课程简介

话题概述:
AI代码助手，如GitHub Copilot等，已成为现代软件开发中不可或缺的一环，它们极大地加速了代码编写的进程，提升了工作效率。然而，伴随而来的是对代码质量、开发流程乃至开发者角色的深刻挑战。特别是在金融这一数据密集型行业，对代码精确性、数据合规性的要求严苛至极。如何让大型AI模型在金融行业的研发领域得以有效应用，真正助力研发人员提升效率，而非仅成为初级开发者的辅助工具或高级开发者的娱乐玩具，是我们亟需解决的问题。在本次分享中，我们将从架构设计、工程实践、团队协作策略、工具选择与整合等多个层面，深入探讨在AI助手日益普及的背景下，如何构建一套既提升开发效率又保障代码质量的软件开发生态。同时，基于我们丰富的实践经验与深刻反思，我们将分享对AI助手在软件开发中角色定位的前瞻思考，以及对AI辅助编程未来发展趋势的展望。

演讲题纲:
一、引言
1.1 AI代码助手的崛起与挑战：概述AI代码助手（如GitHub Copilot）在现代软件开发中的重要地位及其对代码质量和开发流程带来的挑战。
1.2 金融行业特殊性与需求：强调金融行业对代码准确性和数据合规性的极高要求，以及对AI代码助手在金融研发领域的独特期待。

二、AI代码助手在金融研发领域的适配策略
2.1 模型选型与定制化：阐述如何根据金融行业特点选择或定制大模型，确保其满足数据安全、合规性要求。
2.2 代码质量保障机制：介绍在AI助手辅助下，如何建立有效的代码审查、测试、重构流程，以保持代码质量。

三、构建兼顾效率与质量的AI辅助开发生态
3.1 架构设计与工程实践：分享如何在项目架构层面整合AI助手，以及在工程实践中如何规范AI辅助编程行为，确保代码的可读性、可维护性。
3.2 团队协作与沟通：探讨如何调整团队协作模式，促进AI助手使用中的信息共享、知识传递，避免“低级开发者工具，高级开发者的玩具”现象。
3.3 工具选择与整合：介绍适用于金融研发场景的AI助手及相关工具，包括众安保险的开源智能助手DevPilot和内部研发支持平台灵狐，以及如何进行有效的工具链整合，提升整体开发效率。

四、众安保险智能插件在金融研发中的应用
4.1 DevPilot开源智能助手：详细介绍DevPilot的功能特性、技术架构、与金融行业开发环境的契合度，以及其在提升金融研发效率、保障代码质量方面的具体应用案例。
4.2 灵狐内部研发支持平台：阐述灵狐平台的核心功能、与其他AI工具的协同作用，以及其如何为金融研发团队提供全方位的支持与服务，提升整体研发效能。

五、实战经验与反思
5.1 踩过的“坑”与应对策略：分享在引入AI助手过程中遇到的实际问题、应对方法，以及从中获得的宝贵经验，特别侧重于使用众安智能插件DevPilot与灵狐平台的实践经验。
5.2 AI助手的角色定位与未来展望：基于实战经验，探讨AI助手在软件开发中的理想角色，以及对未来AI辅助编程演进路径的预测，同时结合众安智能插件的特性和发展趋势进行深入探讨。

六、金融数据密集型场景下的大模型落地实践
6.1 具体应用案例解析：详细介绍金融行业某具体项目中，大模型如何在数据密集型任务中发挥作用，提升研发效能，同时展示众安智能插件如何辅助大模型在金融场景中的应用。
6.2 效能提升数据与成果展示：通过具体数据和案例，直观呈现大模型在金融研发中对效率、质量、成本等方面的改善效果，以及众安智能插件在其中的贡献。


话题亮点：
1.金融行业特异性AI代码助手适配方案：针对金融行业对代码准确性和数据合规性的极高要求，我们提出了针对性的大模型落地策略，确保其在满足严苛行业标准的前提下，有效提升研发人员效率，避免沦为单纯提升初级开发者生产力或仅供高级开发者探索的工具。
2.多维度构建AI辅助开发的最佳实践生态：通过架构设计、工程实践、团队协作策略、工具选择与整合等全方位视角，系统性地阐述如何在AI助手广泛应用的环境中，兼顾开发效率与代码质量，构建健康、高效的软件开发生态。
3.直面挑战，提供实战经验与前瞻性思考：基于亲身经历的“坑”与反思，分享在应对AI助手带来的复杂问题时的实际应对策略与深度思考，为听众提供宝贵的一线实践经验，并对AI助手在软件开发中的角色定位和未来演进方向给出前瞻性的见解。
4.持续优化，确保代码质量与开发流程双提升：尽管面临挑战，我们坚信并已通过持续探索与实践证明，能够成功驾驭AI助手的变革力量，在享受其效率红利的同时，确保代码质量与开发流程的稳健进化，为企业技术创新与业务发展提供坚实保障。
5.金融数据密集型场景下的大模型落地典范：以金融行业为背景，探讨大模型在数据密集型企业研发效能提升的具体应用与落地，为同类企业提供可借鉴的成功案例，展现大模型技术在复杂业务场景下的强大价值与适用性。

目标收益

精通金融行业AI代码助手的适配策略：听众将掌握如何针对金融行业的特殊需求，选取、定制或调整AI代码助手，确保其在严格的数据安全、合规性要求下，有效提升研发效率而不损害代码质量。
构建高效且高质量的AI辅助开发体系：听众将深入了解如何在架构设计、工程实践、团队协作与工具整合等多层面，系统性地构建一个既能充分利用AI助手提升开发效率，又能严格保障代码质量和开发规范的软件开发生态。
实战经验与前瞻性洞见的汲取：通过聆听演讲者分享的真实案例、踩过的“坑”与应对策略，听众将直接获取在金融研发中应用AI助手的宝贵实战经验，并对AI助手在软件开发中的角色定位与未来发展趋势形成深刻认识。
金融数据密集型场景下大模型落地的实战指南：听众将学习到如何在金融行业的数据密集型任务中成功应用大模型，提升研发效能，包括具体的应用案例、实施步骤、效能提升数据与成果展示，为自身项目的落地提供实用参考。
提升技术领导力与团队协作效能：对于技术管理人员，本议题将提供关于如何引导团队合理、高效地使用AI助手，调整协作模式以适应新技术环境，以及如何通过工具选择与整合优化开发流程的实用建议，有助于提升其技术领导力与团队协作效能。
紧跟AI辅助编程技术前沿：通过本次演讲，听众将对AI代码助手、大模型等前沿技术在金融研发领域的最新应用与挑战有全面了解，有助于保持技术敏锐度，为个人职业发展与企业技术路线规划提供前瞻视野。

培训对象

1.金融行业软件开发与技术管理人员：特别是从事金融科技、数字银行等领域研发工作的架构师、技术经理、项目经理等，他们对金融业务逻辑、数据安全、合规性要求有深入理解，且关注如何在保证这些关键要素的基础上引入AI代码助手以提升研发效能。
2.AI与机器学习技术应用专家：对AI代码助手、大模型技术有浓厚兴趣或已在项目中实践应用的专业人士，他们对自然语言处理、深度学习、自动编程等相关技术有一定了解，渴望了解金融行业的特定应用案例和最佳实践。
3.代码质量管理与开发者效能提升专家：包括DevOps工程师、质量保证（QA）负责人、开发流程优化顾问等，他们关注代码质量、技术债务、开发效率等核心议题，对如何

课程内容

案例方向

---

大模型应用创新（to C 应用）/大模型应用创新（金融方向）/大模型应用创新（垂类行业）

话题概述

---

随着大模型技术的迅猛进步，智能客服正日益成为数字银行领域的革新亮点。众安银行，作为香港数字银行的先行者，始终致力于技术创新的探索与实践。本次大会，我们将与大家分享众安银行在大模型与数字客服融合领域的创新实践——数字“小安”空中柜台项目。
该项目旨在通过引入先进的大模型技术，颠覆传统APP的冰冷交互模式，为客户带来更加温馨、人性化的服务体验。我们深入洞察年轻客户的好奇心理和老年客户对线下服务的依赖，创造性地推出了数字人客户经理的概念。客户打开APP时，将仿佛步入真实的银行环境，与数字人客户经理进行自然流畅的互动，轻松咨询优惠活动、查询账单、进行转账等操作。
在技术实现层面，我们采用数字人模式，根据用户画像和具体需求，分配具有不同形象的数字人客户经理。通过高效的转换层处理，我们能够将客户端的语音等信号迅速识别并转换为可处理的信息，再通过业务分析和决策引擎，精准匹配到相应的API接口进行逻辑处理。此外，我们充分利用数字人平台和灵犀平台（众安AIGC中台）的强大能力以及AI技术，构建了一个高效、智能的业务逻辑层，为项目提供了坚实的技术支撑。
目前，数字“小安”空中柜台功能已进入生产灰度验证阶段，并获得了部分用户的积极反馈，效果良好。我们坚信，这一创新实践将为客户带来更加便捷、高效的服务体验，同时也将为银行业的智能化升级转型提供有力的支持。

收益

---

1.深化对大模型技术的理解与应用：
中高端技术人员通过本次分享，能够深入了解大模型技术在数字银行客服领域的实际应用场景，包括如何结合业务场景实现个性化服务、智能交互等功能。这将有助于他们更全面地掌握大模型技术的原理、特点和应用方法，进一步提升自身的技术水平和应用能力。
2.拓宽技术创新思路与视野：
通过了解众安银行在数字客服领域的创新实践，技术人员可以拓宽技术创新思路，启发自己在实际工作中如何结合业务需求和技术趋势，探索新的技术应用方向。此外，分享中涉及的数字人客户经理概念、高效智能业务逻辑层构建等技术实现细节，也将为技术人员提供宝贵的参考和借鉴。
3.提升业务与技术的融合能力：
本次分享不仅关注技术本身，还强调了技术与业务的融合。技术人员通过了解业务痛点、需求以及实际落地的挑战，将能够更好地将技术应用于实际业务场景中，提升业务效率和服务质量。同时，通过学习和借鉴成功案例的经验和教训，技术人员也可以更加熟练地处理业务与技术之间的协同问题，提升自己在项目中的价值和影响力。

演讲题纲

---

一、引言
简述数字银行发展趋势及面临的挑战
引出大模型技术在数字客服领域的创新应用

二、业务场景概述
数字银行客服的业务需求及场景分析
用户对智能客服的期望与需求调研

三、业务痛点分析
传统客服模式的问题与不足
响应速度慢
服务质量不稳定
无法满足个性化需求
现有智能客服解决方案的局限性
技术瓶颈
数据处理能力不足
用户体验不佳

四、可行性分析
大模型技术在客服领域的适用性分析
技术资源与市场需求的匹配度评估
潜在的风险与应对策略

五、整体解决方案
大模型与数字客服的融合策略
数字人客户经理的概念及实现路径
高效智能业务逻辑层的构建方法

六、数据流图详解
客户端信号识别与转换流程
业务分析与决策引擎的工作原理
API接口匹配与逻辑处理过程

七、柜员机器人实现
数字人模式的设计与实现
用户画像与需求匹配的算法原理
实时互动与语音交互技术的应用

八、实际落地的痛点与挑战
技术实施过程中的难点与问题
用户接受度与培训成本考虑
数据安全与隐私保护挑战

九、案例分享与效果评估
数字“小安”空中柜台项目的实施情况
用户反馈与业务效果分析
成功经验与教训总结

话题亮点

---

1.创新引入大模型技术提升服务体验；
2.数字人客户经理概念的实现；