AI辅助软件开发以及为什么工具不够的（第1部分）：约翰·亚当（John Adam）

最近对资金和利润率的压力绝不只是金融服务和金融科技领域的感觉。但是，可以说捏合特别困难，快速有效地创新的必要性比以往任何时候都更加紧迫。

好消息是，新的AI工具可以加快交付并提高软件项目的质量，而无需增加员工。但是，即使该一般性陈述是正确的，仅使用工具是不够的。特别是在金融服务等受监管的行业中。

如果没有预先批准的工具列表以及如何以及在SDLC（软件开发生命周期）中应用它们，则组织具有治理，可观察性，可测量性和一致性问题。

如果不是通过对“之前”进行基准测试来衡量“真实”的收益，那么它们真的存在吗？树落在森林隐喻中。

当然，不是可以在组织中或提高组织的方式。没有明确的业务案例，只是直觉。

工具以及如何符合组织政策和监管框架的何处以及如何使用它们？有人阅读了隐私政策吗？我个人坚信，拥有其Facebook/Cambridge Analytica时刻的一家大型AI公司属于“何时，如果不是”。当第一个大型AI隐私丑闻破裂时，您不希望您的组织在报纸上的列表中发布。

为了从AI辅助SDLC的收益中受益并扩展，组织需要一个框架来实现结构化的，一致的集成 +治理，可观察性和可测量性。只是工具还不够。

从AI辅助SDLC中获得现实的收益

重要的是要注意，在撰写本文时，我们正处于AI工具快速变化的时期。一个好的框架在比特定工具高的一个或两个级别上运行，并允许它们与升级可互换。

我们大多数人在其周期中的资源处于溢价的周期中。与2023年前相比，我与我合作的大多数组织的交付量较少。在这种情况下，通过AI工具可以实现的生产率提高是不可谈判的。尽管资源减少，组织仍要求对更大，更好的产出的需求要求它。

正确实现它也是不可谈判的，这意味着将提高的生产率与可测量性，可观察性和治理结合在一起，在本文的第2部分中，我深入涵盖了这一问题。

作为建立适当框架的介绍，我将首先解释AI可以为SDLC的每个阶段提供的现实改进：

产品原型制作

开发人员使用原型测试思想的生存能力和功能，并收集用户和投资者的反馈。从历史上看，平均原型需要2至6周的团队合作才能完成。

但是，通过通过低编码/无代码原型制作和AI生成的代码和其他AI工具来扩大开发人员的作品，现在可以在几天甚至数小时内完成可点击的原型。

UX/UI设计

UX（用户体验）和UI（用户界面）设计人员与开发人员密切合作，以设计网站和应用程序接口。

使用AI工具可以快速生成基于基础样式指南和示例概念的多个设计模型和UI组件，设计人员可以在各种情况下可视化思想和用户流，以提高设计清晰度和方向，然后设计触摸开发人员的桌面。

Clarity提高了初始设计的质量并减少了设计师的来回，这意味着更大的项目需要4到6个月才能完成，现在需要更少的精力和时间。

甚至UXR（用户体验研究）也得到了加速和完善。用户访谈必要长而复杂，并导致大型定性数据集。

AI工具可以在几秒钟内突出数据集和成绩单中的模式和重复，这表明了人们对人类研究人员可能忽略的洞察力，误报甚至有偏见的问题的聚光灯。

建筑学

软件架构师计划高级设计，桥接技术和业务需求。它们的图包括产品组成部分的总和及其相互作用；直到最近，仅初始设计阶段就花费了1到2周。

使用AI，建筑师可以快速绘制图表，以轻松可视化这些关系并标准化跨服务的依赖性版本。还可以培训AI，以使用PR评论来报告建筑违规行为，并且可以统一图书馆以鼓励跨功能稳定。

更好的一致性和立即反馈意味着建筑师可以更快地工作，并且在图表达到利益相关者期望之前，产品的迭代较少。

编码

AI驱动的编码工具具有多种用例。

我的团队使用多种工具和genai来：

• 确保全面的项目文档，
• 自动化代码文档和自动化的生成，
• 扫描重复的代码并建议改进，
• 提高对复杂，不一致或不熟悉的代码基础的理解，
• 跨不同微服务统一代码样式和标准，以及
• 执行代码完成，并根据定义的标准检查错误和不一致。

再加上手动监督以捕获任何错误，我们在项目中至少加速了写作和测试代码20％。

Genai使复杂的代码库容易理解 – 含义团队成员可以灵活地从事陌生项目，并减少在内部通讯上花费的时间约25％。

我们使用的一种工具是Sonarqube，它在不执行的情况下查看代码。它会自动运行GitLab CI/CD（连续集成/连续交付和部署）管道，以查找错误，报告安全漏洞并强制执行代码标准，以统一样式并减轻潜在的误解，并具有更好的代码可读性。

测试和质量保证（质量保证）

在编写代码时，开发人员编写和运行单元测试，以检测到其时间占10％至20％之间的初始错误和安全问题。

代码审查和PRS或经验丰富的同事的反馈，SDLC进一步放缓了。如果需要各种代码审查并取决于繁忙的同事，则测试会被日推迟，有时甚至几周。

Genai可以通过编写单元测试，实时进行代码审查和PR来增强开发人员的努力，并自动生成和解决边缘案例以克服瓶颈，例如缺乏专业知识或队友的可用性。

AI增强质量检查可以减少冗余，统一访问代码，并在项目中巩固零散的知识，以使质量保证团队更有效。

例如，AI驱动的工具，例如Selenium可以自动化Web应用程序测试写作和执行，加速产品发行并提高产品可靠性。

自动化测试在严格的截止日期和资源少的项目的背景下尤其引人注目。

例如，我的团队的AI工具包用于QA测试包括

• Llama 3.3 LLM生成测试案例并分析代码和基于Excel的旧文档，
• Intellij AI助手自动标准化测试案例格式，并且
• GitLab在CI/CD管道中自动运行和测试脚本。

质量保证是SDLC中AI工具最有影响力的应用之一，通常可以将所需的资源削减高达60％，同时增加测试覆盖范围。

部署

当将产品部署到最终用户时，可以将AI添加到CI/CD中以预测使用模式并改善缓存策略，并自动确定并安排并行执行的任务。

通过AI监督，重复性任务的数量自动减少并预期资源分配，从而在不增加手动努力的情况下改善了延迟和产品发布周期。

通过分析以前的部署并预测必要的步骤，减少DevOps团队的进一步手动努力，AI驱动的缓存可以加速并简化回滚（将新部署的系统转移到更稳定的自身版本中）。

我的团队在部署过程中使用Dytrance，该部署可以监视和分析系统状态，并实时发送自我修复建议。

维护和监视

在此阶段，团队努力修复错误，确保系统安全并运行良好，并根据用户反馈，性能数据和未满足的用户需求进行改进。

AI可以自动执行错误监控的根本原因分析，并建议解决和调试的解决方案。

我的团队使用的工具包括AWS云手表和AIOPS的Azure Monitor，它们会根据监视数据自动收集，分析和建议响应，从而加速问题响应和系统更新10倍。

大局

软件开发的各个阶段的加速度足以使某些团队在工作流程中添加工具和Genai模型。尤其是在质量检查和编码等各个阶段，如果用例各，结果有效。

但是，通过退后一步并考虑了AI对SDLC的影响，因此可以将支持AI实施的论点变成一个真实的业务案例。可以用来加速组织AI转换的业务案例：

在强大的框架的支持下，在SDLC上实施AI的组织在最初6个月内看到了整个项目的30％+加速度。

关键字是“强大的”。组织需要一个框架来指导领导者选择工具并控制其使用，衡量结果以了解不同工具提供的价值数量，并鼓励在团队工作流程中采用。

没有它，团队将无法从新的工具和努力中衡量全部潜力，并冒着违反数据隐私等领域内部和第三方治理的风险。


考虑到我的言语计数和耐心，我深入研究了AI治理，测量和采用的框架，分为单独的文章：这是在AI辅助软件开发框架内：使用工具不够第2部分。