案例名称

基于生成式AI的智慧研发应用实践

案例简介

中央金融工作会议明确提出做好数字金融等五篇大文章，银行业迈入数字金融转型升级加速的新阶段。随着生成式AI技术掀起新一轮科技浪潮，数字金融生产工具将迎来重大的变革。科技研发是数字化应用升级构建的重要驱动。如何运用大模型技术深度赋能研发，成为未来各金融机构提升全局研发效能、优化人才技能培养的全新课题。民生银行前瞻布局大模型技术，通过私有化构建代码大模型，有序推动新技术在研发领域的规模化应用，积极培育科技新质生产力，助力数字金融发展。

遵循安全、审慎、有序的基本原则，民生银行结合金融研发自身对安全、效率、可控等需求，提出了代码大模型规模化应用方法——“慧码”旅程。基于行内大模型平台私有化构建了代码生成研发辅助工具体系，打造了覆盖开发、集成、测试、投产的端到端运行风险监测能力。在大模型技术选型方面，民生银行设计了标准化的技术准入评估方法，可通过灵活扩展的技术架构能力，将各类大模型优势能力接入代码生成辅助工具体系中。推广过程中，遵循“按领域、分批次、小范围、限功能”指导思想设计分阶段、批次的推进计划。当前已经在全行各板块进行规模化试点，生成采纳率为20-30%之间，采纳代码与提交量占比大致在30%左右，代码注释率从18%提升至约30%，提升代码可维护性。引入这项技术不仅加速了研发人员工作效率，也为团队带来了前所未有的协作体验和创新潜力的释放。

创新技术/模式应用

民生银行加快建设大模型基座平台，以端到端支撑大模型研发与落地为目标，结合算力集约化管理，提供了平台化训练+推理方案与全流程工具支持，实现对包括代码大模型在内的各专用大模型的纳管，并面向应用提供生成能力服务。

在金融研发领域的大模型应用方面，民生银行依托于大模型基座平台提供的代码生成原子服务，构建了集IDE插件、代码提示词工程、工具效能数据模块于一体的代码生成研发辅助工具，实现了无缝嵌入的编程体验、多语言与多IDE支持、代码生成能力调度、应用探索实验，以及对效能评估的技术支撑。

商业银行机构涉及上百套规模系统的研发工作，一般大中型银行拥有着千人甚至万人级别的研发人员规模，小型商业银行也拥有上百研发人员的规模，研发人员的能力结构、规模分布极其复杂。为满足对金融研发领域大规模人员工具使用的管控需求，民生银行构建了一套覆盖代码交付“事前、事中、事后”的代码生成风险监测体系，依托于DevSecOps平台支撑基础，通过对工具行为、生成内容、功能缺陷、性能缺陷、生产问题等信息的采集，实现对代码大模型生成风险的端到端感知，为业界代码大模型安全应用提供了参考示范。

项目效果评估

引入代码大模型产品为我行打开了技术革新的新篇章，这一创新工具通过大模型技术，极大提升了开发效率与代码质量，进而助力金融机构数字金融升级迭代加速。

通过总体运行效果评估、生成代码检测评估、功能评估三个方面来评估引入后工具效果。总体运行评估通过AI产能、赋能质量、可用度三个维度设定AI代码占比、代码采纳量、注释量提升、单元测试采纳量等量化指标，经过规模化阶段总体运行评估，生成采纳率为20-30%之间，采纳代码与提交量占比大致在30%左右，接近业界主流实践水平，代码注释率从18%提升至约30%，辅助提升代码可维护性。生成代码检测评估通过行内静态扫描工具实现定期自动生成代码内容分析结果，其中扫描规则具覆盖代码缺陷、规范、单元测试缺陷以及自定义的规则，扫描结果为无缺陷，阻断、严重、一般问题均为0个，代码圈复杂度低于10，较理想。功能评估旨在为管理者揭示代码大模型各能力域（编程场景）的准确度、规范度、完整性等方面的各方位实际表现，如生成单元测试，通过设置规范度、可接受度、准确度、可维护性评估维度，每个维度设定指标项，如规范度设定指标项命名规范、目录结构、代码结构等，让试点用户对逐项功能进行打分，从逐项功能总评价上，各功能均处于可采用状态。

项目牵头人

林冠峰 技术总监

项目团队成员

迟倩倩、张胜

责任编辑：王煊