01. 背景

1）運維轉型背景

藍鯨平臺從誕生之初，就一直在不遺余力地推動運維轉型，讓運維團隊可以通過一體化PaaS平臺，快速編寫腳本，編排流程，開發運維工具，從被動地提供運維支撐服務，轉型為主動地提供SRE增值服務。為了讓運維人員更快成長為“六邊形運維”（參考《在線跟騰訊工程師學習SaaS開發》，泛指運維界的六邊形戰士，特指掌握了運維開發技能的運維人群），降低運維開發 SaaS 的難度，藍鯨不僅提供了藍鯨開發框架，通過集成身份驗證、API調用、模板渲染、UI組件庫等功能，大幅降低了運維開發SaaS的難度，而且配套了詳細的【開發指南文檔】和視頻課程。

然而，在實際操作中，我們觀察到運維人員的主要工作往往涉及與各種IT對象和環境進行交互。因此，盡管他們學習使用Python這類腳本型語言來進行后臺開發相對較為順暢，但當他們試圖設計并開發一個用戶體驗尚可的前端頁面時，卻面臨較高的入門難度。他們往往面臨兩種選擇：要么開發的頁面功能相對簡單、設計樸素，要么需要投入大量的時間和精力進行頁面布局和交互設計的打磨。

為了解決這個難題，我們進一步提供了運維開發平臺，使用低代碼技術，通過拖拽組件組裝頁面，讓開發工作可視化靈活組裝、所見即所得，并且針對復雜交互場景有很好的適應性，可以靈活地通過函數編碼實現。

2）大模型對運維開發帶來的挑戰和機遇

最近幾年，大模型的爆發式發展為開發和運維行業帶來新的變革，2021 年 7 月 1 日，由 GitHub 和 OpenAI 共同開發的人工智能編碼助手——Copilot正式發布，如同連環炸彈的連續迸發，持續為開發者和整個軟件行業帶來震撼與驚喜。就在上個月，國內首個AI程序員入職了阿里云，這個叫“通義靈碼”的程序員具有扎實的編程基礎，能熟練使用200多種編程語言，具備生成詞級/行級/塊級/函數級/類級等代碼內容的能力，還能自動生成測試用例、代碼優化、生成注釋等。而且，通義靈碼的工作節奏比996還要極致：7x24小時隨叫隨到......看起來，大模型的應用似乎要終結開發框架、低代碼這類腳手架開發工具。難道，運維不再需要開發轉型了？甚至“零運維”在AI的幫助下提前實現了？

不過在最近一段時間，我們團隊研究對比了多款國內外大模型，并且在知識查詢、開發問答、代碼補全、單元測試生成以及SaaS應用構建等多個維度進行了能力測試和驗證，事實表明，大模型現階段還不能完全替代開發者，在一些專業的運維開發領域，能夠成為運維人員的“開發副手”，加快運維組織的轉型。

02. 大模型的優勢分析

首先，我們分析，大模型的主要能力體現在以下幾個方面：

1）語言理解

大模型通過訓練可以理解和解釋自然語言文本，能夠回答問題、提供解釋、理解指令和上下文含義等。

2）知識總結

大模型可以提取文本知識的關鍵信息，生成摘要，使得用戶能夠快速了解長篇文章或報告的主要內容。

3）語言創作

大模型能夠根據輸入的上下文信息生成連貫、流暢的文本，例如撰寫文章、生成對話、創作詩歌或故事等。

4）問答系統

大模型可用于構建問答系統，與用戶進行自然語言交流，回答用戶提出的問題，如在線客服、智能助手等。

5）文本生成

大模型可以根據上下文生成各種類型的文本，如代碼注釋、代碼補全、單元測試等。

這些能力使得大模型在許多實際應用中具有廣泛的應用價值，如搜索引擎、推薦系統、知識庫、智能客服等。隨著技術的發展和模型的不斷優化，大模型的性能和應用范圍還將進一步擴大。

而我們推動運維開發轉型的主要手段包含一體化運維平臺、基于PaaS架構的開發框架、基于低代碼技術的運維開發平臺，這些工具分別提供了開箱即用的產品功能、可以快速組裝的腳手架、所見即所得的圖形化界面等多層次的能力，規避運維人員不熟悉開發語言和軟件工程的短板，加速能力躍遷。

對比大模型的主流應用形態——AI對話交互和傳統的運維產品和工具——GUI交互，兩者各有優勢。大模型更適合通過對話解決信息查詢、上下文檢索等問題，并且適合移動或小屏幕設備，在個性化、長尾需求場景里也能較好適配。而傳統的GUI交互，在數據處理、高精度任務、快速導航上還保持著優勢地位，并且提供了直觀的操作體驗。

03. 大模型在運維開發上的應用

從大模型的原理上看，模型經過海量的數據訓練

，在開發領域，很多大模型學習了幾十億行代碼，龐大的數據基礎使得這些模型在代碼的規范性、準確性方面展現出了卓越的效果。同時，自然語言理解的突出優勢，讓大模型在運維和開發專業知識掌握上是非常全面的，并且可以通過RAG等技術實現私域知識的檢索，在運維工具開發輔助上可以發揮多種作用，提高開發效率和質量。以下是我們在運維開發領域的主要應用場景：

1）代碼生成

在SaaS開發中，開發者經常會遇到需要查詢資料或者閱讀其他人編寫的代碼的情況，如果使用瀏覽器的搜索引擎或者一些開源大模型，必然會經常性地切換窗口打開瀏覽器，這個過程會給開發人員帶來不少干擾。所以，在代碼輔助編寫場景，我們通過 BKGPT 插件對接大模型和IDE，讓開發者可以在編程工具里閉環信息檢索的過程，大大提升了開發問題查詢效率。

其次，我們提供了BKCodeAI 插件，可以實現根據注釋中的需求描述，進行代碼生成和補全，當前已經支持函數級代碼生成。BKCodeAI 安裝并配置成功后，IDE 編輯器中，當前光標所處位置的上方有注釋或者代碼內容時，此時鍵盤回車、空格、tab 等按鍵時便會觸發 BKCodeAI進行代碼生成或補全。

較為常見的場景如下：

• 打開新文件，在第一行寫注釋，此時回車到下一行后便會觸發；
• 打開老文件，修改文件中的某一行（非第一行）代碼，此時在光標所處的回車、空格、tab 便會觸發；
• 觸發時，IDE右下角 BKCodeAI 標識處會出現 loading 標識，loading 結束后，便會展示代碼生成結果（代碼置灰預填充狀態）；

• 按Tab鍵可以將生成代碼真正填充到編輯器內。

2）代碼審查

另一方面，和其他的編程 Copilot 工具一樣，BKGPT 是一個助手而非人類程序員的替代品，開發者不能簡單地采納Copilot的建議，還需要結合個人的編程經驗和專業知識最終完成SaaS的構建。所以在當前階段，單元測試、代碼審查這類軟件質量措施需要堅持執行，不過在大模型的幫助下，不再需要開發者花費太多精力處理這些事項，大模型可以自動生成單元測試，并根據代碼的提交記錄自動生成 Code Review 建議。

BKCodeAI 插件安裝成功后，當在 git push 時，會自動觸發 AI CodeReview 任務，CR 任務將異步執行，不會阻塞 push 操作，CR 任務執行完成后會在 IDE 彈窗提醒 CR 詳情鏈接。

打開 CR 詳情鏈接，可以跳轉到AI開發助手產品的 CR 歷史頁面，查看到大模型為本地提交的代碼自動生成的審查結果。

3）專業知識問答

大模型天然在自然語言理解和知識總結有巨大的優勢，而嘉為藍鯨又有上千家各行各業的企業運維解決方案實施經驗，積累了海量的運維開發領域專業知識。技術架構上，通過 RAG + Embedding 技術，可以海量的運維知識（截至2023年12月，嘉為知識庫存量文檔394035篇，月均消費7萬+次）向量化存儲，作為大模型的外掛知識庫，利用大模型強大的總結能力，可以總結提煉出解決方案回復給開發者。并且，針對API調用以及企業內的系統，可以通過Function call技術實時獲取更多的知識如API調用測試結果，輔助開發者更準確的驗證接口參數。

通過打通企業微信機器人，可以讓開發者很方便地查詢開發知識，該問答機器人除了回答常規的開源知識外，也能很好地提取公司內的私域知識，然后總結后回復給提問者。

“正確的問題往往比答案重要，好的問題就是一般的答案”這個結論在大模型領域體現得淋漓盡致，在智能問答助手上線后，我們發現有部分開發者反饋回復不準確，存在大模型“胡說八道”的情況，深入追究，發現往往是開發者的提問比較模糊或者提問格式不符合規范。其實這個現象在大模型的各個行業應用中都比較普遍，這也是為什么會有“提示詞工程”的重要原因之一。

為了解決提問不規范的問題，我們單獨開發了一個“AI開發助手”的SaaS，通過定義角色的方式預制 Propmt 提示詞，這樣可以讓熟悉“提示詞工程”的平臺開發工程師匯總運維開發關注的常見問題，比如定義“前端TS專家”，用于解決開發者不熟悉前端的痛點；定義“變量取名專家”，規范開發者的代碼變量命名。

通過“預設角色”功能，智能問答場景進一步降低了開發者的使用門檻，更進一步，平臺開發工程師可以把產品的擴展開發能力——插件開發提煉成模板，開放給普通用戶使用。這樣即使是不懂開發的用戶，在頁面選擇了“插件模板生成員”后，也能快速開發出一個插件出來。

經過一段時間的運行，我們也發現了一個非常實用的提示詞撰寫技巧——CO-STAR 框架。該框架由新加坡政府科技局 (GovTech) 舉辦的首屆 GPT-4 提示工程大賽冠軍 Sheila Teo 提出。

CO-STAR是結構化的Prompt模板六大要素的首字母縮寫，即：

• (C) Context 上下文：為任務提供背景信息：通過為大語言模型（LLM）提供詳細的背景信息，可以幫助它精確理解討論的具體場景，確保提供的反饋具有相關性。
• (O) Objective 目標：明確你要求大語言模型完成的任務：清晰地界定任務目標，可以使大語言模型更專注地調整其回應，以實現這一具體目標。
• (S) Style 風格：明確你期望的寫作風格：可以指定一個特定的著名人物或某個行業專家的寫作風格，如商業分析師或 CEO。這將指導大語言模型以一種符合你需求的方式和詞匯選擇進行回應。
• (T) Tone 語氣：設置回應的情感調：設定適當的語氣，確保大語言模型的回應能夠與預期的情感或情緒背景相協調。可能的語氣包括正式、幽默、富有同情心等。
• (A) Audience 受眾：識別目標受眾：針對特定受眾定制大語言模型的回應，無論是領域內的專家、初學者還是兒童，都能確保內容在特定上下文中適當且容易理解。
• (R) Response響應：規定輸出的格式：確定輸出格式是為了確保大語言模型按照你的具體需求進行輸出，便于執行下游任務。常見的格式包括列表、JSON 格式的數據、專業報告等。對于大部分需要程序化處理大語言模型輸出的應用來說，JSON 格式是理想的選擇。

4）原子平臺產品集成

在運維的日常工作中，腳本編寫是一個比較核心且重要的工作，藍鯨平臺已經提供了一套運維基礎操作的原子平臺——作業平臺，讓運維的腳本管理工作頁面化，并且云化腳本版本管理模式，貼合現代化開放協同的理念，協作者借助平臺，可便捷地共享腳本資源。在大模型的能力加持下，作業平臺的腳本管理和問題分析插上了AI的翅膀，尤其是在腳本報錯分析、IT對象操作知識等方面，能力非常突出，極大地提升了運維日常的腳本開發效率，降低了腳本出錯的概率。

5）運維開發平臺集成

最后，在低代碼開發領域，運維開發平臺的優勢在于圖形化開發方式、大量的預制組件、少量手工編碼、實現完整的應用（包含頁面、流程、數據等），可以降低開發難度、開發成本，縮短開發周期，但是也存在產品學習成本高、配置和腳本復雜度高、需求轉化難度大等問題。而這些短板恰好是大模型的優勢——自然語言理解、基本推理、海量代碼的積累，所以，大模型可以比較完美地集成到藍鯨運維開發平臺中，并且在以下功能上帶來了更高的效率和更好的體驗：

① 自然語言自動生成頁面
開發者接到需求后，沒有產品經理，可以直接求助大模型幫忙生成頁面需要的組件，如表格、登錄框等。大模型查詢運維開發平臺內置的組件，并在頁面快速生成組件實例，整個過程比拖拉拽的交互更加高效。

② 修改頁面字段內容和配置
開發者需要針對組件設計一些交互邏輯，如屬性、事件等，可以直接對事件進行描述，如添加一個按鈕，并給按鈕的點擊事件進行描述“跳轉到首頁”，大模型的收到提示詞后生成平臺規則要求的配置或代碼，效果如下：

③ 后臺代碼或SQL生成
運維開發平臺的后臺代碼或SQL語句生成應該與其它的 Copilot 的代碼生成方式更優化，分成以下步驟：

• 用戶直接在前端頁面選擇數據源，輸入文本，描述需要生成的 SQL 的功能；
• 運維開發平臺將數據庫表結構和用戶輸入文本進行格式化整合后，經過 Prompt 優化后發送到大模型；
• 大模型返回SQL語句，用戶復制或插入到平臺中。

④ 需求文檔生成應用
更復雜點的場景，運維開發希望能根據業務需求，經過少量人為交互，可以直接生成最終的頁面和應用，這個步驟會更加復雜：

• 開發者輸入完整的需求，如“新建一個年會打卡抽獎系統”；
• 大模型先根據描述拆解任務，調用運維開發平臺能力，生成開發任務步驟和流程，包含設計數據庫模型、開發員工信息管理接口、開發打卡系統接口、開發抽獎系統接口、實現用戶認證和權限管理、設計API響應格式，以及集成SaaS開發框架、執行開發環境啟動和測試預覽等部署工作；
• 每個開發任務步驟，大模型會自動生成代碼函數片段，并自動調用大模型的 Code Review 能力，生成代碼審查報告；
• 開發者根據每個步驟的代碼片段，結合 Code Review 結論，可以進一步完善步驟提示詞；
• 經過多輪步驟代碼自動生成和代碼審查，以及少量人為接入，完成最終版本的代碼生成；
• 最后，結合藍鯨SaaS開發框架和自動化部署能力，可以直接把每個步驟的函數代碼組裝成完整的應用，發布到測試環境進行驗證。

04. 未來展望

“把AI和大模型的能力賦能給運維團隊，推動運維開發轉型，實現組織可持續、自生長”始終是藍鯨品牌的發展理念，無論是已經“越過頂峰、走出低谷”的PaaS平臺、云原生技術，還是處于“期望頂峰”的大模型技術，藍鯨始終堅持腳踏實地地推動技術的實際應用，不斷降低運維使用新技術的門檻。當然，我們在中途休息小憩時，也不會忘記仰望星空，選擇摘取幾顆耀眼的“技術之星”，照亮我們的前行之路。