作者 | 于斌平

編輯 | 云昭

在大模型時代，軟件應用開發范式正在發生深刻變革。傳統的開發模式以代碼為核心，注重如何用代碼實現功能及用戶的交互體驗；而大模型時代的開發則以模型能力為核心，強調智能交互設計和業務場景創新。本文將從新范式的關鍵特征、軟件工程模式和開發理念的變革、建議與實踐三個方面展開討論，旨在為企業在大模型落地過程中提供全面的技術和方法指引。

1.新范式的關鍵特征

1.1 人機交互模式發生改變

傳統開發圍繞功能實現和用戶界面（UI）設計展開，注重功能的代碼實現和用戶操作體驗，交互設計以研究點擊和鍵盤輸入組合順序為重點。而在大模型為基礎的應用開發中，人機交互模式發生了根本性的改變，更關注用戶與系統的對話交互（包括顯式對話和隱性對話），包括對話內容、意圖識別、上下文管理和異常處理等。例如，齊心集團員工報銷AI助手系統，員工可以直接與系統對話：“報銷打車費98元。”系統自動通過AI大模型確定用戶的意圖和需求，解析報銷人、成本中心、費用科目、摘要等具體信息，結果跟用戶以對話方式確認后，調用模型自動生成報銷單，自動走審批流完成報銷。

1.2 對話流即代碼

傳統開發，幾乎所有的功能都通過寫代碼來實現，而大模型時代應用開發的一個重要范式特征是“對話流即代碼”。它將開發者的關注點轉向自然語言對話的設計和實現。與傳統代碼開發不同，這種方法將對話視為代碼和核心邏輯，通過自然語言處理技術將用戶交互轉化為可執行的操作。開發者需要設計不僅僅是功能邏輯，而是如何通過對話流完成功能的實現。例如，齊心集團智能客服系統需設計對話流程（如用戶提問 → 模型解析 → 知識庫/業務庫查詢 → 生成回復→用戶反饋→重新查詢獲取答案→用戶反饋），而非傳統的菜單導航。在這個過程中，開發者需要關注如何處理用戶意圖、管理對話上下文，以及處理對話中的異常情況。這需要開發人員具備設計合適對話流以及構建和優化自然語言理解模型的能力。通過將對話流視為代碼的一部分，開發者可以更好地適應大模型時代的發展需要，創造更智能的應用體驗。

1.3 基于模型能力優先

在大模型應用開發中，開發能力從“圍繞代碼的軟件工程設計實現”轉變為“基于模型能力”。傳統開發通常專注于構建代碼框架、類/方法、算法、業務/系統/數據邏輯，而在大模型時代，開發者需要充分挖掘和利用模型的潛在能力。通過提示詞 prompt 工程、RAG、多模型調用、多模態集成、模型精調、預訓練等方式，最大化模型的產出能力。以齊心集團HR員工助手“問心心”系統為例，通過企業知識庫為員工自動生成企業流程制度、業務知識等問題的回復。開發者無需逐一實現固定的問答規則，而是通過設計精準的提示（Prompt），引導大模型結合上下文理解和知識庫查詢，生成個性化且準確的回答，從而大幅提升開發效率和用戶體驗。

圖片

1.4數據驅動優化模型輸出效果

模型輸出需要結合動態數據（如用戶實時行為、業務數據庫），并通過反饋循環優化結果。例如，齊心集團云采商城推薦系統調用大模型生成推薦內容，同時根據用戶點擊率/加購率和使用場景變化動態調整推薦策略；智能客服根據模型回復的問題準確率，及時調整優化Prompt工程和知識庫查詢策略。

1.5 多模態融合

整合文本、語音、圖像、視頻等多種模態的模型能力，構建復合型應用。例如，齊心集團交互數字人員工“心心”，能夠處理用戶提出的各種問題諸如報銷流程、商品詳情咨詢、售后服務問題、數據分析等。能夠通過不同的交互方式如語音、圖片、文字、甚至一段小視頻等，與用戶實時互動。系統根據輸入內容，自動調用文本、語音和圖像處理能力，高效地解決用戶各種形態的問題，提升企業協同辦公能力和員工滿意度。

圖1：齊心集團數字員工“心心”系統實現邏輯

1.6 跨模型協同

調用不同模型的專長（如DeepSeek處理推理類需求、GPT處理文本分析、通義千問處理圖片分析等），處理綜合類復雜類業務場景問題。例如，齊心集團交互數字人系統，調用DeepSeek R1模型解析用戶需求，調用千帆模型生成文字答案，調用通義千問模型分析圖片，調用圖像模型生成可視化結果。

2.軟件工程模式和開發理念的變革

2.1 開發者的能力重心發生變化：從“流程設計”到“模型驅動”

傳統的軟件工程，不論是“敏捷開發”還是“瀑布式開發”模式，軟件開發的工作重心是業務流程（如訂單流程）和數據邏輯的設計及實現，開發者需手動編寫各種邏輯及數據時序，關注功能的代碼實現及優化。

大模型時代，業務功能由大模型推理生成，開發者更關注數據質量、模型微調訓練、Prompt工程等。開發者從編寫代碼邏輯轉向設計模型交互鏈路，通過低代碼工具和模型能力快速實現功能。例如，齊心集團云采商城智能推薦系統，開發人員不再編寫推薦算法和數據訓練邏輯，而是訓練模型理解用戶下單場景和喜好用途，調用大模型生成推薦商品（如DeepSeek + 商品知識庫）。

2.2 工程角色轉變：從“單一職責者協作”到“多角色協作或多面手工程”

一般應用軟件開發，通常是單一職責者協作或主導。角色構成主要由軟件工程師（Full Stack Developer、Backend Developer等）負責開發，產品經理負責分析用戶需求，設計流程和業務功能實現策略，軟件工程師根據需求文檔編寫代碼，測試團隊進行功能測試，上線后依賴人工運維和運營。

大模型時代的軟件工程技術人員，其角色和工作模式在潛移默化中逐漸發生改變。角色構成包括AI工程師、數據工程師、產品經理、安全與合規專家、軟件工程師、測試工程師。通常開發流程為：

1)需求分析：產品經理分析用戶需求，明確主要功能點，以模型為基礎設計人機交互方式，并與AI工程師討論對模型的需求。

2)模型開發：AI工程師進行大模型微調，設計RAG模式，設計提示詞Prompt工程，優化對話生成能力；數據工程師清洗歷史數據，并根據關鍵意圖標注數據。

3)業務功能開發：軟件工程師編寫業務代碼，調用模型能力，實現業務需求功能。

4)系統集成：AI工程師將訓練好的模型部署為API服務，軟件工程師調用模型API到應用系統中。

5)安全與合規審查：安全專家審查模型輸出是否符合數據隱私保護和業務合規要求。

6)測試與上線：軟件工程師、AI工程師、測試團隊驗證模型在多種場景下的表現，用模型編寫測試用例進行功能測試；系統上線后，持續監控用戶反饋，動態優化模型和對話流程，并使用模型能力進行系統自動化監控和運維。

實際上，一般企業配備這么多角色顯然是比較困難的。所以對以往的技術人員提出了比較高的轉型要求，即之前的單一職責的軟件開發工程師或者產品經理，需要同時具備AI工程師、數據工程師、系統集成工程師，甚至安全專家等多個職能。

例如，齊心集團智能客服系統的開發工程中，軟件工程師負責基礎工程代碼的編寫，同時負責訓練和微調大模型，使其能夠理解用戶的多樣化提問，還需要部署模型API到云原生平臺，實現用戶與模型的實時交互。軟件工程師也要審查模型輸出是否包含敏感信息、模型是否有安全漏洞等。產品經理負責清洗歷史客服對話數據，標注關鍵意圖和實體，同時分析用戶行為數據，優化對話流程。

圖2：齊心集團智能客服系統架構圖

2.3 軟件架構的變化：從“分布式微服務”到“模型服務化”

互聯網時代，“服務化/微服務化”是應用軟件架構的標配（實際上被“濫用”，很多業務場景的軟件架構并不適合“微服務化”，另議），這種架構通常會以單一功能邏輯服務提供為標準，拆分功能模塊（如訂單服務、庫存服務、支付服務、注冊服務），通過RPC或HTTP API進行服務間通信，重點在于業務流程的編排和事務管理。例如，電商系統中，訂單服務負責處理下單邏輯，支付服務負責調用第三方支付接口完成支付功能。

大模型時代，大部分功能邏輯服務，都可以通過大模型以API形式提供服務，形成模型服務網格（如文本生成服務、推理分析服務、圖像識別服務），服務間通信更注重模型推理結果的調用和整合，重點在于動態資源調度（如不同模型調用分配）和模型服務的高可用性。例如，齊心集團智能客服系統調用“文本生成模型服務”生成回復，調用“情感分析模型服務”判斷用戶情緒，通過ReAct機制，調用大模型能力實現對不同工具集的調用（如商品、訂單、結算等）。

2.4 模型訓練與推理：從“傳統機器學習”到“大模型專用工具鏈”

使用傳統機器學習框架（如Scikit-learn、XGBoost）訓練模型時，特征工程是核心環節，依賴算法工程師人工設計特征（例如用戶點擊率預測中需構造行為序列統計特征、時間窗口聚合特征）。模型部署通常采用本地服務化或輕量級REST API。此類方法對AI工程能力要求較高，需掌握特征交叉策略（如多項式特征生成）和超參數優化（如網格搜索）等專業技能。

大模型時代，AI開發呈現"普世工程化"和"半自動化"趨勢，在“大模型專用工具鏈”的加持下，模型訓練的門檻逐步降低。典型表現在以下幾個方面：

1）自動化特征工程。云平臺（如阿里云PAI）集成智能特征處理工具，支持自動數據清洗（缺失值填充）、特征編碼（類別變量Embedding）與特征選擇（基于特征重要性排序）。

2）預訓練+微調范式。基于預訓練模型（如CV領域的ViT，NLP領域的BERT）通過精調接口（如華為云ModelArts、OpenAI platform、千帆ModelBuilder）快速適配業務場景，大幅降低數據需求。

3）分布式訓練簡化。主流云平臺框架原生支持分布式訓練，配合云平臺資源調度（如華為云ModelArts的彈性GPU集群）實現一鍵擴展。

4）流程標準化。端到端流水線，從數據標注（集成Label Studio等工具）、模型訓練（AutoML自動超參搜索）到服務部署（KServe推理框架）全鏈路標準化。

5）低代碼開發：通過可視化界面配置訓練任務，支持自動生成數據增強策略（如隨機裁剪/旋轉）。

以齊心集團云采商城訓練圖片審核模型為例。數據準備階段，使用數據標注服務完成圖片檢測標準精細化標注，自動提取EXIF元數據（如設備、分辨率）作為輔助特征。模型訓練階段，選擇預訓練視覺模型（如ResNet-101），配置分布式訓練節點，系統自動優化學習率調度策略。推理部署階段，使用部署服務部署模型，結合DeepSeek R1實現計算優化目的。

2.5 數據基礎設施：從“傳統數據庫”到“向量數據庫”

一般應用系統，數據存儲以關系型數據庫（如MySQL、PostgreSQL）為主，以NoSQL數據庫如Redis、MongoDB、ArangoDB等為輔，數據處理以結構化數據為核心，注重事務一致性和數據完整性。

隨著AI大模型的普及推廣，以私有/專屬知識查詢為主RAG模式逐步成為標配，RAG模式的數據存儲以向量數據庫（如Milvus、Pinecone）為主，支持非結構化數據的向量化存儲和檢索，數據處理以語義理解和相似度檢索為核心，注重高效檢索和實時反饋。例如，齊心集團推薦系統存儲用戶興趣及喜好、場景及對應商品的向量，通過向量數據庫快速檢索相似內容。

2.6 自動化與低代碼：從“手動編碼”到“AI輔助開發”

傳統開發者手動編寫代碼，依賴IDE（如VS Code、IntelliJ）和版本控制系統（如Git），業務邏輯以代碼形式實現，需手動調試和優化。

大模型時代開啟全新AI開發模式，AI范式以語義級代碼生成（如完整模塊生成）、上下文感知補全（基于代碼環境推薦裝飾器）為核心，開發效率提升數倍。例如，開發者向模型描述需求“實現用戶登錄的功能，Python語言”，模型自動生成相關代碼和前端UI。

AI輔助開發通過大語言模型將自然語言需求直接映射為可執行代碼，結合低代碼工具實現“需求-代碼”的端到端壓縮。開發者從編碼者轉型為AI訓練師，聚焦邏輯校驗與業務對齊，開發模式從“人寫機器跑”升級為“人機協同設計”。使用AI輔助開發工具（如GitHub Copilot、Cursor）生成主要代碼，開發者只需根據特定業務邏輯進行二次修改、微調即可。正如 Cursor 創始人所言：“我們不是在教 AI 寫代碼，而是讓它成為人類創造力的延伸。”在這種新范式下，清晰的表達將會成為一種重要的生產力。

特別一提的是，在大模型時代，傳統的UI設計師和前端工程師崗位，正快速地被AI取代，可以預見在不久的將來（不是5-10年，可能就是18個月左右），一些普通的后端工程師崗位，也會被AI取代。AI 輔助編程已經是一個不可逆的潮流趨勢，不能高效使用 AI 工具為己所用的程序員將很快被時代拋在后面。

2.7 算力與資源管理：從“本地/專屬計算”到“AI云原生與分布式計算”

過去，AI算力基本依賴本地服務器或購買云平臺專屬算力服務器，成本很高但資源利用率有限，模型訓練和推理需手動配置硬件資源（如CPU、GPU）。例如，在本地/專屬服務器上運行機器學習模型，依賴手動調整硬件配置。

隨著各大云平臺紛紛入場大模型領域，AI算力天然絲滑地依賴云原生基礎設施（如華為云、阿里云），模型訓練和推理通過云服務動態分配資源。方式上，既可調用云平臺的Maas服務，也可以動態購買GPU算力（如按需擴展GPU集群）和RPM/TPM。國內外主流云平臺，如華為云ModelArts、阿里云PAI、千帆ModelBuilder，都支持這些模式。齊心集團的大模型研發，也受益于這些模式。

2.8 數據安全與隱私：從“傳統加密與訪問控制”到“智能與隱私增強技術”

在傳統開發范式中，數據安全與隱私主要依賴于訪問控制、靜態數據加密和傳輸加密等機制。例如：數據存儲采用AES等對稱加密，保障數據在存儲中的安全性；通過權限分級和認證（如OAuth、RBAC）限制數據訪問；在數據傳輸中使用TLS協議防止竊聽和篡改；等等。這種方式適用于關系型數據庫中存儲的結構化數據，如金融機構保護用戶的交易數據，電商系統中的訂單和用戶信息等，主要解決未經授權訪問和數據泄露問題。

大模型時代，數據類型和獲取方式逐漸多樣化，隱私和安全需求更為復雜，比如大家熟知的，通過提示詞的巧妙設計，向大模型“套取”敏感數據等。傳統安全機制已難以滿足非結構化數據和大規模數據場景的需求，在以上數據安全策略的基礎上，出現新的技術范式，包括：

1)聯邦學習：在本地訓練模型，敏感數據不直接共享。

2)差分隱私：在數據處理和模型推理時加入噪聲，保護個體隱私。

3)同態加密：在加密狀態下進行計算，無需解密即可處理數據。

4)零知識證明：驗證數據真實性的同時不暴露具體數據內容。

5)隱私增強技術與模型安全性優化：對生成內容的隱私保護提出新要求，如通過內容過濾和模型輸出的隱私屏蔽，防止生成內容中泄露敏感信息。

例如，齊心云采商城專屬化推薦系統，用戶場景、下單記錄及行為數據存儲為向量表示，并采用聯邦學習和差分隱私技術，在隱私數據安全可控的前提下進行語義分析，確保系統既能提供優質服務，又保護用戶隱私。

3.建議與實踐

3.1 提高Prompt工程能力和質量，提高模型可使用性和可透明性

1) 迭代式Prompt設計：采用A/B測試和反饋閉環，不斷優化Prompt工程能力，提高在各場景下輸出的準確性。常見方法有：格式化Markdown、FewShot、COT、L2M、BOT、ReAct等，大模型使用效果提升的其他通用做法還有使用RAG、SFT等。

2) 模型解釋模塊引入：在推理大模型出來之前，利用SHAP、LIME等工具，為模型決策過程增加可解釋性，幫助業務人員理解系統輸出。在DeepSeek R1等推理大模型問世后，可輸出推理“thinking”過程，讓使用人員理解輸出結果是如何產生的。

3) 示例：在齊心集團主數據智能治理系統中，技術團隊通過不斷迭代優化Prompt工程，對常見問題形成實例性標準結果，結合用戶反饋優化Prompt，并使用RAG模式進行向量庫語義檢索，輸出結果準確率最高提升了28%；在員工助手數字人“心心”系統中，直接使用DeepSeek R1推理模型，輸出了推理過程，提升問題解答的透明度。

3.2 完善MLOps全流程

MLOps指的是在機器學習項目的整個生命周期中，涵蓋從數據準備到模型部署、監控以及持續迭代優化的各個環節。它通過自動化和協同工作，將開發、測試、部署、運維等過程無縫連接起來，從而確保模型能夠穩定、高效地在生產環境中運行。

1)自動化訓練與版本管理：構建從數據采集、清洗、特征工程到模型訓練、評估和版本發布的閉環流水線。

2)持續集成/持續部署（CI/CD）：通過自動化測試、在線驗證、日志監控及異常預警，確保新模型發布后能夠平滑回滾。

3)在線/離線監控：實時監控模型推理性能和用戶反饋，形成持續優化閉環。

4)示例案例：在齊心集團主數據智能治理系統中，引入MLOps理念方法，實現了數據標注、模型微調到API部署的全流程建設和管控。系統收集用戶使用反饋，評估輸出結果并不斷驗證模型表現，針對badcase進行分析和數據再標注、模型微調；當某個版本出現異常時，系統能自動回滾至穩定版本，保障服務連續性。

3.3 建立混合云架構

1)對實時性響應不高的需求場景：直接調用云平臺大模型服務API。

2)對實時性要求較高，并且需要私有知識庫或對輸入數據有保密性要求的場景：可獨立部署企業專有模型。

3)僅對實時性有很高要求的單一需求場景：可將部分模型推理任務下沉至邊緣節點，降低響應延遲。

4)混合云協同：構建中心云服務與邊緣節點之間的數據同步和任務調度機制，實現高效資源利用。

5)示例案例：齊心集團研發和使用AI大模型的各項目中，根據不同場景需求構建了混合云架構。主數據治理系統在本地邊緣設備上部署了輕量級模型，實時響應處理數據問題；復雜的商品推薦及客戶詢價系統由中心云端專屬大模型處理，其他相關系統直接調用云端MaaS模型服務API處理。系統間通過任務調度實現無縫銜接，既滿足實時響應需求，又確保計算資源高效利用，并能有效節省成本。

3.4 組織與團隊轉型

1)組織與團隊能力轉型：任何事情的本質都是人和組織，大模型引起的變革也不例外。所以首先是組織和團隊的能力向AI大模型時代需要的能力和結構轉變。可以組建涵蓋AI工程師、數據工程師、產品經理、安全專家和軟件工程師的多角色協作團隊，共同完成系統設計與落地。注意，這里是多角色而不是多個崗位，最好的模式是一個崗位承擔多個角色。可以考慮培養多面手工程師和產品經理，使傳統的軟件工程師和產品經理向具有大模型能力的新型技術人員轉變。

2)內部培訓與知識共享：建立學習和技術分享機制，提升團隊對AI新技術、大模型新范式、Prompt工程、向量模型、模型微調、MLOps工具及安全合規知識的整體掌握。

3)明確戰略目標，凝聚團隊共識：大模型作為新一輪生產力變革的核心驅動力，需以戰略機遇視角錨定方向，同步推動組織能力重構與個人認知升級，實現技術革命背景下的系統性躍遷。

4)案例：齊心集團定期舉辦AI技術沙龍和案例分享，向行業AI專家學習，團隊間互相學習，營造隆重AI學習氛圍，并通過一些直接或間接的大模型任務/項目模式，樹立成功項目典范，逐漸以點帶面使整個組織逐步擁有大模型開發能力，掌握大模型開發新范式。并通過敏捷開發流程實現從需求收集、模型微調到系統部署的高效協作，顯著提升了大模型工程的開發效率與上線成功率。

4.總結

大模型時代重塑了企業應用軟件開發的核心邏輯，推動開發范式從“代碼驅動”向“模型能力優先”轉型。本文系統闡述了新范式的六大關鍵特征：對話交互重構、模型服務化架構、多模態融合、跨模型協同、數據基礎設施升級及AI輔助開發普及，并結合齊心集團實踐案例驗證了技術落地的可行性。實踐證明，開發者需聚焦Prompt工程、MLOps全流程優化及混合云架構設計，同時推動組織能力向多角色協作/多面手能力轉型。通過戰略目標錨定與團隊認知升級，企業可系統性實現生產力躍遷，在智能化競爭中占據先機。

5.后記

未來，大模型技術將持續深化與垂直行業的融合創新，催生更具變革性的應用場景。然而，當前仍面臨模型可解釋性不足、數據隱私保護機制不完善、算力成本居高不下、應用場景創新乏力以及系統升級成本高昂等關鍵瓶頸。建議模型廠商重點突破輕量化部署技術與倫理治理框架，產業界應著力打造開放協同的工具鏈生態以降低應用門檻，企業用戶則需立足業務痛點精準匹配場景化解決方案。唯有通過技術創新與組織變革的雙輪驅動，才能充分釋放大模型的產業價值，引領數字化發展的智能新時代。

本文轉載自??51CTO技術棧??，作者：云昭