平安银行金融科技部技术总监 王晴

  中国人民银行《金融科技发展规划(2022—2025年)》提出，要抓住全球人工智能发展新机遇，以人为本全面推进智能技术在金融领域深化应用。金融监管部门对前沿创新技术的关注和鼓励为大模型时代银行业数字化转型及科技创新指明了方向、提出了要求。

  当前，生成式人工智能技术快速迭代，其应用广度和深度持续拓展，正逐步引发银行业软件工程领域的变革。顺应这一发展趋势，平安银行基于自研的大模型能力体系及应用生态，升级打造智能化研发体系，展现出其在提升银行内部运营效率、获客能力和风控能力等方面的巨大潜力。

  一、数字化转型对研发团队提出新要求

  当前，商业银行持续深入推进综合化经营，以客户为中心快速迭代产品和服务，不断提升客户体验。这不仅需要强大的金融科技能力作为支撑，也对银行的研发团队提出了更高的要求，银行研发团队面临以下两方面技术挑战。

  1.业务需求快速迭代的挑战

  快速响应市场变化和业务需求是商业银行提升自身竞争力的关键。业务部门要求产品功能快速迭代更新，但科技开发往往存在周期长、速度慢等问题。与此同时，快速迭代的要求也可能带来代码质量不高、测试不全、维护困难等风险隐患，从而影响产品的稳定性和可靠性。

  2.研发效能提升的挑战

  数字化转型的深入推进对银行科技团队的研发效能提出了更高的要求。但当前银行业IT资源投入大，研发成本不断攀升，研发流程缺乏智能化工具和系统的支撑，阻碍了研发效能的提升。

  二、构建银行研发体系新模式

  要应对银行数字化转型中面临的研发挑战，关键在于研发模式的升级。传统的研发模式无法快速迭代，也无法满足市场的个性化需求。随着人工智能技术的日臻成熟，平安银行采用全新的AI原生研发范式，旨在通过创新的技术架构与开发流程，提高研发效率，推动AI技术的全面普及与应用。该研发范式的核心目标是将AI技术融入产品开发的每一个环节，全面提升智能化水平，破解技术瓶颈。

  1.构建AI原生应用新范式，通过AI重构业务系统

  平安银行在利用大模型升级现有AI场景的同时，积极依托大模型能力打造AI First银行新产品，使得AI在整个产品架构中无处不在，其演进过程主要分为以下三步：

  一是将已有模块升级成AI模块。平安银行对内部现有的产品能力进行直接替换，在不改变原有产品流程的情况下，使用AI模块替换以往的传统模块。以代码评审为例，平安银行除了使用人工评审外，还会使用SonarQube等扫描工具，通过静态代码分析检测代码中的错误、漏洞、代码异味等问题。SonarQube等扫描工具基于设定好的规则，不能发现深层的风险和问题。而使用AI模块，可将缺陷、修复的数据以及平安银行的一些特殊风险规则作为训练数据“投喂”给大模型，可以发现并且修复代码中的风险和问题，直接带来效率的提升。

  二是引入新的AI模块。平安银行在原有的系统流程中添加新的模块，提升了产品体验。以搜索wiki或知识库等常见动作为例，用户通常会输入query问题来使用搜索引擎检索相应的答案，从众多结果中手动筛选并进行总结，得到最终的答案。目前，平安银行新增了一个基于大模型的总结模块，利用检索增强生成(RAG)技术对检索出的内容进行处理，帮助用户自动进行总结和归纳，最终呈现出一个可直接使用的结果，这一改进显著提高了用户寻找答案的效率和准确性。

  三是通过AI模块驱动传统模块。AI模块能够显著提升应用的智能化水平，通过自动化和智能决策提升效率并激发创新动能。AI模块能够学习和处理大量数据，提供更智能的决策支持和业务洞察，这是传统模块难以实现的。平安银行通过将AI能力融入并驱动传统模块，不仅提升了原有的流程效率，还增强了系统整体的易用性。

  2.构建AI原生研发过程，重塑软件开发流程

  AI原生架构的演进对软件开发流程产生了深远的影响，传统的软件开发流程通常遵循一个线性的路径——从需求分析和设计开始，经过编码、测试，最终发布并进行运维。在AI原生架构下，这一流程得到了显著扩展和优化。AI原生架构引入“提示词语工程”这一新概念，通过精心设计的提示词(prompt)来引导大模型理解并实现具体的业务需求。这种开发和评审过程，使得开发者能够更精确地控制AI模型的输出，确保其与业务目标保持一致。当AI模型的固有能力不能满足特定的业务需求时，AI原生架构提供了另一条路径——数据工程。开发者可以通过构建和优化数据集来增强AI模型的性能，这包括数据的收集、清洗、标注和增强，以及后续的模型训练和微调。通过这些步骤，AI模型能够学习并适应特定的业务场景，从而更好地满足用户的需求。AI原生研发过程如图1所示。

图1 AI原生研发过程

  3.数据驱动研发，打造高效工具链，增强场景应用效果

  在AI原生架构下，软件开发流程的革新催生出一系列新的工具链(如图2所示)，这些工具链支撑着以数据为驱动的软件研发模式。首先，数据集管理平台负责数据的开发和管理，确保数据的质量和可用性。收集的数据被用于训练AI模型，并通过模型度量平台来评估大模型的质量和效果，以确保其性能达到应用上线的预期。随着模型的上线应用，积累的业务数据会回流至数据管理平台。这一过程不仅可持续优化模型，而且可推动数据飞轮的不断建设及其效果的提升，实现数据的自我增强和价值最大化。

图2 AI原生研发工具链

  这种以数据为中心的研发模式，不仅提高了软件开发的效率和质量，确保应用的稳定性和用户满意度，也为AI技术的创新应用提供了坚实的基础。通过此架构的循环，企业能够实现数据资产和业务应用的相互促进，增强业务发展的动力，提升组织的生命力，从而在竞争激烈的市场中脱颖而出。

  三、智能研发体系创新实践，助力业务跨越式发展

  为促进传统研发向智能研发模式转型，平安银行打造了CoPArtner代码辅助平台，旨在提供覆盖软件工程全生命周期的智能工具，为全行各类员工提供智能化的AI编码能力。

  依托自身丰富的研发数据和资源，平安银行构筑了代码生成大模型能力底座，以提升CoPArtner代码辅助平台的整体效能。CoPArtner代码辅助平台以“一个PinganGPT+多个开源代码模型”为基础，并引入先进的研发工具，打造了由不同网络架构和模型参数组成的代码生成大模型基座。基于此，CoPArtner代码辅助平台可根据应用场景特点选取更适用的模型，最大程度地发挥模型的性能，极大提升了整体项目群的工作效能。如在代码问答场景中，运用33B模型的深度思考能力，提供精准的解答服务;在代码补全场景中，利用1B模型的敏捷性，实现代码的快速补全。CoPArtner代码辅助平台应用场景如图3所示。

图3 CoPArtner代码辅助平台应用场景

  随着检索增强生成(RAG)技术的广泛应用，通过深化私域知识的积累和对工程架构的理解，可以显著提升代码生成的效率。这一过程并不局限于代码的生成，而是向研发过程的更多阶段延展，如直接从需求出发生成代码、代码的自动测试等。平安银行通过构建多个智能体(Agent)，并使其分别承担不同的工作职责，实现需求、代码、测试和上线的无缝串联。这种端到端的生成流程，使得从需求到产品的整个生命周期得以自动化并持续优化。在整个流程中，人工智能在代码生成方面的贡献率正逐步提升，未来可达到80%。这意味着，开发人员可以将更多的精力投入到需求分析和结果验证上，从而提高软件开发过程的质量和效率。通过这种方式，平安银行不仅提升了开发速度，还确保了软件产品的质量，满足了市场和用户的需求。

  CoPArtner代码辅助平台通过进一步拓展编程的边界、降低编程的门槛，打造人机结对编程新模式，为研发人员提供智能易用的AI工具，缩短开发流程，使其能够专注于更高维度的设计和核心功能的实现。与此同时，大模型技术的持续升级将解锁大量银行数字化转型的应用场景，以适应业务需求向多而广的趋势变化。

  CoPArtner代码辅助平台自2023年10月上线以来便得到全行研发人员的认可，日活跃用户数量超过1300人。在CoPArtner数字员工的帮助下，研发人员效率提升了15%以上。在CoPArtner代码辅助平台研发和实践的基础上，平安银行积极沉淀相关经验，作为核心参编单位参与编写了中国信息通信研究院发起的业内首个代码大模型标准《智能化软件工程技术和应用要求第1部分：代码大模型》及《智能化软件工程技术和应用要求第2部分：智能开发》，助力代码大模型生态建设与健康发展。

  创新引领，智启未来。生成式人工智能的理解和生成能力正推动软件工程向智能化阶段发展。银行业需构建以模型为中心的全新软件工程体系，提升智能研发能力。平安银行深知创新是银行业发展的关键，将不断加强大模型在软件开发各阶段的应用，重构软件工程体系，并通过CoPArtner代码辅助平台推动研发和业务创新，以支持全行数字化转型，为数字金融的发展作出贡献。

作者：

  平安银行金融科技部技术总监 王晴

  平安银行金融科技部创新实验团队 曾阳 史文鑫