到的问题提供了如下解决方案。

AI 对研发效能管理的影响

随着引入人工智能，它压缩了基于人的技能和经验去做事的链路，很多知识都可以通过人工智能获取，相当于“专家”附体。在这种场景下，我们如何评价我们的研发效率、如何识别关键人才、如何与 AI 和谐共存，成为每个研发管理者都需要考虑的问题。每个管理者都应基于自身所面对的业务需求、研发管径、团队结构进行思考，从研发流程、岗位职责、评估体系等角度给出自己的答案。

我们认为软件工程的本质并不因生成式 AI 而改变，所以不影响度量的根本逻辑和方法。包括代码产出，因为我们实践了这么多，还没看到 AI 能独立地生成工程级代码，都是要人去把控，AI 依然是人的附庸。今天 ChatGPT 引发的第一轮热潮已经过去了，人们也越来越理性，我们技术管理者应该抱有审慎的态度，长远的眼光，扎实做好工具打造、数据建设（基础），以人为本（理念），才能发挥 AI 最大的应用价值。

在 AI 赋能研发效能的背景下，我们应该怎么做？首先我们先对企业的效能进行诊断，再进行针对性的提升；其次我们要认清 AI，它是一种工具，我们要善加利用，而不是为其所困；第三，无论是开发者还是管理者，既要利用 AI，又要强化自身技能，不要依赖 AI，这样才能让我们在竞争激烈的市场上有一席之地。