行业新闻

各位嘉宾、各位专家：

大家上午好！我来自智己汽车，今天非常荣幸能够在这里，与大家分享智己在整个数字化转型道路上的探索与思考。我将先从宏观层面入手，最后聚焦于 IT 研发工具，自顶层至具体落地环节，向大家展示我们在 Devops 工具上，如何真正实现 AI 落地的解决方案。

智己汽车科技有限公司简介

首先，简单介绍一下我们公司。智己汽车是由上汽集团、阿里巴巴、张江高科共同打造的全新用户型科创公司，成立于 2020 年 12 月 25 日，下周我们公司就满四周年了。在这四年当中，我们推出了四款车型。公司从最初便遵循数据驱动的技术路线，随着这两年 AI 和大模型的迅速发展，我们也在全力探索 “AI 定义汽车” 的路径。其实，之前的嘉宾也介绍过，在面向 C 端、面向用户的营销侧、销售侧以及售后侧，已经有一些模型应用。同时，在技术层面的智驾算法以及整个研发设计方面，也在逐步实现全链路的 AI 赋能。

商业世界的变化趋势

在当今时代，由于科学技术的迅猛发展，整个商业世界发生了根本性变革。我们已从原来生产者主导的社会，转变为消费者主导的社会。因此，现在企业的核心都转变为以用户为中心，快速交付产品和服务，以满足用户不断增长的多样化和个性化需求。

尤其是我们汽车行业，特别是新能源汽车领域，已经从原来关注自身产品能力和生产制造，转变为更加关注用户需求和差异化亮点，以适应这种变化，做到以用户为中心的快速交付。智己汽车洞察到了这一趋势，所以积极踏上了整个数字化转型的征程。

智己汽车数字化转型的机会和优势

在整个数字化转型过程中，我们具有独特的机会和优势。我们本身是一家用户科创型公司，数据驱动是我们的基因。我们的大部分员工来自互联网企业和新能源车企，他们带来了创新和敏捷的思维模式，为我们整个企业注入了源源不断的活力。而且，作为一家新公司，我们没有沉重的制造业历史包袱，可以轻装上阵。公司管理层也具备创新和敏捷理念，并在公司内部不断推广这些理念，为我们的数字化转型奠定了坚实基础。

在智己系统从 0 到 1 的建设过程中，我们经历了项目整包制、项目及建设管理、敏捷试点，直至现在的规模化敏捷全过程。在这个过程中，我们积累了相当丰富的实战经验，这使得我们在数字化转型中更加得心应手。

智己汽车数据驱动中心职能介绍

接下来，先从职能的顶层设计说起。我所在的部门隶属于整个数据驱动中心，其工作内容与传统 IT 部门相近，我们主要有两个大目标：

推动公司数字化转型，涵盖所有前、中、后台系统建设。

实现 AI 创新和 AI 赋能 。在整个数据驱动职能方面，我们进行了多维度变革。首先，在业务模式上，推动从功能交付向业务价值交付的转变，确保我们的每一个项目或功能，对公司和用户都具有价值；其次，在技术范式和文化意识方面也不断变革。总体而言，我们推崇创新、鼓励创新，同时营造更加包容的工作氛围。

实际上，整个数据驱动职能在公司数字化转型过程中，经历了多次变化，逐渐形成了如今交付更具价值、技术更加适配、组织更加灵活、文化更加包容的状态。

智己汽车应用架构规划

这是我们智己汽车的应用组织架构。与现在大多数公司一样，我们采用前、中、后台架构设计，并利用微服务的原子能力进行构建。我们会将具有相同业务功能属性的服务，放置在同一个业务中台。例如，整个线索从收集、指派到跟进的全生命周期，就是通过线索服务业务中台实现的。

组建多维的、分层的、面向业务交付的自组织管理体系

基于不同的业务和所实现的不同功能及服务的业务域，我们将整个业务中后台划分为不同业务域，如支持营销的营销域、销售域、售后域，以及主要负责车辆交互的车云域 。基于业务域的划分，整个数字研发团队形成了面向用户交互的自组织管理体系。该体系大量参考了精益流程下的敏捷组织，在这个流程中，管理层和业务方都深度参与其中。由数据驱动中心高级经理带队，形成了横纵交错的部落制，每个业务部落代表一个业务域，每个业务域下有多个敏捷团队，支撑业务域内的需求交付。

在每个敏捷团队中，由 BI、经营经理等角色构建而成，在这个体系下各个职责非常明确。通过域 PM 统一所有所在域的业务目标进度和排期，域 BA 在过程中统一业务目标的需求，并维护好产品的路线图。

测试经理、技术经理也在其中发挥着重要作用，通过横向行会迅速统一研发过程中的交付标准，提升整个研发效率。

智己数字化研发团队主要的交付流程简介

基于上述体系，我们定义了整个数字化研发团队的交付流程。我们认为交付流程是一个有节奏、渐进明晰需求的过程。从需求进入开始，首先通过 CCB 模式统一需求，明确需求价值和优先级。接着，通过需求拆解确认会，将需求进行层层结构化拆解，最终把用户给出的概括性需求，转化为 IT 能够实现的各项技术需求。到达 story 层面后，再进入正常开发流程进行排期。在这个业务交付流程的持续运作过程中，我们形成了一些自认为不错的实践，同时也培养了整个团队的能力。例如，我们拥有了许多敏捷教练，并且在整个过程中始终采用质量内建模式，在每个环节通过质量内建确保交付产品的质量，同时也找到了适合我们的发布节奏。大多数中后台应用采用双周发布，个别特殊单需求则临时发布。

需求看板、敏捷交付等，也在业务交付流程的不断实践中，形成了适合我们自身以及汽车行业、IT 行业与市场配合的一些实践方式。通过这些实践，确保了我们整个中后台系统的正常交付。

DevOps业务流程建模沉淀思考

从上述组织架构、体系，再到流程之后，就回到了我们所应用的工具或产品。为了配合整个交付模式和业务流程，我们针对现有的 Devops 进行了一次业务流程建模。主要是通过分层级状态机对需求进行管理，在每个状态下，需求的管理重点都通过状态机进行标识，明确需求当前所处状态以及下一步需要做的事情。

不同分层和状态下的需求相互关联，且能够实现相互溯源。

回到我们的 Devops 系统，从公司初建开始，Devops 系统经历了多次变革。第一个阶段是 1.0 时代，那时我们更多采用项目总包或项目级管理模式。在这个阶段，Devops 主要是选用各种相应的流水线工具，搭建属于我们自己的发布流水线。然而，在这个过程中，工具的切换会造成时间浪费，而且这些工具较为零散，这对于研发人员、需求人员和产品人员来说，增加了他们的学习成本。同时，工具的分散还导致了数据孤岛的出现，对我们的统一数据管理和度量产生了一定影响。

DevOps系统链路建模思考

基于这些问题，以及我们对整个业务重新建模的思考，我们推翻了之前 1.0 时代的 Devops，重新打造了 2.0 时代的一体化平台。在这个一体化平台上，我们可以实现一站式研发和一站式发布。总体而言，我们将之前的需求工作流、研发工作流以及质量协同工作流打通、串联起来，并进行深度自动化联动。同时，打破了现有的数据孤岛。通过这种模式，我们获得了巨大的收益。

实践成果

一方面，在规模化敏捷理念下，随着 Devops 一体化平台的上线，配合公司的产品发布和营销节奏，我们完成了大量数字化转型所需的信息系统建设；另一方面，在产品迭代和研发过程中，为我们的成本和效率带来了极大提升。总体来说，在硬件资源成本上，我们节省了 1000 万以上；需求交付周期缩短了 62%；需求发布成功率提高到 99.74%；原本的需求应用发布周期和频次，现在基本上增加了 6 倍，我们基本上能保证每个应用每两周进行一次快速迭代。

整个缺陷逃逸率降低了 16%，系统可用率提升了 10%，同时业务部门对我们 IT 交付、系统交付、应用交付的满意度提升了 25%。所以，通过 2.0 时代的 Devops 一体化平台，我们既提升了研发效能，又赋能了业务的数字化转型，同时成为支撑业务快速发展的技术基石。

Devops3.0时代

近两年，AI 大模型迅速发展，这给我们带来了机遇与挑战。结合大模型的能力，如生产能力、AIGC 能力等，针对现有的 Devops 平台，我们进行了一些思考。现有的一体化平台仍存在一些短板和痛点需要解决，例如在整个自动化过程中，仍需人工介入，其自主决策、分析、归纳和创新能力不足。

AI智能化需求分析及建模

基于此思考，我们在想，当 AI 大模型与我们现有的 Devops 相结合时，我们能够实现什么。所以，当时我们的目标是利用现在 AI 模型的学习和内容生成能力，将 Devops 流程中的输出作为其学习内容，将其生成的内容作为 Devops 平台的输入，从而实现软件交付全过程的自主驱动。基于这样的思考，我们结合在 2.0 平台关键过程中遇到的问题点，同时由于智己汽车自身也在打造 AI 大模型的工具平台，于是将 Devops2.0 平台与我们的 AI 大模型工具平台进行整合。通过调用平台上的各类大语言模型能力，结合具体场景实现不同功能，最终目的是为了能够更快速地响应业务需求的变化，提升业务需求研发的效能，同时利用大模型的 AI 能力，减少人为错误，提高整个研发应用的质量和稳定性。

AI赋能Devops应用场景构想

基于此，我们构想了很多业务场景。作为 IT 部门，基于现有的整个研发流水线各个环节以及我们平时的其他工作，对 AI 赋能大模型进行了一些应用场景构想。例如，在需求阶段，通过 AI 大模型的生成能力，将业务部门的一句话需求转化为我们所需的需求文档，还能帮助我们对需求文档进行任务拆解，从而提高我们整个需求的理解率和接收率。

在研发阶段，AI 大模型已具备代码补全、代码解释、code review 以及自动修复安全漏洞的能力，能够提升我们整个代码质量和研发质量。

在测试阶段，通过现有的产品文档，它可以基于这些文档生成测试用例，帮助我们发现缺失的测试用例，另外还能生成自动化测试脚本，以此提升我们整个测试覆盖率。

DevOps Brain 架构介绍

在运维阶段，可以与我们现有的监控平台相结合，进行自动化的服务扩展以及一些智能化的运维工作。同时，结合大模型在数据层面，对我们的报表、度量以及后续知识库等方面也有相当大的作用。当然，这只是我们的构想。基于这个构想，我们目前已经在开展 Devops3.0 的落地工作，并且已经部分落地。这是我们基于大语言模型，打造的大语言适配器，以及现在的 Devops3.0，也就是 Devops 的整个顶层规划和架构设计。

我们已经完成了一些场景设计、产品对接，同时也在进行应用研发和模型适配。目前，在整个 Agent 露出端，已经实现了大概八九个功能，涵盖了我们刚才所说的一些创效方面。当然，我们还有一些内容仍在探索和研究过程中，尚未具体实现。

AI驱动DevOps智能化核心应用场景概览

到了现阶段，我们公司自主研发的 AI Devops 已经在整个流水线上，从需求开始直至需求结束，在项目管理、研发、测试、运维的每个阶段，都融入了一部分 AI 能力，以帮助我们完成整个流水线的发布。在需求阶段，有需求助手，它可以实现我刚才所说的将需求转化为需求文档的功能；在研发阶段，我们有代码助手和 cycle 助手，代码助手能够帮助开发人员进行代码补全，开发人员通过一句话，它就能生成一条 SQL 语言，方便开发人员进行数据查询 。

在测试阶段，我们有测试助手生成测试用例，同时还有自动化测试工具，协助完成整个测试工作。在运维工作方面，我们目前仅针对 K8S 做了异常检测工具和根因分析。同时，像刚才几位领导谈到的智能客服和办公方面，我们也有一些基于 AI 的工具和尝试。

实际上，AI 不仅赋能，还驱动着我们智己汽车的 Devops 不断进化。同时，在 IT 研发交付环节，让我们能够更好、更快地交付产品，并且尽可能以更高质量交付这些产品。

以上就是我今天的分享内容。智己汽车在这方面仍在继续探索，正如我刚才所说，我们还有很多构想，后续会陆续在 Devops 平台上实现。

今天，我只是通过这一点，讲述了智己汽车在 AI 落地方面的一小部分内容。实际上，在整个企业中，AI 已成为我们的一个新目标，比如我刚才提到的 AI 赋能汽车，或者 AI 定义汽车。在营销端，为了更好地触达用户，我们已经在运用 AI ，像刚才黄总提到的很多场景，我们也在应用。

在整个研发设计阶段，我们也大量引入了 AI ，包括车辆外观设计、发盖设计等方面，通过应用 AI 提升我们整个研发人员的效率。我刚才所讲的可能只是其中很小的一部分，仅仅涉及到我们 IT 研发交付流程。

由于今天时间有限，我的分享就到此结束。大家如果有什么想要交流的，我们私下再进行交流。

谢谢大家！