行业参考 · 能源 · 研发 · 证据 E1
军工能源企业 104 万行存量系统用三个智能体做 1093 行代码变更
这是公开报道的其他企业案例，不是 Alan 交付的项目。内容由 AI 收集整理，以原文为准。
企业遇到的问题
大型存量系统代码量巨大、业务领域知识集中，AI 直接改代码容易出现自审偏差、上下文串味和幻觉，且模型与数据不能出内网。
概要
腾讯云开发者社区一篇技术文章，以某军工能源企业 104 万行代码系统为例，说明在领域化知识加持下用三个分工智能体（主控、开发、质检）协同完成代码生成、审查与融合，最终 1093 行变更用 20 分钟完成并通过独立质量验证。
原文写明的事实
- 原文以军工能源企业 104 万行代码系统为例
- 采用三个分工智能体：主控智能体、开发智能体、质检智能体
- 做法包含本地化部署与企业私域知识注入，实现代码生成、审查、融合全流程可控
- 原文称关键点在于避免自审偏差、隔离上下文防幻觉、复用业务规范确保合规
- 最终 1093 行变更仅用 20 分钟完成，且通过独立质量验证
- 原文未披露企业名称
怎么做的
- 输入：需求：在 104 万行代码系统上新增功能，横跨后端逻辑、前端组件、路由、菜单权限与数据库适配
- 处理：主控智能体拆解任务并调度，开发智能体生成代码，质检智能体做测试与代码审查，子任务上下文隔离
- 数据：企业私域领域知识、存量代码库、业务规范
- 动作：生成代码变更、审查、融合并做独立质量验证
- 输出：1093 行代码变更，20 分钟完成，通过独立质量验证
如果你也想做：复制评估
AI 初评，供参考。具体能不能做，要看你企业的数据、流程和人。
- 难度：高（需要配置 Skill / Connector）
- 需要的能力：需求拆解与任务调度、领域知识注入、代码审查与测试生成
- 需要接的数据/系统：代码仓库、构建与测试流水线
- 仍需人工的环节：人工定义领域规范与验收标准
- 风险：匿名案例数字被误用为行业基准；多智能体编排复杂，维护成本高；本地化部署成本高
- 原文没披露的：企业匿名，无法做第二来源交叉验证；未披露所用模型与平台；"独立质量验证"标准未定义；未说明该方案是否已进入生产环境
多智能体分工做代码生成与审查是当前可尝试的工程方法；但 20 分钟完成 1093 行且通过验证这一结果来自单一匿名自述，稳定复现需实测确认
来源
证据说明：匿名企业的单篇技术自述，无第二来源，关键数字无法交叉验证