本文来自腾讯蓝鲸智云社区用户: CanWay

背景

1、运维转型背景

蓝鲸平台从诞生之初，就一直在不遗余力地推动运维转型，让运维团队可以通过一体化PaaS平台，快速编写脚本，编排流程，开发运维工具，从被动地提供运维支撑服务，转型为主动地提供SRE增值服务。为了让运维人员更快成长为“六边形运维”（参考《在线跟腾讯工程师学习SaaS开发》，泛指运维界的六边形战士，特指掌握了运维开发技能的运维人群），降低运维开发 SaaS 的难度，蓝鲸不仅提供了蓝鲸开发框架，通过集成身份验证、API调用、模板渲染、UI组件库等功能，大幅降低了运维开发SaaS的难度。

然而，在实际操作中，我们观察到运维人员的主要工作往往涉及与各种IT对象和环境进行交互。因此，尽管他们学习使用Python这类脚本型语言来进行后台开发相对较为顺畅，但当他们试图设计并开发一个用户体验尚可的前端页面时，却面临较高的入门难度。他们往往面临两种选择：要么开发的页面功能相对简单、设计朴素，要么需要投入大量的时间和精力进行页面布局和交互设计的打磨。

为了解决这个难题，我们进一步提供了运维开发平台，使用低代码技术，通过拖拽组件组装页面，让开发工作可视化灵活组装、所见即所得，并且针对复杂交互场景有很好的适应性，可以灵活地通过函数编码实现。

2、大模型对运维开发带来的挑战和机遇

最近几年，大模型的爆发式发展为开发和运维行业带来新的变革，2021 年 7 月 1 日，由 GitHub 和 OpenAI 共同开发的人工智能编码助手——Copilot正式发布，如同连环炸弹的连续迸发，持续为开发者和整个软件行业带来震撼与惊喜。就在上个月，国内首个AI程序员入职了阿里云，这个叫“通义灵码”的程序员具有扎实的编程基础，能熟练使用200多种编程语言，具备生成词级/行级/块级/函数级/类级等代码内容的能力，还能自动生成测试用例、代码优化、生成注释等。而且，通义灵码的工作节奏比996还要极致：7x24小时随叫随到…看起来，大模型的应用似乎要终结开发框架、低代码这类脚手架开发工具。难道，运维不再需要开发转型了？甚至“零运维”在AI的帮助下提前实现了？

不过在最近一段时间，我们团队研究对比了多款国内外大模型，并且在知识查询、开发问答、代码补全、单元测试生成以及SaaS应用构建等多个维度进行了能力测试和验证，事实表明，大模型现阶段还不能完全替代开发者，在一些专业的运维开发领域，能够成为运维人员的“开发副手”，加快运维组织的转型。

大模型的优势分析

首先，我们分析，大模型的主要能力体现在以下几个方面：

1、语言理解

大模型通过训练可以理解和解释自然语言文本，能够回答问题、提供解释、理解指令和上下文含义等。

2、知识总结

大模型可以提取文本知识的关键信息，生成摘要，使得用户能够快速了解长篇文章或报告的主要内容。

3、语言创作

大模型能够根据输入的上下文信息生成连贯、流畅的文本，例如撰写文章、生成对话、创作诗歌或故事等。

4、问答系统

大模型可用于构建问答系统，与用户进行自然语言交流，回答用户提出的问题，如在线客服、智能助手等。

5、文本生成

大模型可以根据上下文生成各种类型的文本，如代码注释、代码补全、单元测试等。

这些能力使得大模型在许多实际应用中具有广泛的应用价值，如搜索引擎、推荐系统、知识库、智能客服等。随着技术的发展和模型的不断优化，大模型的性能和应用范围还将进一步扩大。

而我们推动运维开发转型的主要手段包含一体化运维平台、基于PaaS架构的开发框架、基于低代码技术的运维开发平台，这些工具分别提供了开箱即用的产品功能、可以快速组装的脚手架、所见即所得的图形化界面等多层次的能力，规避运维人员不熟悉开发语言和软件工程的短板，加速能力跃迁。

对比大模型的主流应用形态——AI对话交互和传统的运维产品和工具——GUI交互，两者各有优势。大模型更适合通过对话解决信息查询、上下文检索等问题，并且适合移动或小屏幕设备，在个性化、长尾需求场景里也能较好适配。而传统的GUI交互，在数据处理、高精度任务、快速导航上还保持着优势地位，并且提供了直观的操作体验。

大模型在运维开发上的应用

从大模型的原理上看，模型经过海量的数据训练，在开发领域，很多大模型学习了几十亿行代码，庞大的数据基础使得这些模型在代码的规范性、准确性方面展现出了卓越的效果。同时，自然语言理解的突出优势，让大模型在运维和开发专业知识掌握上是非常全面的，并且可以通过RAG等技术实现私域知识的检索，在运维工具开发辅助上可以发挥多种作用，提高开发效率和质量。以下是我们在运维开发领域的主要应用场景：

1、代码生成

在SaaS开发中，开发者经常会遇到需要查询资料或者阅读其他人编写的代码的情况，如果使用浏览器的搜索引擎或者一些开源大模型，必然会经常性地切换窗口打开浏览器，这个过程会给开发人员带来不少干扰。所以，在代码辅助编写场景，我们通过 BKGPT 插件对接大模型和IDE，让开发者可以在编程工具里闭环信息检索的过程，大大提升了开发问题查询效率。

其次，我们提供了BKCodeAI 插件，可以实现根据注释中的需求描述，进行代码生成和补全，当前已经支持函数级代码生成。BKCodeAI 安装并配置成功后，IDE 编辑器中，当前光标所处位置的上方有注释或者代码内容时，此时键盘回车、空格、tab 等按键时便会触发 BKCodeAI进行代码生成或补全。

较为常见的场景如下：

• 打开新文件，在第一行写注释，此时回车到下一行后便会触发；

• 打开老文件，修改文件中的某一行（非第一行）代码，此时在光标所处的回车、空格、tab 便会触发；

• 触发时，IDE右下角 BKCodeAI 标识处会出现 loading 标识，loading 结束后，便会展示代码生成结果（代码置灰预填充状态）；
  

• 按Tab键可以将生成代码真正填充到编辑器内。
  

2、代码审查

另一方面，和其他的编程 Copilot 工具一样，BKGPT 是一个助手而非人类程序员的替代品，开发者不能简单地采纳Copilot的建议，还需要结合个人的编程经验和专业知识最终完成SaaS的构建。所以在当前阶段，单元测试、代码审查这类软件质量措施需要坚持执行，不过在大模型的帮助下，不再需要开发者花费太多精力处理这些事项，大模型可以自动生成单元测试，并根据代码的提交记录自动生成 Code Review 建议。

BKCodeAI 插件安装成功后，当在 git push 时，会自动触发 AI CodeReview 任务，CR 任务将异步执行，不会阻塞 push 操作，CR 任务执行完成后会在 IDE 弹窗提醒 CR 详情链接。

打开 CR 详情链接，可以跳转到AI开发助手产品的 CR 历史页面，查看到大模型为本地提交的代码自动生成的审查结果。

3、专业知识问答

大模型天然在自然语言理解和知识总结有巨大的优势，而嘉为蓝鲸又有上千家各行各业的企业运维解决方案实施经验，积累了海量的运维开发领域专业知识。技术架构上，通过 RAG + Embedding 技术，可以海量的运维知识（截至2023年12月，嘉为知识库存量文档394035篇，月均消费7万+次）向量化存储，作为大模型的外挂知识库，利用大模型强大的总结能力，可以总结提炼出解决方案回复给开发者。并且，针对API调用以及企业内的系统，可以通过Function call技术实时获取更多的知识如API调用测试结果，辅助开发者更准确的验证接口参数。

通过打通企业微信机器人，可以让开发者很方便地查询开发知识，该问答机器人除了回答常规的开源知识外，也能很好地提取公司内的私域知识，然后总结后回复给提问者。

“正确的问题往往比答案重要，好的问题就是一般的答案”这个结论在大模型领域体现得淋漓尽致，在智能问答助手上线后，我们发现有部分开发者反馈回复不准确，存在大模型“胡说八道”的情况，深入追究，发现往往是开发者的提问比较模糊或者提问格式不符合规范。其实这个现象在大模型的各个行业应用中都比较普遍，这也是为什么会有“提示词工程”的重要原因之一。

为了解决提问不规范的问题，我们单独开发了一个“AI开发助手”的SaaS，通过定义角色的方式预制 Propmt 提示词，这样可以让熟悉“提示词工程”的平台开发工程师汇总运维开发关注的常见问题，比如定义“前端TS专家”，用于解决开发者不熟悉前端的痛点；定义“变量取名专家”，规范开发者的代码变量命名。

通过“预设角色”功能，智能问答场景进一步降低了开发者的使用门槛，更进一步，平台开发工程师可以把产品的扩展开发能力——插件开发提炼成模板，开放给普通用户使用。这样即使是不懂开发的用户，在页面选择了“插件模板生成员”后，也能快速开发出一个插件出来。

经过一段时间的运行，我们也发现了一个非常实用的提示词撰写技巧——CO-STAR 框架。该框架由新加坡政府科技局 (GovTech) 举办的首届 GPT-4 提示工程大赛冠军 Sheila Teo 提出。

CO-STAR是结构化的Prompt模板六大要素的首字母缩写，即：

• © Context 上下文：为任务提供背景信息
• 通过为大语言模型（LLM）提供详细的背景信息，可以帮助它精确理解讨论的具体场景，确保提供的反馈具有相关性。
• (O) Objective 目标：明确你要求大语言模型完成的任务
• 清晰地界定任务目标，可以使大语言模型更专注地调整其回应，以实现这一具体目标。
• (S) Style 风格：明确你期望的写作风格
• 可以指定一个特定的著名人物或某个行业专家的写作风格，如商业分析师或 CEO。这将指导大语言模型以一种符合你需求的方式和词汇选择进行回应。
• (T) Tone 语气：设置回应的情感调
• 设定适当的语气，确保大语言模型的回应能够与预期的情感或情绪背景相协调。可能的语气包括正式、幽默、富有同情心等。
• (A) Audience 受众：识别目标受众
• 针对特定受众定制大语言模型的回应，无论是领域内的专家、初学者还是儿童，都能确保内容在特定上下文中适当且容易理解。
• ® Response响应：规定输出的格式
• 确定输出格式是为了确保大语言模型按照你的具体需求进行输出，便于执行下游任务。常见的格式包括列表、JSON 格式的数据、专业报告等。对于大部分需要程序化处理大语言模型输出的应用来说，JSON 格式是理想的选择。

4、原子平台产品集成

在运维的日常工作中，脚本编写是一个比较核心且重要的工作，蓝鲸平台已经提供了一套运维基础操作的原子平台——作业平台，让运维的脚本管理工作页面化，并且云化脚本版本管理模式，贴合现代化开放协同的理念，协作者借助平台，可便捷地共享脚本资源。在大模型的能力加持下，作业平台的脚本管理和问题分析插上了AI的翅膀，尤其是在脚本报错分析、IT对象操作知识等方面，能力非常突出，极大地提升了运维日常的脚本开发效率，降低了脚本出错的概率。

5、运维开发平台集成

最后，在低代码开发领域，运维开发平台的优势在于图形化开发方式、大量的预制组件、少量手工编码、实现完整的应用（包含页面、流程、数据等），可以降低开发难度、开发成本，缩短开发周期，但是也存在产品学习成本高、配置和脚本复杂度高、需求转化难度大等问题。而这些短板恰好是大模型的优势——自然语言理解、基本推理、海量代码的积累，所以，大模型可以比较完美地集成到蓝鲸运维开发平台中，并且在以下功能上带来了更高的效率和更好的体验：

• 自然语言自动生成页面
  开发者接到需求后，没有产品经理，可以直接求助大模型帮忙生成页面需要的组件，如表格、登录框等。大模型查询运维开发平台内置的组件，并在页面快速生成组件实例，整个过程比拖拉拽的交互更加高效。
  

• 修改页面字段内容和配置
  开发者需要针对组件设计一些交互逻辑，如属性、事件等，可以直接对事件进行描述，如添加一个按钮，并给按钮的点击事件进行描述“跳转到首页”，大模型的收到提示词后生成平台规则要求的配置或代码，效果如下：
  

• 后台代码或SQL生成
  运维开发平台的后台代码或SQL语句生成应该与其它的 Copilot 的代码生成方式更优化，分成以下步骤：

1.用户直接在前端页面选择数据源，输入文本，描述需要生成的 SQL 的功能；
2.运维开发平台将数据库表结构和用户输入文本进行格式化整合后，经过 Prompt 优化后发送到大模型；
3.大模型返回SQL语句，用户复制或插入到平台中。

• 需求文档生成应用
  更复杂点的场景，运维开发希望能根据业务需求，经过少量人为交互，可以直接生成最终的页面和应用，这个步骤会更加复杂：

1.开发者输入完整的需求，如“新建一个年会打卡抽奖系统”；
2.大模型先根据描述拆解任务，调用运维开发平台能力，生成开发任务步骤和流程，包含设计数据库模型、开发员工信息管理接口、开发打卡系统接口、开发抽奖系统接口、实现用户认证和权限管理、设计API响应格式，以及集成SaaS开发框架、执行开发环境启动和测试预览等部署工作；
3.每个开发任务步骤，大模型会自动生成代码函数片段，并自动调用大模型的 Code Review 能力，生成代码审查报告；
4.开发者根据每个步骤的代码片段，结合 Code Review 结论，可以进一步完善步骤提示词；
5.经过多轮步骤代码自动生成和代码审查，以及少量人为接入，完成最终版本的代码生成；
6.最后，结合蓝鲸SaaS开发框架和自动化部署能力，可以直接把每个步骤的函数代码组装成完整的应用，发布到测试环境进行验证。

未来展望
“把AI和大模型的能力赋能给运维团队，推动运维开发转型，实现组织可持续、自生长”始终是蓝鲸品牌的发展理念，无论是已经“越过顶峰、走出低谷”的PaaS平台、云原生技术，还是处于“期望顶峰”的大模型技术，蓝鲸始终坚持脚踏实地地推动技术的实际应用，不断降低运维使用新技术的门槛。当然，我们在中途休息小憩时，也不会忘记仰望星空，选择摘取几颗耀眼的“技术之星”，照亮我们的前行之路。