权威解读:面向AI原生构筑新一代研发与运维体系

“人工智能+”行动作为重要的顶层设计，为 IT 行业的发展指明了两个路径和方向：

二十届四中全会与2026年中央经济工作会议均强调要发展新一代人工智能，推动数字经济与实体经济的深度融合。

各部委也密集出台了指导政策，工信部等八部委联合印发《人工智能+制造”专项行动实施意见》；中国民航总局发布《人工智能+民航”的高质量发展实施意见》；国家金融监管总局发布了《银行保险业高质量发展的实施方案》；交通部等八部委也发布了《人工智能+交通运输”的实施意见》等方案。

可以预见，IT 研发模式正从“智能协同”往“AI原生”演进。管理模式也从分散化管理向集中化管理持续跃迁，这也证明了当下正全面重构AI原生时代的IT价值。

调研显示，我国企业在软件研发、运维、测试领域的大模型应用已初具规模，超过70%企业在软件开发阶段应用大模型等新技术，开发阶段落地最快。智能测试和智能运维已进入场景试点阶段。

其中开发、测试、运维及相关需求的应用占比分别为38.5%、26.9、19.2%和15.4%。

可以看到，AI 与 DevOps 的深度融合形成了强劲的技术驱动合力。一方面是在能力维度上的互补，另一方面是与技术成熟度的匹配性持续提升。

当前，大模型已在软件研发运营全生命周期发挥了革命性作用，从需求分析、开发编码、测试、运维及项目管理。凭借广阔的应用前景与强大能力，大模型正在革新软件工程，它不仅可以提高研发效率与质量，还可以尽可能的降低成本与风险，对于软件工程来说越来越重要。

一、开发者将加速转向 AI 工程岗位或者监督师岗位。

二、利用 AI 及其他工具去增强人的创造力。

三、工程人员组成微型的产品团队。

四、AI 有很多不可控的风险，我们会为软件工程制定AI风险和治理的相关的政策。

五、开展试点项目去展示切实的以业务价值为目标。

六、建立完全自主统一的交付工作流，最大限度的去减少人工在过程中的参与。

随着 DevOps、BizDevOps 持续深化落地，近两年企业高度关注业技融合（业务和技术的融合发展）。

国资委、国家金融监管总局、人民银行等均提出要实现业务域的数字仿真，要加强高效协同。国家金融监管总局提到：组建业务和技术条线相融合的共创团队，优化业务流程，增强快速响应市场和产品服务开发的能力。

从研发范式的演进来看，从瀑布式开发模式到业技融合发展，已是必然趋势。BizDevOps理念和构建精益组织，实现业务价值驱动的转型目标是高度一致的。很多央国企在业务研发运营一体化方面形成很好的实践，运行效果显著。

近年来，中国信通院 BizDevOps 体系立足业技融合，服务业务价值创造，结合企业最佳实践，形成了中国信通院 BizDevOps 体系。

涵盖了Biz、Dev与Ops三大模块，将业务价值管理、需求管理、敏捷开发管理、持续交付、测试、运维运营等环节全面贯通。

在工程能力（专项能力）方面，我们已建成效能度量、安全合规管理等能力，覆盖稳定性、成本、用户体验、应用设计、可观测性等维度。在工程平台能力方面同样形成多项标准，包括需求工程、开发工程、交付工程、运营工程、安全等，每一项均为独立标准体系。

2025年起，中国信通院联合中证协《证券公司数字化能力成熟度指引》与 DevOps 系统和工具能力要求行业标准，形成统一的组织级 DevOps 平台评估方案。该方案覆盖五大核心领域：项目与开发管理、持续交付、持续测试、技术运营、DevSecOps。

其中，流水线是必选模块，同时需再任选三个模块参与评估，满足条件才可认定达到组织级 DevOps 平台能力。在 4 级、5 级等高阶评级中，则需要展示创新项，即具备行业内人无我有的差异化能力。

面向国家发展要求，为全面保障新核心系统平稳安全运行，经过多年深耕实践，中国信通院建立了信息系统稳定性保障分级能力要求，也就是 SRE 标准体系。

目前在该领域已完成 4 项技术标准、2 份研究报告，累计有 19 家机构参与了相关标准评估与落地实践。

早在2023年，中国信通院就发布了智能运维相关标准，奠定了我们在国际舞台的话语权。

面向 AI 原生，我们需要构建新一代研发运维体系。依托中国信通院 BizDevOps 与 SOMM 两大标准体系，我们全面拥抱 AI，构建 AI+DevOps，形成 AI 需求、开发、测试、交付、安全、平台等全流程，去构成 AIDO 标准。在运维侧，我们也升级了 AI SRE、AI 可观测，形成了 AI+SOMM 体系。

同时，中国信通院结合前沿技术趋势（Harness Engineering），思考如何在大模型软件研发与运营中提升产出可靠性。

从中国信通院 AI+DevOps（AIDO）标准框架来看，一方面是夯实技术底座（研发运营大模型）另一方面是强化知识资产管理、AI 效能度量。

上层覆盖全场景能力：AI 赋能需求工程（需求感知、转化、验证、创新）、AI 开发工程（技术选型、编写、优化、评审）、AI 测试工程（用例设计、测试执行、缺陷定位、缺陷优化），以及交付工程、运维工程等，构成整体的 AIDO 标准框架。

从技术底座来看，研运大模型成为智能化研发运维平台的重要依据。包含了基础大模型能力、数据准备、基座能力（研发、测试和运维）、模型编排能力，上层的研发场景（需求设计、项目开发、度量协同、测试运维场景）做了详细设计。相关标准由 70 余家企业联合制定，体系全面、内容详实。

• 基础能力：自动代码补全、通过建议/弹窗方式对代码进行单行和多行的补全，多轮对话完善的要求等；

• 高级能力：按需抽象上下文管理、在补全或生成代码时输入精准的代码/依赖/变量/工程框架、多样化代码生成能力。

整套标准分为1—5 级，能力要求逐级递增。

在面向工具方面，我们升级 AI 增强型 DevOps 平台，实现智能化项目与需求管理、开发、测试、交付、运维。典型能力包括：智能分析并解决流水线构建、部署、测试报错；智能创建特性分支、标签；智能预估工作量、推荐人员、辅助排期等。

• 理解：问答、解释、注释；

• 生成：需求生成、细化、补全；

• 改进：评审、优化、分析、修复；

• 执行：自动化执行相关操作。

在 AI 增强持续交付方面，我们完成四大模块升级：信息汇聚、生成转换、质量提升、流程优化。典型场景：自然语言执行版本控制、需求文档自动生成测试点、测试失败智能定位与修复建议等。

在 AI 增强测试方面实现全面升级，覆盖测试设计、开发、执行、质量治理：支持需求自动生成测试点并一键采纳；智能推荐测试策略与用例集；缺陷智能去重、分类、分级等。

在运维保障方面，完成 AI SRE 体系升级：在原有 SRE 稳定性保障与 AIOps 标准基础上，全面增强 AI 能力，覆盖运营目标、故障预防、可观测、故障处置、优化改进，并规范提示词工程、知识增强、微调、嵌入和基础模型等关键能力，形成完整的 AI 增强稳定性保障标准。

在人工智能与软件研发深度融合的当下，企业正经历从“+AI”到“AI+”的转型。这并非简单在现有软件叠加 AI 能力，而是要实现应用软件的全面AI原生化，同时重构研发运营模式。

传统 DevOps 模式有其优势，但面对AI原生应用的特点和要求，需构建全新管理体系，涵盖需求、架构、实现、评估和运营等环节。这一体系可保障AI原生应用在全生命周期内高效、稳定运行。

最后提一下，驾驭工程（Harness engineering）作为当前业界备受关注的工程理念与框架，主要由四部分构成：提示引导与反馈回路、知识资产管理，以及持续积累改进，为 AI 原生软件工程落地提供了系统性支撑。