致敬最美劳动者 “乐在禾下 寻味长沙”全国金牌小围裙夏令营长沙之夜圆满举行 从设计到研发全链路 AI 工程化体系 | 新程序员|ai|自动化
致敬最美劳动者 “乐在禾下 寻味长沙”全国金牌小围裙夏令营长沙之夜圆满举行 从设计到研发全链路 AI 工程化体系 | 新程序员|ai|自动化，
致敬最美劳动者 “乐在禾下 寻味长沙”全国金牌小围裙夏令营长沙之夜圆满举行
新华网长沙8月22日电（胡可璐）8月21日，由全国妇联宣传部指导，新华网、中共长沙市委宣传部联合主办的“乐在禾下 寻味长沙”全国金牌小围裙夏令营长沙之夜在长沙火热开启。晚会录制现场，全国“金牌小围裙”、湘菜大师以及科学家、劳动模范、公安民警、消防员、教师、非遗技艺传承人、奥运冠军等各行各业劳动者齐聚，大家品味长沙地道美食，分享劳动成长故事，唱响劳动者之歌，共享“杂交水稻之父”袁隆平的禾下乘凉梦。
现场气氛活泼热烈，参与录制的“金牌小围裙”们纷纷表示，通过参加“小围裙”计划及寻味长沙之旅，亲手制作了美食，感受到了劳动的快乐。在劳动中动手实践、出力流汗，磨炼了自己的意志，发现了生活之美，体验收获的快乐，今后要用双手创造幸福生活和美好未来。
乐在禾下 寻味长沙
“穿上我的小围裙，勤劳的精灵，酸甜苦辣全都是成长的证明……”长沙之夜在“小围裙”计划主题曲《我的小围裙》歌声中开场。小舞蹈演员们身着小围裙，在一幕幕与美食相关的情境中演绎歌曲，最后以长沙话“恰饭哒！”收尾，十分可爱。
全国的“金牌小围裙”来到长沙，寻找当地特色美食必不可少。通过前期的长沙寻味之旅，他们已经找到了最具代表性的长沙美食，分别是长沙米粉、红烧肉、糖油粑粑、臭豆腐、辣椒炒肉和口味虾。
晚会现场播放了记录他们劳动学习过程的短片。学习插秧、认识水稻，制作米粉；揉米团，做糖油粑粑、吃长沙臭豆腐，品尝“可盐可甜”的长沙味道；亲密接触住在池塘里的荷花虾，清洗、爆炒小龙虾；摘辣椒，评判辣度，制作“干饭天花板”辣椒炒肉；忆苦思甜，寻味“英雄菜”红烧肉，传承英雄先辈的精神……在湘菜名厨的指点下，“小围裙”们将长沙味道做得有模有样，吃起自己做的菜也津津有味。
“金牌小围裙”陈汐也是隆平水稻博物馆的小小讲解员。通过学习插秧，她真正体会到农民伯伯“头顶烈日、脚踏泥土”的辛苦。“插秧的时候，需要赤脚踩在稀泥里，走路都不稳，还不停地流汗。磨米浆的时候，觉得手很痛。一碗看似简单的米粉，原来背后要付出这么多的努力。通过这一次的经历，我觉得，要珍惜粮食，珍惜现在的美好生活。”
来自北京的小朋友张颜颜说，这次在做虾的过程中，学习到了防止油溅的小技巧，克服了害怕。同时体会到了南北方的饮食文化差异，从亲手钓虾，洗虾，烹饪虾的过程中，感受到了劳动快乐，经过自己的劳动，创造的食物是最美味的。
来自长沙的“金牌小围裙”稂渝洲说，爸爸妈妈太辛苦了，所以就学着自己做菜，想让他们轻松一点。他会做土豆丝、番茄炒蛋、辣椒炒肉等。这一次跟着大师学到了很多技巧，下一次一定会做得更好吃。
孩子们在稻田、在种植园、在厨房享受劳动的乐趣，将热爱劳动、崇尚劳动的种子深植心中。
向劳动者致敬
值得一提的是，“长沙之夜”现场除邀请了金牌小围裙和湘菜名厨，还邀请到长沙米粉文化推广大使周加桥、湖南省水稻研究所所长赵正洪、长沙教师刘建强、全国劳动模范许菊云、国家级非物质文化遗产火宫殿臭豆腐制作技艺传承人周后目、长沙市消防员陈博文、长沙市芙蓉分局民警齐翔宇、中国工程院院士、湖南农业大学畜牧学科带头人印遇龙、湖南农业大学园艺学院蔬菜系副教授胡博文、奥运冠军龙清泉、全国最美志愿者陈秋娥等各行各业的劳动者。他们现场品尝了由湘菜大厨和“小围裙”亲手制作的长沙美食，讲述劳动者故事。
周加桥说，孩子们在学习挑粉及打码子的过程中十分认真，非常专注。大人可以创造更多的机会，让孩子们参与劳动，体会劳动的辛苦和快乐。
作为一名水稻科研工作者，赵正洪对孩子们的表现十分欣慰，“袁老的精神永存，将永远激励着后辈们沿着他的梦想不断前行。科研人员要把心用在科技创新上，把根扎在试验田里，让中国人的饭碗里都装满中国粮！”
长沙市田家炳实验中学老师刘建强深耕校园，甘做绿叶，经常在家给学生们做饭。他说，学生们都会进厨房帮忙，大家一起动手，身体力行就是最好的教育。
喜看稻菽千重浪，遍地英雄下夕烟。劳动者是创造幸福生活的英雄。全国劳动模范、湘菜泰斗许菊云以传承湘菜技艺为己任。他说，孩子在洗菜、切菜、炒菜的过程中得到锻炼，在解决生活问题的时候动手能力得到提高。通过做饭，他们会更加懂得珍惜粮食，珍惜我们今天的幸福生活。
长沙臭豆腐为什么闻起来臭，吃起来香？国家级非物质文化遗产火宫殿臭豆腐制作技艺传承人周后目介绍，长沙人一般是在冬天做臭豆腐的卤水，卤水自然发酵要一到两年。然后经过泡豆腐、油炸豆腐、蘸调料的程序，一道美食就出现了，这道美食凝聚着劳动者的智慧。
长沙市消防员陈博文和民警齐翔宇品尝了孩子们做的臭豆腐和糖油粑粑，为孩子们点赞，“作为城市守护者，我们一定会好好守护好这一份甜蜜。”
奥运冠军龙清泉在品尝小龙虾后说，“湖南人火辣的冲劲与火辣的小龙虾一样，有奋力拼搏、永不言败的精神，所以‘体育湘军’才能在奥运赛场上赢得那么多胜利。希望能培育出更多的体育苗子，为湖南体育事业添砖加瓦！”
活动现场，“金牌小围裙”还为观众席上的爸爸妈妈送上一道菜，感谢父母的辛勤付出，孩子们在劳动中学会感恩，学会成长。
“小围裙”计划引爆暑期劳动热潮
从课堂到自然，从书本到农田。劳动教育带领着孩子们，走出教室、走向田间，在广阔天地的探索与挑战中，领悟劳动的价值和意义，体会耕耘的收获和喜悦，找到珍惜生活并坚守理想的信念。
2022年，教育部发布《义务教育劳动课程标准（2022年版）》，强调劳动教育的价值。今年7月，在全国妇联宣传部指导下，新华网联合农业农村部食物与营养发展研究所、中国饭店协会、中国疾病预防控制中心营养与健康所、中国营养保健食品协会、中国乳制品工业协会共同发起2022暑期儿童劳动教育“小围裙”计划。8月，“乐在禾下 寻味长沙”——2022年长沙市暑期儿童劳动教育“小围裙”计划全面启动。
“小围裙”计划以“立德树人”为理念，让中小学生系上小围裙，走进厨房，以学做一道菜的方式，引导孩子们树立正确的劳动价值观和良好的劳动品质。
劳动的美德与智慧在数千年的传承中浸润人心。这个夏天，全国一共有16.8万名孩子参与“小围裙”计划，“小围裙计划”相关话题视频，在抖音平台上创下3.3亿播放量。他们系上围裙，学做美食，在劳动中发现生活的美，体验成长的快乐。
“小围裙”计划最终推出20位全国“金牌小围裙”，其中有13位来到了活动现场。主办方为他们颁发了金牌奖章，鼓励他们继续热爱劳动，茁壮成长。其余7位未到场的小朋友，主办方也将为他们寄送金牌奖章。
此外，新华网在长沙评选出了10家“小围裙”计划劳动实践基地，现场为火宫殿研学实践基地、浏阳湾里屋场、稻花香里农耕文化园、贝拉小镇等单位授牌。晚会最后在《我的小围裙》手势舞中落下帷幕。
据悉，长沙之夜晚会视频于8月24日在新华网全媒体平台、芒果TV和长沙电视台播出，广大观众可届时收看。
劳动是成长的必修课。在劳动中，孩子们增长见识，提高技能，获得专注能力、审美能力、创造能力，培养协同精神、进取精神、吃苦精神。同时，“吃得苦、耐得烦、霸得蛮”，湖湘土地上生生不息的劳动者精神也让孩子们受益良多。“小围裙计划”将继续推广劳动教育在校园、在家庭、在学生心中生根、发芽、枝繁叶茂，让劳动者的故事代代相传，将劳动者的智慧和劳动精神发扬光大。
发布于：北京
从设计到研发全链路 AI 工程化体系 | 新程序员|ai|自动化
【导读】将大模型技术产品化和工程化已成为业界各大公司在研发 AI 大模型之后的重点发力方向。这一转变促使 AI 工程化从概念验证迈向实际应用，展现出广阔的应用前景。本文将从设计与研发领域出发，深度分享 360 在工程化流程中的独特实践经验以及对未来 AI 工程化发展方向的独到见解。
本文出自 中的演讲，同时收录于《新程序员 008》。《新程序员 008》聚焦于大模型对软件开发的全面支撑，囊括 Daniel Jackson 和 Daniel Povey 等研发专家的真知灼见与“AGI 技术 50 人”栏目的深度访谈内容，欢迎大家点击订阅年卡。
作者 | 杨龙辉
责编 | 屠敏
出品丨新程序员编辑部
在大语言模型迅速发展的背景下，AI 工具和产品不断涌现，如广泛用于代码编写的 ChatGPT、GitHub Copilot，可以文生图的 Midjourney、轻松在本地运行大模型的 Ollama，以及 360 的智脑、文心一言和通义千问等国产 AI 工具，几乎覆盖了我们日常设计、编码、办公、协作、聊天、音频、视频等方方面面。只要是涉及人机交互的场景，基本上都能找到一个具有 AI 功能的工具。
从工程化角度来看，AI 工具在产品交付过程中，从需求分析到产品设计、开发再到上线运营，可以在很大程度上辅助人类工程师，提高工作效率和质量。我们团队早期就开始使用各种 AI 工具来提升效能，不过，这些多样化的工具，种类繁多，也带来了一些困扰。
首先，从应用性上来看，不同人对工具的使用效果差异很大。有些人使用 ChatGPT 生成代码时非常高效，而有些人则需要花费更多时间调试。此外，某些工具的使用方式复杂，未必适合所有人。
其次，团队协作也是一个问题。使用第三方工具时，往往依赖于它们的平台能力，导致与公司现有系统的集成度不高。如果遇到问题，解决方式通常是通过口口相传，缺乏系统化的知识共享。推广和培训这些工具需要成本，团队成员学习使用这些工具有一定难度，最终导致团队在一致性、标准化交付流程上也会存在差异化。
因此，我们团队内部讨论了两种解决方案：
第一种方案是开发 AI 工具。我们可以将外部的开源工具或插件（如 VS Code 中对接 GPT 的插件）集成到现有的软件中。经过研究，我们发现这种方式灵活性高、建设周期短、能够快速实现工具的统一和提升应用性。然而，缺点是集成度较低，只能在某些环节上起作用，无法进行上下游的深度集成，也容易形成数据孤岛。要想解决数据孤岛问题需要做更多的数据分析和整合，工具可能会演变成一个产品。
第二种方案是直接开发 AI 产品。我们思考是否要在软件开发的各个节点上使用领域模型，基于领域模型，再进一步构建 AI 服务，与工程化进行深度融合。这种方式不仅为平台提供 AI 能力，还能在模型之间实现互操作。例如，模型可以根据自然语言需求自动生成页面设计和代码，最终只需人工确认后上线。这种方式的优点集成度高、应用性强、数据可以在统一的工程服务中进行共享和二次调优。缺点是此方法建设成本高，需要在工作流程中构建领域模型。
两种方案各有利弊，究竟该如何抉择？当时的我们思考了一点，即这两种方式究竟哪一种可以实现工程效率最大化，因为工程的本质就是既提供了团队的规范，又能使团队的效能和产品质量达到最大化。基于这一点，我们选择了朝着 AI 产品化的方向发展，可以让整个工程化的链路能够迎来二次革新。
当然，这其中也有挑战：
成本问题：我认为对于小团队而言，直接使用开源工具或快速插件等AI工具即可，能够快速提高团队效率。但是，如果团队需要微调并部署一个大模型，还需要构建上层服务，那么首先要考虑团队是否具备相关专业能力。其次，微调模型需要依赖数据和机器成本，都是需要考量的因素。
安全隐私：隐私问题是一个重要考量，使用第三方模型可能会有数据泄露风险，尤其是对于以安全为主的 360 来说，这是不可忽视的。
能力限制：当前 AI 的泛化能力有限，对于未见过的数据，它往往会给出不准确的回答。其次是适配性问题，目前的 AI 在处理复杂任务时仍有局限性。
综合考虑这三个问题，可以发现 AI 在能力上有很大的改进空间。从 AI 的能力来看，它可以辅助人类完成一些工作，弥补人类在编码或设计上的不足，缩短交付周期。此外，AI 还可以处理重复性工作，提高工作效率和产品质量，辅助团队实现效能最大化，进而提升业务结果。
360 工程化流程的演进
现在，我们在朝着产业化方向发力的同时，360 的工程化流程也在不断地演进。在内部，我们按照三个步骤推进（见图 1）：首先建设统一的基础云服务平台实现自动化；其次基于流程自动采集数据构建数字化，因为在这个 AI 时代，数据至关重要；最后进入智能化阶段，建设领域专家模型赋能工程化。
图 1 效能云自动化与数字化建设
在自动化架构层面，当拿到产品需求后，我们会进行需求拆解，并自动分配给相应的设计和开发团队。设计师收到任务后，会创建对应的画板；研发人员则会创建相应的分支。通过任务这条主线，我们将工作流程串联起来。设计师完成视觉或交互设计后，可以提交给开发团队。开发团队通过视觉通信打开集成开发环境（IDE），进行编码、合并请求（MR）、提测。测试环节会自动创建提测单，进行冒烟测试、集成测试或验收测试。测试无误后，需求自动流转至上线，通过持续集成/持续部署（CI/CD）完成上线审批。需求完成后，我们会进行归档，并制作数据看板展示业务、性能和效能指标。
自动化架构的效能云基础服务包括数据、流程、权限、技术架构、规范和工具等。下一层则为需求池、代码库、设计工具、CI/CD、物料市场、审计流、安全、日志和监控等能力。最底层则是由 360 的三大平台提供支撑，分别是用于需求管理的极库云；用于管理设计物料如设计稿和设计工具的设计云；作为一站式研发平台的 FinerWork。
360 在数字化进程上从四个维度和三个视角展开，即从交付率、交付质量、交付成本和交付能力四个维度进行数据收集，立足于个人、团队和项目三个层面的视角。这一阶段的数据来源均是交付周期自动化采集。
数字化之后，进入智能化阶段。智能化分为两个方面：
一是构建领域模型：在办公、设计、代码、测试等不同领域建设专家模型，专家模型会根据对应在设计侧或研发侧的一些场景进行 AI 的能力的提供。例如，设计侧可以利用文生图功能或对 Sketch、Figma 插件进行能力增强；开发侧则可以通过代码生成、AI IDE 增强等方式提供支持。这些功能依赖于 360 智脑大模型。
二是基于领域模型构建 Agent 服务。在模型建立和服务能力就绪后，我们构建 AI Agent，使其能够自动完成简单的重复性任务。
此处，我们将从设计和开发两个方面寻找机会点和探索方向，因为在产品交付过程中，设计和开发阶段的需求弹性较大，因此成为提升交付速度的关键。
我们对设计与研发的过程进行了分析，绘制了流程图（见图 2），从中发现了两个关键痛点：设计团队从灵感迸发到具体化设计、优化完善的过程可能充满反复和不确定性——我们称这一阶段为“绝望的深渊”，因为它往往需要大量的尝试和修改，甚至没有产出；开发团队从工程初始化到实际编写业务逻辑的过程同样增速缓慢。
图 2 设计与研发过程分析
针对这两个核心场景的痛点，我们在模型构建时特别关注，通过建立领域模型赋能平台，向设计和开发平台提供 AI 能力。例如，通过文生图功能帮助设计师快速生成初步设计稿，从而显著提高设计效率；通过代码生成、代码审查和代码聊天等功能，协助开发人员进行代码设计和编写，提升开发效率。
360AI 在工程化中的实践
基于行业痛点和应用场景，我们将领域模型与业务相结合，构建了设计侧物料平台和研发侧工程平台。
设计侧物料平台
在设计物料平台方面，我们内部开发了一款名为“缤果 AI”的产品，该产品支持多端应用，包括 Web 端、Figma、Sketch 以及 Photoshop 端。这款产品集成了设计广场、AI 小工具和图片创作等功能。为了支撑这些功能，我们构建了一套产品架构（见图 3），涵盖了从模型到应用场景的解决方案。
图 3 缤果 AI 产品架构
在模型层面，我们依赖于 Stable Diffusion，基于此模型，我们进行了大量的微调工作以创建多个基础模型。随后，我们利用 LoRA 技术进一步微调风格模型。最终，我们将基础模型与风格模型结合，形成融合模型，用于特定场景，这些模型通过 Stable Diffusion 提供的 AI 能力集成到产品中，进而构建服务层，提供文生图、图生图、图片反推、延展以及线稿上色等功能，从而支持营销电商、定制化以及其他通用场景。此外，“缤果 AI”增强了设计工具 Figma、Sketch 以及 Photoshop 的功能。
在模型微调的过程中，我们总结出了一套被称为“631”的方法论：数据占 6 分，参数占 3 分，剩下的 1 分为“玄学”。之所以提及“玄学”，是因为在实际操作中，即使数据和参数都准备妥当，也可能得不到预期的结果，需要反复调试才能达到满意的效果。
微调过程包括数据准备、数据标注、参数调优、模型训练和结果测试。缤果 AI产品中，我们主要是对基础、风格模型做数据采集。具体而言，我们使用 Dreambooth 来训练基础模型，而 LoRA 则用于训练风格模型。
在数据准备完成后，我们会进行数据标注，使用封装的 Factory 库，利用 WebUI 能力先自动打标，然后导入到第三方工具，再进行人工筛选二次打标确认。没问题后，我们对模型进行参数调优，其中训练轮次和学期率是最重要的两个参数。接下来是模型训练阶段，我们会监控损失函数(loss)的变化趋势，一般认为损失值接近 时，模型训练结果较为理想，但最终仍需以实际测试结果为准。
基于“缤果 AI”，我们尝试将其应用于营销图片场景，还与智能硬件如 360 手表联动，通过使用“缤果 AI”替换底图，可以大幅缩短交付周期并提高效率。
研发侧工程平台
在研发工程方面，基于一站式的研发平台 FinerWork（见图 4），我们为研发提供了三大场景 AI 能力加持：聊天、代码和工具。产品架构底层依赖于 360 智脑模型，微调出代码聊天、代码补全、代码审查等领域模型。这部分的模型微调方法与设计侧物料平台相同，因此不再赘述。
图 4 FinerWork AI 产品架构
接下来，我们将着重关注 CodeChat 模型数据方案中的 npm 私有源文档数据采集与处理（见图 5）。这一过程分为数据采集、构建 Prompt、数据标注三个阶段。数据采集主要来源于工程平台的自动流程，以及代码工程中的流水线安装错误日志、IDE 安装、运行错误上报、私有包服务数据。
从关键数据中我们去提取一些标注，比如一些 OS 版本、语义化版本号、主版本文档功能等。有了这些信息之后，构建指令供大模型进行分析，分析结果经过人工审核确认后，用于扩充数据集，确保数据集的质量。完成数据准备后，开始进行模型训练和结果测试。
图 5 CodeChat 模型数据方案
微调后的 CodeChat 能够提供代码解析功能，并允许用户一键打开 IDE。应用场景包括流水线错误分析、IDE 内解决问题、APM 性能分析以及线上问题分析等。
AI IDE 也是研发侧工程平台的另一个重要组成部分，我们通过 AI IDE 做场景融合，最初使用 CodeServer，但后来选择了 OpenSumi。选择 OpenSumi 的原因在于其开放的 AI 能力、高度定制化的特性以及兼容 VS Code 插件市场的优势。基于 OpenSumi，我们提升了 AI 能力与 IDE 的集成度，实现了多种场景优化，如 AI Code、Inline Chat、智能终端、APM 性能分析、代码审查(Code Review)和即时通讯(IM)等。
AI 工程化未来畅想
面向 AI 工程化未来，我们从三个维度进行了深入思考：
基于大语言模型微调，产出特定领域模型；
基于领域模型进一步构建 Agent，增强复杂任务处理能力，让其能承担设计和研发中的重复性任务；
拥有 Agent 后，下一步可以实现多智能体系统（Multi-Agent）。
我认为 Multi-Agent 非常适合工程化，因为工程化的 SOP（标准操作程序）交付流程是固定的，从一个节点到另一个节点都是固定的，所以它可以对这些节点进行编排、共享、自主分工和协作。这也使得 Multi-Agent 能实现端到端的智能交付（见图 6），即从用户需求的产生到最终产品的交付，全过程实现自动化和智能化。当然，这一过程中依赖一个 Multi-Agent 运行时系统，该系统包含三个部分：
消息中心（Shared Message Pool）：用于所有智能体消息共享、发布和订阅；
工具库（Tools）：底层依赖各种 API、企业私有库、外部设置、外部搜索等工具来支持多智能体的运行；
Agent Detail：包含记忆模块、任务拆解和执行任务等。
举例说明，当用户提出开发一个 To Do List 的需求时，PM Agent 会将消息发送给 Engineer Agent。Engineer Agent 收到消息后，会通过内部记忆模块查看是否有类似的项目代码，并进行任务拆解和执行。任务执行完成后，消息会返回消息中心，通知 QA Agent 进行自动化测试。
图 6 Multi-Agent 实现端到端智能交付
整个过程非常流畅，而且每个 Agent 都可以有不同的演变，例如 Engineer Agent 可以进一步细分为专门负责写 React 工程的 React Agent，或者 User Proxy。同时，随着 Agent 模型的改进，未来工程化的各个节点可以实现从人类为主、Agent 为辅的参与模式逐步过渡到 Agent 为主导的过程，即实现从用户提出需求到 Agent 逐步完成所有开发和交付。
大模型刷新一切，让我们有着诸多的迷茫，AI 这股热潮究竟会推着我们走向何方？面对时不时一夜变天，焦虑感油然而生，开发者怎么能够更快、更系统地拥抱大模型？《新程序员 007》以「大模型时代，开发者的成长指南」为核心，希望拨开层层迷雾，让开发者定下心地看到及拥抱未来。
读过本书的开发者这样感慨道：“让我惊喜的是，中国还有这种高质量、贴近开发者的杂志，我感到非常激动。最吸引我的是里面有很多人对 AI 的看法和经验和一些采访的内容，这些内容既真实又有价值。”
能学习到新知识、产生共鸣，解答久困于心的困惑，这是《新程序员》的核心价值。欢迎扫描下方二维码订阅纸书和电子书。
