AIGC时代的代码质量-2024北京站_QECon全球软件质量效能大会-橙柚科技

9折票售票中

团购享更多优惠

深圳站 · 2024年5月24-25日

上海站 · 2024年9月20-21日

北京站 · 2024年10月25-26日

优惠倒计时

专场：AIGC时代的代码质量

在AIGC时代，如何保障LLM生成的代码质量问题。本专场将涵盖 “代码大模型、代码补全、代码生成、代码修复、代码评审、代码质量评估” 等相关话题，并关注代码大模型或其他人工智能技术如何助力代码评审、提高代码质量。参与者将了解业界这方面的一些优秀实践，从而应用在工作中，以确保产出高质量、安全可靠的代码以适应AIGC时代的软件开发。

专场出品人：魏昭

腾讯代码智能资深专家，智能化软件工程算法团队负责人

腾讯代码智能资深专家，智能化软件工程算法团队负责人，北航计算机博士。多年一线大厂代码智能产品研发经验，带领团队打造了工蜂Copilot(AI代码助手)、工蜂代码导航、代码搜索、高质量软工数据研制流水线，代码补全、代码生成、CR生成，智能冲突消解、合并、提交等行业领先的代码智能产品、服务和算法，并在公司内规模化应用。作为《软件研发效能权威指南》代码智能化工具章节的主笔作者，在国内外知名会议、期刊(含FSE、ASE、ISSTA等)发表学术论文18篇，申请发明专利16项，其中授权9项。

刘傲

腾讯机器学习平台部高级研究员

腾讯公司机器学习平台部应用研究员，属于混元大模型post-training团队，工作内容主要是代码大模型方向的研发和业务落地。在东京工业大学取得博士学位，研究方向为自然语言生成，在AI/NLP领域的顶级会议（包括ACL、EMNLP等）发表多篇论文。毕业后加入腾讯，专注于代码大模型方向的技术探索。

待定

混元代码大模型实践经验

代码大模型有着编程提效、加速技术学习、提升代码质量等多种作用，是当前AI领域的热点方向。腾讯混元在代码大模型领域持续深耕，在司内外有大量应用场景接入。本次报告主要分享腾讯混元在代码大模型领域的一些研发和落地经验，主要涉及如何构建高质量的代码Chat模型，期待对大家起到参考作用。

内容大纲
1. 代码大模型概述
2. 混元代码大模型介绍
3. 代码Chat模型的研发实践
4. 未来展望

听众收益
1.了解代码大模型的相关技术
2.了解混元代码大模型的实践经验
3.了解混元代码大模型的落地案例

赵恒

Black Duck 高级安全架构师

就职于Blackduck软件安全公司，担任高级安全架构师。主要研究方向为软件应用安全，包括SAST、IAST、DAST、SCA、Fuzzing、DevSecOps等多个细分领域。曾协助支持国内多家头部客户安全工具和服务项目的成功落地，具有丰富的项目管理和实施经验。

待定

AI生成代码的质量、合规风险及对策

AI生成代码已逐渐成为开发领域的新趋势。在极大提升开发效率的同时，也带来了质量、安全以及新的合规风险。充分识别风险并采取有效的管控策略显得尤为关键。
Blackduck依托应用安全领域领先的产品与解决方案，给出了自己的思考和探索，帮助企业全面识别并管控AIGC（Code）应用过程中的风险。

内容大纲
1. AIGC的演进历程
2. AI生成代码的风险
2.1 质量与安全风险
2.2 合规风险
3. Blackduck的应对建议
3.1 以SAST管控自有代码质量与安全风险
3.2 以SCA管控OSS合规与安全风险

罗森

趣丸科技高级AIOps开发工程师

趣丸科技运维开发工程师，专注于软件质量、DevOps方向。现负责建设公司 AI CodeReview 应用，为公司研发效能环节提效。曾参与公司 CICD 平台从 0 到 1 的开发过程，保障了公司业务的快速交付。

待定

通过 LLM 赋能 CodeReview

CodeReview 是软件开发中的重要环节，它可以提升质量、共享知识、提升安全性、一致性、可维护性。虽然CodeReview很重要，但它却面临很多问题：消耗大量时间进而延长开发周期；由于Reviewer知识局限性，可能无法提供全面的信息；Review缺乏标准，而且难以在团队CodeReview中按标准执行。针对这些问题，我们可以借助 LLM 的能力为 CodeReview 环节赋能。

内容大纲
1. LLM 与 CodeReview
1.1 CodeReview 的重要性与挑战
1.2 LLM 为何可以赋能 CodeReview
2. 基于 LLM 构建 AI CodeReview 的困难与挑战

2.1单纯基于 MR 变更的问题
2.2 LLM 在代码场景中的局限
3. 趣丸科技 AI CodeReview 实践
3.1 趣丸科技 CodeReview 技术演进
3.2 大模型怎么理解代码仓库
3.3 通过知识库 RAG 拓展 CodeReview

3.4 趣丸科技 AI CodeReview 实现
4. 未来方向
4.1 通过 LLM 消除安全扫描的假阳性

听众收益
1. 了解如何构建 AI CodeReview 应用
2. 学会如何构建代码和知识库的 RAG

陈泰红

华为代码大模型高级技术专家

鸿蒙代码大模型架构师

代码大模型高级技术专家，鸿蒙代码大模型架构师，10年人工智能开发经验。发表专利5篇，主导设计的垂域场景大模型在内部孵化并规模落地应用。主要研究方向为：AI for SE和机器学习。

待定

鸿蒙研发大模型的探索与实践

鸿蒙业务快速变化，AI辅助鸿蒙研发高价值高频场景在哪里？如果通过业务结合，找到AI大模型的发力点？鸿蒙特有的AI技术挑战是什么？
痛点：当前220万+鸿蒙开发者，面对新操作系统与ArkTs新语言，急需要快速赋能。

内容大纲
操作系统国产化是国家级的重大战略。自从鸿蒙发布以来，app数量高达百万级，200w开发者急需AI工具提高开发效率。
1. 鸿蒙研发面临的挑战
1.1 百万级应用急需提升效率
1.2 大模型时代的趋势
1.3 开发者的呼声
2. 鸿蒙研发大模型探索
2.1 整体方案设计
2.2 如何构造训练数据
2.3 ai辅助研发总体框架
2.4 关键优势
3. 鸿蒙大模型在业务中的应用
3.1 代码生成
3.2 知识问答
3.3 ut代码生成
4. 鸿蒙大模型助力研发效率提升
4.1 智能化研发全景图
4.2 开发者真实声音
5. 总结与展望