原文：

大模型编码提效场景选择的底层逻辑

大模型在编码层面应用场景越来越多，比如chat、copilot、agent、智能体等，那是不是AI程度越高，越是智能体等拟人应用越多越好呢？甚至以无人化为追求目标呢？希望这篇文章能够给大家以启示。

https://mp.weixin.qq.com/s/Cam_2jnZnk1pCm3BBWVBTQ

总结

文章标题：

作者：

发布日期：

主要观点：

1. 大模型编码应用广泛：
• 许多知名大厂开发了copilot、agent、智能体等应用。
• 软件企业和个人开发者对这些应用评价正面。

2. 大模型辅助编码方式：
• Chat：通过静态或动态prompt与大模型交互生成代码。
• Copilot：通过IDE自动感知用户意图，生成prompt与大模型交互生成代码。
• Agent：整合大模型的prompt应用，通过多次交互形成综合应用。
• 智能体：多agent交互完成更复杂的应用。

3. 选择大模型应用的底层逻辑：
• 需要从应用场景角度和模型能力角度进行判断和推导。

4. 应用场景分析：
• 关注维度：价值（参与人数、发生频度、故障概率、故障严重程度）。
• 编码相关细分场景：
• 系统级、模块级、类/文件级、函数级、行级。

5. 大模型角度分析：
• 场景本身的风险程度。
• 大模型在该场景下生成物的准确度。

6. 结论：
• 风险程度越高，可AI化程度越低。
• 准确度越低，可AI化程度越低。

7. 具体分析：
• 高风险、低准确度场景：适合copilot，以人为主，大模型为辅（低AI化）。
• 低风险、高准确度场景：适合agent、workspace、多agent应用（高AI化）。

8. 场景示例：
• 高风险场景：故障修复、merge冲突处理、devops流水线失败处理。
• 低风险场景：代码评审、测试脚本生成、静态扫描告警处理。

9. 建议：
• 积极参与大模型应用，但不要盲目跟风。
• 根据业务细分场景的耗能、风险程度、大模型生成物的准确程度进行综合分析。
• 找到大模型落地的合理路径。

结论：