CNCC | 智能时代的IDE：大模型如何赋能软件开发环境和开发方法？

张莉

CCF教育专委候任主任

北京航空航天大学计算机学院教授、软件工程研究所所长

CCF软件工程专委常委，教育部软件工程专业教学指导委员会委员，全国高等学校计算机教育研究会副理事长。中国工程教育计算机类专业认证委员会委员。国家级一流本科课程负责人，软件工程国家级一流专业建设点负责人，教育部编译课程虚拟教研室负责人，101计划编译原理课程负责人，北京市教学名师。从事软件工程、模型驱动方法、需求工程等研究。多次获得国家教学成果、北京市教学成果奖、国防科技进步奖等奖励。入选2019年CCF优秀教师奖励计划。

刘辉

CCF软件工程专委会候任秘书长

北京理工大学教授/博导、智能软件与软件工程研究所副所长

CCF杰出会员，长期从事软件开发环境方面的研究工作，在ICSE、ESEC/FSE、ASE、ISSTA、IEEE TSE、ACM TOSEM等发表了三十余篇学术论文，部分成果被Eclipse等主流IDE采纳集成。获得ICSE 2022杰出论文奖、RE 2021最佳论文奖、IET Premium Award(2016) 、北京市技术发明二等奖(2021年度)。

李戈

CCF软件工程专委会秘书长

北京大学计算机学院长聘教授/博导

教育部长江学者。研究方向：程序生成、程序理解、深度学习，是国际上“基于深度学习的程序处理”方面的先驱性研究者，多项成果被国际学者认为是“首创性成果”并被广泛引用。多年来，所带领的研究团队在多项研究任务中一直保持着国际领先结果，是该领域国际知名的研究团队。曾获CCF科技发明一等奖。

基于大模型的软件开发自动化

最近以GPT-4为代表的大模型技术的推出对软件开发技术产生了深刻影响。大模型的程序生成能力到底如何？在程序分析与生成方面存在哪些问题？未来的软件开发图景将会发生哪些变化？北京大学程序理解与生成研究团队，是基于深度学习的程序理解与生成领域的早期开拓和持续贡献团队。讲者以自身研究经历为背景，对基于大模型的程序理解与生成方法的研究历程和发展状态进行简要阐述，并着重对当前基于大模型的软件开发自动化中存在的问题进行探讨。

陈振宇

南京大学软件学院教授/博导

主要从事智能软件工程的研究，长期致力于产教研融合和科研成果转化落地。南京大学智能软件工程实验室（iselab.cn）负责人、慕测科技创始人、IEEE国际软件测试大赛发起人，江苏省计算机学会产业工委执行主任。中国计算机学会杰出讲者，国家一流本科课程《软件测试》负责人。曾主持国家重点研发计划课题1项和国家自然科学基金重点项目1项。研究成果已经在中船重工、航天科工、中国电科、国家电网、百度、阿里、腾讯、华为等知名企业转化，研究成果获2012年度江苏省科学技术奖一等奖、2015年湖北省科技进步奖一等奖、2017年CCF NASAC-东软青年软件创新奖、2021年中国电子学会科技进步奖一等奖、2021年江苏省教学成果奖特等奖和2022年国家教学成果奖特等奖。

智能时代的软件测试：机遇与挑战

以深度学习为代表的数据驱动智能软件系统具有广泛的应用前景，但智能软件缺陷的触发与传播机理尚不清楚。近年来生成式大模型的兴起给予工程领域更多机遇，但依然面临多模态数据融合和开放信息物理环境的挑战。本次报告分享我们在针对智能软件系统质量保障和智能化技术驱动软件测试方面的研究进展。进一步从代码大数据角度看智能时代，尤其是当前大模型对软件开发和测试的能力边界分析。探讨智能时代对软件开发和测试流程带来的机遇与挑战。

孙海龙

CCF协同计算专委副秘书长

北京航空航天大学教授、北航杭研院副院长

入选国家级青年人才计划。主要研究群体智能、智能化软件方法和分布式系统等。主持多项国家重点研发计划项目、国家自然科学基金重点项目及面上项目等。在OSDI、IJCAI、AAAI和ICSE等发表论文130余篇，获得中国发明专利授权40余项、美国发明专利授权2项。获国家技术发明二等奖2项、教育部科技进步一等奖3项。

基于群智化方法的AI软件构建

随着人工智能技术的广泛应用，AI模型逐渐成为软件系统的重要组成。以深度神经网络为代表的AI模型是典型的复杂软件系统，提高此类软件的构建效率和质量是一个难题。针对该问题，我们受经典软件复用方法的启发，提出了“分而治之，集成汇聚”的群智化方法，其核心是基于模块化分解和按需组合的模型复用。报告聚焦深度神经网络模型的高效复用问题，介绍模型复用的研究动机和意义，并分析模型复用所面临的挑战，进而介绍基于群智化方法的研究进展。

文永新

华为云研发工具专家

华为云研发工具高级专家，PaaS工具首席规划，产品与软件工具CTO。23年华为软件产品与工具研发经验，先后负责多个公司级研发能力与工具重点项目。在敏捷与DevOps工程方法、流水线工具链、大规模构建、7x24小时自动化测试工厂、研发工具解决方案、软件开发生产线、计算云研发基础设施建设等方面，有丰富的实践经验。

智能化桌面与XOps软件生产线实践

介绍大模型时代下，以代码生成为主的智能化全码IDE桌面，低码桌面，和基于DataOps、MLOps、DevOps协同的软件开发生产线，在工具架构与软件研发上的实践。包括代码和研发交互基础大模型能力的建设，IDE上智能化的代码开发、代码检查、单元测试的应用，低代码编排，以及数据治理、模型开发、软件应用开发三大流水线工具集成方案，研发作业协同方面的探索。