软件工程作为信息技术的核心支柱，承载着推动数字化转型与创新的重任。然而，传统软件工程在开发效率、质量保障、需求适应性等方面面临诸多挑战。大模型凭借其强大的语言生成、逻辑推理、知识融合等能力，为软件工程的各个环节带来了新的思路与方法。
基于市场的长期跟踪，沙丘智库正式发布《2025年“大模型+软件工程”最佳实践报告》，深入洞察“大模型+软件工程”的市场格局与发展趋势，总结大模型与软件工程深度融合的最佳路径，旨在为软件工程团队提供可复制、可落地的实践指南，助力提升软件开发效率与质量，降低项目风险。
01大模型赋能软件工程的核心领域
沙丘智库认为，并非所有软件开发任务都适合用AI辅助，大模型能够发挥作用的应用场景需要满足如下条件：
第一，模型训练时所使用的编程语言和框架有大量公开可用的代码；
第二，模型在训练过程中有足够的信息来理解特定领域的概念和它们之间的语义关系；
第三，验证代码（或其他产出物）是否正确所需的额外努力不应显著高于手动编写代码（或其他产出物）；
第四，开发者需要有足够的专业知识来验证代码（或其他产出物）是否正确、安全、运行良好，并符合组织的法律和安全政策。
基于以上条件，虽然每个开发者对AI开发工具的采纳和提效程度不同，但以下应用场景被普遍认为是当前大模型能够发挥作用的地方：代码生成、代码调试、代码审查、代码现代化、代码解释、AI测试用例生成。
以代码生成为例：
当考虑利用大模型辅助开发者时，人们首先想到是利用大模型直接生成代码。从自动补全到生成完整函数，代码生成已经成为很多开发者不可或缺的日常工具。
但大模型只能为那些在模型训练时已经存在（并且有足够公开代码）的编程语言和框架版本生成代码，尤其适用于样本代码、旧语言代码、从设计到代码、应用程序集成等场景。
02大模型赋能软件工程的应用建议
为了最大程度发挥大模型在软件工程领域的应用价值，同时减轻相关风险，沙丘智库建议企业采取如下措施（详细内容可参阅完整版报告）：
第一，将AI开发工具作为提高开发者体验的工具；
第二，在软件开发生命周期中评估AI开发工具的价值；
第三，建立实践社区分享经验和知识；
第四，为开发者提供如何正确使用AI开发工具的培训；
第五，使用产品指标衡量AI开发工具的效果；
第六，对大模型生成的代码保持谨慎。
03大模型赋能软件工程典型案例
本报告精选了13个“大模型+软件工程”落地案例，覆盖金融、互联网、运营商等多个行业，旨在帮助其他企业学习成功经验。
以民生银行为例：
随着大模型技术的飞速发展，软件工程智能化成为金融科技研发的新路径，旨在提升研发效率、保障交付质量与促进人才技能转型发展。民生银行积极跟进技术发展趋势，前瞻性地启动了覆盖软件研发全流程的软件工程大模型应用体系建设。
民生银行AI增强软件工程应用场景实践涵盖需求、开发、测试、运维等关键环节，重点聚焦技术人员耗时多、投入高、操作复杂的规模化场景，由点及面推进工程化研发应用，并逐步形成AI工作链式服务。
当前，在工具使用方面，民生银行规模化覆盖全体自主研发岗位，全局AI代码采纳率约29%，接近行业先进实践，关键领域的规模化交付用户AI活跃度超30%；在研发效能方面，AI代码交付产能占比达18%，活跃用户任务交付周期缩短13.5%，AI服务占知识运营服务总量约30%。
报告目录
第一部分 “大模型+软件工程”市场洞察
大模型驱动的软件工程发展历程
大模型赋能软件工程的产品形态
2.1 AI开发工具的类型
2.2 AI开发工具融入工作流的方式
2.3 AI开发工具对开发者的影响
- 大模型赋能软件工程的核心领域
3.1 代码生成
3.2 代码调试
3.3 代码审查
3.4 代码现代化
3.5 代码解释
3.6 AI测试用例生成
大模型赋能软件工程的应用风险
大模型赋能软件工程的应用建议
第二部分 “大模型+软件工程”典型案例
案例1：民生银行智能化软件工程大模型应用体系建设与实践
案例2：交通银行智能化代码开发助手
案例3：世邦魏理仕AI赋能软件开发实践
案例4：贝壳找房AI研发智能体Super
案例5：腾讯代码智能化落地实践
案例6：腾讯音乐代码审查AI助手实践
案例7：中国移动聚智AI Coding智能体
案例8：中国工商银行智能测试设计实践
案例9：邮储银行知识驱动的智能测试分析实践
案例10：富国基金AI赋能测试实践
案例11：淘天基于AI的智能用例生成实践
案例12：酷狗音乐AI用例生成实践
案例13：腾讯广告AIGC驱动的WebUI自动化测试实践
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
