Gitee构建智能研发闭环：从数据飞轮到多智能体协同
10 月 26 日，Amazon Web Services 在深圳举办年度开发者盛会 Community Day@2025，汇聚来自国内外的技术专家与社区实践者。
开源中国 Gitee 产品总监林靖靖受邀登台，带来主题演讲《AI 重塑研发流程：从需求到交付的智能化实践》，全面介绍 Gitee 在企业级 DevOps 智能化方向的架构设计与落地经验。
传统研发流程的挑战仍然严峻
尽管 AI 正在被越来越多地应用于开发流程中，企业研发仍面临四大常见难题：
开发阶段：模型调用难嵌入主流程，开发环境与业务场景存在割裂；
测试阶段：测试用例复用率低、生成质量不稳定、难以覆盖真实业务场景；
评审阶段：缺乏统一审查机制，代码风格、合规要求常依赖人工经验。
这一系列问题，导致传统研发流程很难真正形成一个闭环的 AI 系统。AI 能力往往止步于局部试验，无法持续进化。
从「数据飞轮」出发构建研发闭环
Gitee 的实践基于一个核心理念：构建以数据为驱动的研发智能闭环。
这一过程分为三大阶段：
数据沉淀：从代码仓库、CI/CD 流程、用户提交、平台互动中收集可结构化的数据，作为模型能力构建基础；
能力建设：基于不同任务场景开发模型或接入大模型，并统一管理与调用接口；
效果评估：在实际场景中接入模型后，通过用户反馈、操作数据与上下文记录回流数据飞轮，为模型持续优化提供依据。
通过不断循环的迭代路径，平台逐步构建起具备“持续学习能力”的 AI 研发系统。
五大场景 + 上下文工程：打造可控可落地的智能研发系统
围绕智能研发全流程，Gitee 构建了「Xtreme 极智 AI」平台，聚焦五大典型智能场景：
智能文档创作：支持 PR 描述生成、文档补全、规范校验等；
智能协同管理：支持工作项内容提取、状态感知、知识推送等；
智能代码开发：支持任务拆解、代码生成、自动测试与验证；
智能数据度量：实现研发效能指标提取、进度风险预警；
智能平台助手：统一接入模型与工具，提供多模态交互体验。
而支撑这些智能体运行的，是一整套上下文工程体系，包括提示词管理、短期上下文存储（Context Cache）、长期记忆系统（Long-Term Memory）、任务调度与数据标注模块。上下文的完整性、准确性与轻量性，直接决定了模型能否真正融入企业研发流。
设计 - 执行 - 验证：三阶段协同打通研发主流程
林靖靖在演讲中提出「AI 全链路参与」的协同模型：
在设计阶段，智能体需具备架构感知与任务拆解能力，明确技术路径与分工；
在执行阶段，结合项目结构、问题样式、历史踩坑记录完成代码生成与联调；
这三个阶段之间通过上下文信息保持语义连贯性，确保模型行为可控、流程连续、结果可验证。
平台核心能力模块：Xtreme CLI 与 Scroll
本次分享中重点介绍了两个核心智能体：
Xtreme CLI，作为核心编程智能体，可支持用户一次任务对话触发自动拆解、执行与交付，具备后台运行、权限控制、单测自动生成与分析等能力；
Gitee Scroll，专注于源代码结构理解与知识抽取，可重建项目结构视图，支持代码可视化理解、结构问答与知识再利用，缓解信息失真与知识孤岛问题。
平台还支持多模型接入与调度、沙盒运行与工具调用管理等能力，形成完整的 Agent 执行与治理机制。
平台能力延伸：模型管理与任务调度贯通闭环
为了保障智能化研发流程的落地可控性，Gitee 构建了一整套模型能力管理与调用机制：
从设定研发目标与智能指标出发，结合业务数据与使用场景，构建任务导向型模型，并统一接入研发主流程、上下文系统与外部工具，实现解耦部署、集中调度。
在系统运行过程中，平台持续对使用情况进行监控与数据回流，为模型优化与能力进化提供可靠支撑，确保整体系统的稳定性、安全性与可持续演进。
迈向全域智能协同的未来研发范式
随着平台基础能力的不断成熟，Gitee 正在从「辅助研发」迈向「智能协同」。
未来，将进一步推动模型能力与平台服务深度融合，重构研发角色分工，打通开发工具链、协作系统与运维平台之间的壁垒，构建面向企业级研发体系的多智能体协作网络。
Gitee 的目标，是打造一个具备自主感知与响应能力的研发平台，实现从效率提升到智能决策的全面跃迁。