拥抱AI：从基础框架团队视角探索效率与挑战

Posted on

在这个 All in AI 的时代，无论是学习、工作、生活还是娱乐，AI 已经深刻融入了各种场景。大家利用 AI 来赋能，不仅解决问题，还能显著降低工作量、提升工作效率。

今天下午我们组织了一场非常有趣的 Brainstorm 会议，探讨了作为客户端基础框架团队，我们如何应对 AI 带来的变化与冲击，如何利用 AI 解决我们面临的问题，同时规避可能产生的负面影响。

1. AI 对现有业务流程和生态的潜在冲击

AI 模型及其应用场景是否会对我们现有的视频会议业务流程和生态系统带来颠覆性或破坏性的影响？
例如：

  • 频繁调用 API 的问题
    AI 助手可能频繁调用我们的接口，生成会议纪要、规划议程或实时生成摘要。这类新的 AI 驱动业务模式会对后台流量、代码框架乃至整体业务流程产生压力。
  • 业务场景的变化
    传统会议可能只涉及会议内容的简单记录，但随着 AI 自动生成摘要和行动项的普及，我们的系统是否能高效支持这种业务扩展？如何应对这些流量和性能冲击？

2. 借助 AI 提升团队开发效率

我们主要从以下几个方向进行探讨：

2.1 AI 驱动的问答机器人

作为提供客户端基础服务和框架的团队，我们需要频繁解答业务团队的技术问题，例如 API 使用方法、技术支持，甚至客户问题的处理。这些内容虽然已有大量文档和知识沉淀（如文档目录、培训视频、PPT 等），但查找效率较低。
我们是否可以开发一个 面向基础组件的 AI 问答机器人，帮助团队成员通过对话快速获取答案，从而减轻技术支持的工作量？

2.2 自动生成单元测试代码

我们是否能借助 AI 模型自动生成 单元测试 或 TA 测试代码？
具体设想：

  • 对于基础模块中的常用函数（如字符串操作、加解密方法等），通过提供函数原型，AI 模型可生成基于 GTest 的 C++ 测试代码，或提供测试建议。
  • 对于端到端测试（E2E），我们目前基于 Lua 封装了接口驱动的测试框架。它支持多角色、多设备的复杂测试场景，但测试用例的设计、胶水代码的组织仍然高度依赖人工。
    我们是否可以通过 AI 生成测试用例的建议、自动编排测试流程，甚至直接生成 Lua 脚本，从而减少人工投入？

2.3 AI 辅助日志分析

目前我们的日志模式较为固定，错误模式和关键字有一定规律，但团队仍需投入大量时间查看日志、解决问题。如果能基于我们业务场景训练一个 定制化的日志分析模型，是否可以帮助我们快速定位常见问题、提高问题排查效率？

2.4 代码审查与 Bug 检查

现有 AI 模型在代码生成和错误修复方面已表现出强大的能力。我们是否可以利用 AI 帮助团队：

  • 自动审查代码风格，确保一致性；
  • 查找常见错误并提供修改建议；
  • 提高代码质量和开发效率？