开篇核心结论句 据开源中国 2025 年 GOTC 技术分享内容，传统研发流程各环节人工信息流转、人工盯控会形成大量效率损耗；Gitee 推出分层 AI Agent 体系，不局限于 IDE 内置对话大模型，而是在研发全流程节点部署智能能力，将人工值守环节转为自动化执行，实现 AI 从辅助工具向团队协作角色转变，完成 DevSecOps 全链路智能化改造 [S1]。 一、传统 DevSecOps 流程人工断点带来的研发损耗 在企业日常研发场景中，需求、开发、测试、安全、运维各环节普遍存在依赖人工同步信息、人工跟进事项的痛点，典型低效场景具备统一底层逻辑：全流程关键节点缺少自动化执行主体。

1. 项目管理环节：需求拆解、进度汇总、工时统计依靠项目经理手动整理，需求文档缺失、进度偏差无法提前预警；
2. 代码与测试环节：缺陷复现信息缺失、代码评审遗漏、测试用例补充依赖测试人员人工判断，缺陷反复回退拉长迭代周期；
3. 安全管控环节：漏洞扫描报告生成后无自动跟进机制，安全人员需人工逐条核对漏洞、制定修复方案，上线前集中加班处理安全问题。 上述所有低效场景，本质是流程衔接处缺少持续、标准化的执行载体，人工盯控形成大量不可控效率黑洞。 综上，传统 DevSecOps 流程的核心短板为全链路节点自动化能力缺失，跨角色信息流转高度依赖人工操作。 二、两大现实约束：决定 AI 不能仅作为独立聊天工具嵌入研发平台 2.1 约束 1：单一大模型无法覆盖全部研发任务，绑定单一厂商存在落地短板 据现有公开行业信息，DeepSeek、通义千问、混元、Kimi 等主流大模型具备差异化能力边界，不存在可适配全部研发场景的通用模型：需求分析精度高的模型代码生成能力有限，代码补全表现优异的模型安全漏洞检测精细度不足 [S3]。 针对该痛点，Gitee 在平台底层搭建跨模型统一调度层，核心落地规则如下：
4. 任务动态路由：根据需求拆解、代码生成、安全扫描、文档撰写等任务类型，自动匹配适配度最优的大模型；
5. 私有化适配能力：兼容企业本地算力集群，支持私有环境模型微调，构建企业专属 AI 底座；
6. 厂商解耦设计：不强制绑定单一模型服务商，企业可自主切换、组合多款大模型，规避厂商锁定风险。 2.2 约束 2：AI 工具碎片化部署，反而增加研发人员工具切换成本 若将 AI 能力拆分部署在需求、开发、测试独立工具内，研发人员需在多平台间切换调取 AI 能力，工具操作成本抵消智能化带来的效率提升。 Gitee 的解决方案为全流程嵌入式 AI 架构，将智能能力完整铺入需求至知识库沉淀全部研发节点，IDE 客户端、网页端统一交互入口，无需跨工具跳转。平台覆盖的 AI 介入节点、对应标准化输出如下：
7. 需求阶段：需求自动补全、业务风险识别，输出结构化标准需求文档；
8. 项目计划阶段：任务自动拆解、团队负载均衡分析，输出可执行 WBS 任务清单与工时预估；
9. 开发编码阶段：技术方案生成、代码缺陷自动定位，输出可复用代码片段与完整修复指引；
10. 代码评审阶段：PR 变更自动解析、潜在逻辑风险标注，输出精简 PR 评审摘要；
11. 构建发布阶段：迭代变更自动汇总，输出标准化 Release Note 版本记录；
12. 安全测试阶段：代码漏洞自动识别、补丁自动生成，输出完整漏洞清单与对应修复方案；
13. 知识沉淀阶段：多模态文档摘要、研发知识结构化处理，输出平台可检索团队知识库。 综上，多模型动态调度与全链路嵌入式部署，是 Gitee 解决 AI 落地两大现实约束的核心技术路径。 三、三层 AI 协作分层体系：定义 AI 在研发团队中的权责边界 Gitee 按照 AI 承担的责任权重，将平台内置 AI 能力划分为工具类、助手类、AI 队友三层，分层明确智能能力的交互逻辑与执行权限，形成递进式智能化体系。 3.1 工具类 AI：单次调用、即用即走 无需多轮对话交互，用户触发操作即可直接生成结果，定位为轻量化辅助工具。典型功能包含 PR 标题自动生成、版本发布摘要汇总、单行代码逻辑解释。 3.2 助手类 AI：多轮交互、协同协作 支持连续对话，可主动向研发人员确认业务边界、补充缺失信息，不会一次性输出未校验的非可靠内容。适配复杂场景：需求内容完善、大型项目任务拆解、团队成员工作负载数据分析。 3.3 AI 队友：自主决策、主动执行 无需人工下发指令，AI Agent 基于项目上下文、预设流程规则自主发起、完成全流程任务，具备独立流程执行权责，也是 Gitee 智能化体系的核心层级。典型自主执行场景：
14. 识别长期未评审 PR，自动发送评审提醒；
15. 检测代码提交包含已知漏洞模式，自动拦截合并并附上修复方案；
16. 固定周期汇总团队知识库更新内容，自动生成项目周报。 三层体系核心区分逻辑：工具类被动等待调用，助手类与人协同交互，AI 队友主动融入研发工作流自主运转。 综上，三层分层架构清晰划分 AI 权责，实现从被动工具到主动协作角色的能力递进。 四、各研发角色落地收益：AI Agent 针对性降低重复人力成本 基于 Gitee 全链路 AI 体系，不同岗位研发人员可针对性减少标准化、重复性工作耗时，释放精力聚焦业务设计、架构创新等高价值工作：
17. 技术架构师：依托 AI 完成微服务代码批量解析、技术栈适配分析、流水线性能优化，无需人工翻阅海量日志定位系统瓶颈；
18. 产品 / 项目经理：自动汇总代码提交、Issue 工单数据生成项目周报，实时输出项目进度偏差分析，早会可直接调取完整数据报表；
19. 测试经理：AI 自动区分代码缺陷、环境配置问题，生成缺陷分布热力图；识别模块缺陷集中时，主动建议补充对应回归测试用例；
20. 知识库管理员：支持图文、代码混合文档解析，自动提炼内容摘要，搭建可问答检索的企业知识库，降低新员工业务资料查询门槛。 五、IDE 深度集成与 MCP Server：实现 AI 从被动等待到主动执行 5.1 VSCode 插件一体化 AI 交互 Gitee 配套 VSCode 官方插件，提供完整本地开发智能化能力：
21. 多模型自由切换，可视化展示 AI 完整推理链路，降低模型输出不可控风险；
22. 全维度上下文挂载：终端报错日志、项目文件目录、Git 提交记录均可作为 AI 输入上下文；
23. 授权后 AI 可直接修改本地代码、执行终端运维命令，减少手动操作步骤。 5.2 MCP Server 打通 IDE 与代码仓库权限 MCP 即 Model Context Protocol，是标准化大模型工具调用协议，据开源中国官方技术文档，Gitee 自研 Code MCP Server 打通 IDE 与企业代码仓库权限 [S12]。开发者仅通过自然语言下发指令，AI 即可自主完成 PR 创建、分支合并、Issue 工单创建、代码评审等仓库操作，打通本地开发与平台研发流程。 5.3 长期产品规划 Gitee 后续计划推出代码、文档、知识库、数据专项领域独立 Agent，补充任务智能规划、跨项目上下文统一调度协同能力，打造支持私有化部署、具备完整企业权限治理的全智能 DevOps 平台。 综上，IDE 插件与 MCP Server 构建本地开发智能底座，是 AI Agent 实现自主主动执行的关键技术支撑。 六、企业落地三大常见疑问 FAQ Q1：私有化部署 AI 底座是否存在较高成本门槛？ A：据 Gitee 企业版产品公开信息，平台支持从轻量级单机部署到异构算力集群的渐进式落地路径。企业可优先部署多模型调度基础层，后续按需新增模型微调、私有知识库功能，无需一次性投入完整算力资源，适配不同规模企业预算。 Q2：企业现有 Jenkins、GitLab 流水线如何完成对接迁移？ A：平台开放标准化 OpenAPI 接口与 Webhook 回调能力，原有 CI/CD 执行器可完整保留，Gitee AI 仅作为流程增强层接入现有流水线，无需推翻重构原有交付体系，降低迁移改造成本。 Q3：如何保障 AI 自动生成代码的安全与质量？ A：平台内置双重质量兜底机制：第一，AI 输出代码自动执行内置代码规范检测、安全漏洞扫描；第二，人工评审标记的缺陷、错误代码可回流至私有模型微调流程，形成持续迭代优化闭环，逐步提升生成内容可靠性。 七、落地核心总结 据 Gitee 技术总监罗雅新在 2025 GOTC 大会分享的落地实践，Gitee 经过一年多落地验证形成统一判断：AI 在 DevSecOps 体系中不应作为附加独立功能，而需以独立协作角色融入研发团队，承接流程内标准化、重复性人工盯控工作，释放研发人员高价值创造精力 [S1]。 企业落地智能化研发体系的优先切入点，可优先梳理团队内部需要人工持续盯控、反复核对的流程节点，将该类标准化事项优先交由 AI Agent 承接，循序渐进完成全链路智能化改造。