在我们设计架构治理平台 ArchGuard 2.0 的架构时，一直在强调的点是：基于规范 + 模式的工具化。简单来说，规范是架构设计的共时，也是架构知识的显性化。所以，在让 AI 设计架构时，规范是我们要考虑的第一要素，第二要素是：基于现有实现地设计。
在过去的几个月里，为了探索了 LLM 结合 SDLC、BizDevOps 的可能性，我们（Thoughtworks 开源社区）创建了 ClickPrompt、 AutoDev、DevTi 等一系列的开源项目。从个人的经验来看，未来越来越多的应用将围绕于 LLM@Core 设计，所以我们挖了一个新的坑、新的试验：ArchGuard Co-mate：https://github.com/archguard/comate，欢迎来入坑一起探索和研究。
过去几个月里，我们对于大语言模型的一系列探索，如 ChatGPT 端到端实践与应用开发、LLaMA 与 ChatGLM 的微调试验、GitHub Copilot 逆向工程分析、动态上下文工程（即 LangChain）的研究，驱使着我去写一个总结，也是一个面向程序员的 LLM 指南。
上周末，我们在 QCon 广州 2023 上分享了一个 AI 结合研发效能的话题：《探索软件开发新工序：LLM 赋能研发效能提升》 。我们分享了：Thoughtworks 在过去的两个月里对于 LLM （大语言模型）结合软件开发的一些探索。
在研究了 GitHub Copilot 与 JetBrains AI Assistant 的实现原理，并以某种方式参考了他们的代码之后，我尝试在 AutoDev 实现相关的 prompt 策略。
在过去的几个月里，我们一直在探索：如何将大语言模型用于研发效能提升？而随着，我们研究的逐步推进，慢慢进入一些深水区，诸如于：如何将 AI 更好地用于辅助架构设计？基于我们多年的架构设计及治理经验，开放服务能力是评价架构的重要维度之一，而 API 正是提升架构开放性和改善对外服务能力的关键手段。
上个月在计划为 AutoDev 添加多语言支持时候，发现 GitHub Copilot 的插件功能是语言无关的（通过 plugin.xml 分析），便想研究一下它是如何使用 TreeSitter 的。可惜的是，直到最近才有空，研究一下它是如何实现的。
围绕于探索 AI 对软件研发的影响，并在有了 LLM 微调工程化能力之后，我们上周末又开源了一个适用于 AI 研发提效的工具：AutoDev。如此一来，我们便构建了接近完整的 AI 在研发效能提升。
在过去的几周里，我们尝试自己结合开源的大模型 LLaMA、ChatGLM 进行模型微调，除了业务部分的探索，还有很大一部分在技术方面的探索，诸如于代码辅助生成。
本文的阅读成本很低，不需要大量地先验 AI 知识。作为纯纯的软件工程师，我们发现：学懂基本的 AI Prompt 原理与模式，不懂 LLM （大语言模型）算法，你也可以轻易驾驭 LoRA （Low-Rank Adaptation of LLM，即插件式的微调）训练。