阳光保险优化AI编程效率的综合实践

（基于阳光保险集团李胜军的实践分享）

应对行业AI应用瓶颈

当前AI编程技术正从代码辅助演进为智能编程助手，能支持生成完整应用，但面临大型项目和复杂业务逻辑的局限性。保险行业需高精度业务理解，而通用模型在垂直领域知识上存在显著缺口，导致存量系统增量开发场景代码采纳率很低和 AI生成代码审核成本较高（基于阳光保险内部评估）。理想目标是通过AI提升研发效率、知识沉淀与标准化流程，实际痛点集中于模型不确定性与上下文准确性不足上。

构建差异化测评与知识体系

为匹配保险业务高复杂度需求，阳光保险设计标准化工具-模型组合评估流程，采用真实测评案例库与权重加总评分体系。核心步骤包括：

• 业务知识库开发：集成保险规则、元数据与规范，增强模型理解能力；
• 思维链构建与工具辅助：通过智能体辅助AI梳理逻辑思维链，精准获取上下文信息；
• 测评体系应用：覆盖前端开发（如D2C场景）、后端开发（如跨文件函数生成）、全流程开发（如需求变更拆解）三大类13项场景（阳光保险内部测评框架）。

量化开发范式优化成果

实践聚焦降低模型不确定性和提升代码采纳率：

• 业务逻辑精准度提升：构建细分场景思维链，引导AI正确决策；
• 代码治理强化：完善规范以提升上下文准确性；
• 人机协同新模式推行：在核心开发场景（如Bug修复与架构重构），AI效率显著优化开发流程（阳光保险案例验证）。

"通过知识库和测评体系，我们的开发范式从被动辅助转向主动协作，业务逻辑理解错误率大幅下降。" —— 李胜军，阳光保险集团技术负责人

驱动人机协作新范式

阳光保险确立AI编程未来方向：AI作为智能代理（Agent模式）或副驾角色执行重复任务，开发者主导战略级决策。该模式专用于关键场景如核心业务开发与重构，强化系统稳定性和运维成本控制（基于实践反馈）。核心价值体现在跨技术栈能力增强与开发效率升级上。

来源说明：所有数据、观点均严格源自阳光保险集团李胜军的公开分享材料（发布日期待补充），未添加外部信息。