一、核心技术与应用进展

大模型基础支撑：基础大模型需通过领域知识库构建、知识检索、信息融合、生成响应四步夯实能力，结合检索增强拓展信息来源，依托角色扮演、思维链、提示工程提升“思维”能力，借助智能体增强规划与工具使用能力。

智能化开发工具与框架：智能化IDE融合自然语言指令、代码上下文及代码库文档，优化开发体验；ChatDev、MetaGPT等多智能体框架可实现全流程自动化软件开发，输入需求即输出软件制品。

缺陷修复表现：在SWE-Bench_Lite和SWE-Bench_Verified数据集上，多款结合大模型的工具（如ExpeRepair-v1.+CLaude4 Sonnet）有较高解决率，但SWE-Bench更多是AI练兵场，非软件工程能力试金石。

二、软件开发本质与大模型局限

软件开发核心困难：本质困难是抽象软件实体（需求、设计）的概念结构构思，编程语言表示仅为偶然困难；企业开发多为维护型任务，知识缺失影响效率与质量。

大模型的短板：代码数据平面化（缺抽象、缺决策过程），使大模型难获高层次设计能力，多承担原子任务编码；迭代修复能力差，易“反复横跳”致BUG激增，缺整体理解与掌控；在复杂系统问题定位中，易误判目标、难回溯逻辑、重复造轮子。

三、软件系统特性与现有思路问题

软件系统特性：形态具多样性，从简单小应用到复杂操作系统不等；存在内外部系统复杂性，内部设计复杂、交互多，外部依赖系统上下文，且精密性高、需持续演化；开发具探索性，需求与解空间均需不断探索调整。

现有思路不足：“大模型一锅炖”思路将所有知识以语料喂给模型，假设软件是文本token序列与共性模式组合，忽视软件复杂系统属性；主流研究过度关注AI技术“眼球效应”，对软件工程本质困难思考不足。

四、解决方案与探索方向

代码数字孪生：作为AI时代软件知识工程，抽取沉淀软件高层知识，建立与代码映射，分重量级（复杂系统，需文档与人工）和轻量级（中小系统，无需额外文档人工），支持维护任务中的问题定位、修改决策等。

开发框架创新：特性驱动开发框架通过特性拆解编排、迭代上下文管理、用户反馈整合，实现演进式需求与设计调整，已在计时器、茶饮点单等APP开发中应用。

漏洞检测优化：提出LLM4PFA框架，借大模型Agent实现路径敏感与上下文敏感分析，提升静态bug检测准确率（空指针漏洞检测准确率94%）；针对逻辑漏洞，通过抽取高层缺陷知识、结合外部知识库，在多个项目中发现未知漏洞。

五、行业现状与未来方向

行业现状：局部智能化支持（代码补全、推荐等）成常态；加速开发人员分化，普通程序员效率提升有限且存风险，专家型程序员成“超级程序员”；企业级收益有限，因软件高层理解与维护支持弱。

未来方向：需捕捉软件设计知识，支撑高层次智能化开发；结合特性驱动开发与代码数字孪生，优化应用开发与维护；推动大模型与程序分析结合，实现软件深层理解；正确定位AI角色，明确其在企业软件开发中“参谋长”而非“司令员”的定位。