进而创造，现阶段我们须要办理一个问题：如何去打通工具之间的壁垒，让 AI 赞助研发工具更好地协同，以提高研发效率？
AI 赞助研发策略该当如何演进？下图是当前 AI 增强的研发工具、平台的紧张构建思路：
当前阶段，我们紧张通过在已有的 DevOps 工具平台上，通过 AI 增强，来为端到端事情流、多角色协同场景供应场景化 Agents，提升协同效率。而从未来来看， 当前的 AI 赞助研发工具还存在一些问题。
问题 1：速赢和高杠杆领域已经被摘取去年 5 月，我们在 QCon 上分享《探索软件开拓新工序：LLM 赋能研发效能提升》里，个中我们建议企业该当关注：“速赢和高杠杆领域”，以得到更高的的投入产出比。
而在今年这些领域已经被摘取，如在赞助构造化需求、赞助代码天生、赞助代码审查等领域。大量的企业已经有一系列的“自研”工具，虽然可能短缺一些 最佳实践，但是或多或少已经在试点中，有一些还取得不错的效果。对付现有的开拓流程而言，我们很难逐一增强，我们还要面临事情利用者缺少干系的 AI 技能，提不出好的问题和需求。
只管，我们可以更多地关注长尾领域，如赞助支配、赞助运维等领域。这些领域的 AI 赞助研发工具还处于低级阶段，但是性价比不一定更高。
问题 2：AI 平台与工具的碎片化加深相似的，如先前的图所示，企业已经购买了或者自建算力、模型平台、模型编排等平台的底层能力，以及大量的知识库， 再到赞助研发的需乞助手、架构助手、测试助手、代码助手等等。就当前而言，企业普遍缺少精良的 AI 工程师，因此主流的办法是外购或者基于开源软件构建。
购买办法。对不同的平台、工具进行大量的前期试点或者评估，再选择最适宜自己的工具。如基于 GitHub Copilot、通义灵码、CodeGeeX 等等。
自建办法。如基于开源 AI 运用开拓平台 Dify、开源的 IDE 插件 AutoDev、Continue、开源的各种赞助研发 ChatBot 等等。
在这种情形下，未贴合企业实际需求的碎片化工具大量存在各个团队中，并且难以协同。碎片化的工具不仅会存在大量重复劳动，还会使得 AI 平台或者工具束之高阁，无法发挥最大的代价。那么，我们该当如何去打通这些壁垒呢？
什么是云端与 IDE 智能体协同？在过去的一年里，我们看到了一些 IDE 智能体的案例：
Bloop。可以利用自然措辞提问，搜索代码，并基于现有代码库天生补丁。
Tabnine - Jira to code。开拓团队可以从 Jira 任务中自动生成功能完备的运用程序。
GitHub Copilot Workspace。结合 GitHub 平台的需求功能（issue）、代码托管、构建、支配平台，实现从需求到代码的自动天生与支配。
……
这些智能体的共同点是：通过结合工具链来获取 IDE 的高下文信息，再结合云真个知识库等，来处理对应的的任务需求。
IDE 智能：如何最大化代码的代价？在 IDE 侧，与智能体干系的能力常日有两类：
本地智能体。直接从本地获取所需高下文，直接与模型进行交互，如常用的 @workspace 功能，用于直接与代码库进行问答。
云端智能体集成/智能体市场。即与云真个智能体进行交互，通过多轮信息通信，供应其所须要的高下文，诸如 AutoDev 自定义的智能体、GitHub Copilot Extension 等。
对付本地智能体来说，其紧张的上风是：速率快，可以直接快速获取本地的高下文信息，不须要网络传输。但是，其缺陷是：无法获取云真个知识库 ，无法获取更多的领域知识。以是，对付一些须要大量领域知识的任务，如需求天生代码、代码审查等，我们须要通过云端智能体来获取更多的知识。
因此，对付 IDE 侧来说，我们须要能动态地供应云端所须要的高下文信息，并供应对应的智能体接口，以支持云端智能体的调用。
云端智能体：内部资产与研发知识的集成如图 1 所示，我们在过去已经构建了一系列的智能体，它们都基于各自领域的特点，供应了所须要的知识与最佳实践。诸如，我们会在需乞助手中，添加所属领域的 知识库，需求编写的最佳实践等等。而事实上，对付这一类需乞助手只有这一些是不足的，代码的现有实现逻辑，会影响新功能的设计。
进而我们会创造：软件研发的各种智能体是你中有我，我中有你的。只是单独的一个智能体是无法完玉成部研发流程的，我们须要将这些智能体进行整合，以支持 全体研发流程。
云端与 IDE 智能体协同的实现在云端，大量企业已经构建了类似于 Dify 的 AI 运用平台，在这些运用平台上，已经可以支持对智能体的编排，因此实现上起来并不困难。但是，对付 IDE 侧来说，我们还须要构建一个类似的智能体编排系统，以支持 IDE 侧智能体的调用。
IDE 智能体编排系统在 IDE 侧，我们须要构建一个智能体编排能力，以支持 IDE 侧智能体的调用。它须要支持：
快速获取 IDE 高下文信息。如当前的代码库、当前的代码、当前的需求等等。
轻量级的高下文处理。诸如对付代码库的搜索、静态代码剖析等等。
与云端智能体的交互。通过 API 调用，获取云端智能体的结果。
与三方工具的集成。如与 Sonarqube、GitHub、Git 等工具的集成，以支持对应的需求、代码库的获取。
数据的安全性。对付代码库、需求等敏感信息，须要进行加密处理。
让用户能够为他们自己的 IDE 创建定制的 AI 智能体，从而构建个性化的 AI 驱动开拓环境。
云端与 IDE 智能体协同实现：Shire 示例Shire 供应了一种简便 AI 编码智能体措辞，能够让大型措辞模型（LLM）与掌握集成开拓环境（IDE）之间自由对话，以实现自动化编程。在 Shire 中，你可以 通过编程措辞的办法，来定义与 IDE 的交互信息处理，以及与远程智能体的交互。
PS：安装办法，Intellij 等 IDE 在插件市场搜索 Shire
如下是一个大略的 Shire 结合数据库信息，与远程智能体天生 SQL 的示例：
---
name: \公众设计数据库\"大众
variables:
\"大众requirement\公众: /any/ { thread(\公众.shire/shell/dify-epic-story.curl.sh\公众) | jsonpath(\"大众$.answer\"大众, true) }
afterStreaming: {
case condition {
default { execute(\"大众gen-sql.shire\"大众, $requirement, $output) }
}
}
---
[干系的数据库设计库提示词]
— User use database: $databaseInfo
- User tables: $tables
Here are the User requirements:
$requirement
在这个示例中，我们通过 thread 函数，调用了一个支配于 Dify 上的远程智能体，获取了干系业务的需求。在 AI 剖析完需求后，再通过 execute 函数， 再调用了一个本地的智能体（即 gen-sql.shire），天生了 SQL。在 gen-sql.shire 中，我们定义了基本的 SQL 规范，以让 AI 天生的 SQL 更符合 企业规范。
你可以在我们的 GitHub 上找到更多的示例：Shire 示例 （ https://github.com/shire-lang/shire-spring-java-demo ） 。
小结去年，我们在设计开源 IDE 插件 AutoDev 时，构建了一个 AutoCRUD 的智能体。这个智能体可以获取 GitHub、GitLab 上的 issue 作为需求，再结合本地的代码库，自动对代码进行修正。
我们相信，未来的 AI 赞助研发工具该当是：云端与 IDE 智能体协同。即通过 IDE 侧的智能体编排系统，与云端智能体进行协同，以支持全体研发流程的 自动化。