Sinan Institute of AI-Driven Software Engineering

司南智能软件工程研究院

智能时代,研发的司南

格物穷理,开物成务

探索方向

软件工程正在进入新的时代

如果说,软件工程1.0 以流程规范、结构化方法和项目管理为核心,解决的是"如何把软件开发变得可控"; 软件工程2.0 以敏捷、DevOps、云原生和工程效能为代表,解决的是"如何让软件交付变得更快、更持续"; 那么,正在到来的 软件工程3.0,则是以人工智能、大模型、智能体、知识工程和自动化工具链为基础,推动软件研发走向智能软件工程。

Software Engineering

1.0

流程驱动

流程规范、结构化方法与项目管理,让软件开发变得可控、可管理

Software Engineering

2.0

效能驱动

敏捷、DevOps、云原生,让软件交付变得更快、更持续

Software Engineering

3.0

智能驱动

AI、大模型、智能体、知识工程,推动软件研发走向智能化新范式

在软件工程3.0时代,软件研发不再只是人使用工具完成任务,而是逐步演变为:人、模型、智能体、知识库、工具链和自动化流水线共同协作的新型工程体系。

10
核心研究方向
5
服务方向
12+
研究员领域覆盖
6
类服务对象

弥合AI技术与软件工程实践之间的鸿沟

推动软件工程从流程驱动、工具驱动走向模型驱动、知识驱动、智能体协同和持续进化的软件工程3.0范式。通过系统研究、企业实践、方法沉淀、工具验证和社区共创,帮助企业将AI从零散工具使用,转化为组织级研发能力。

成为软件工程3.0时代智能软件工程方法的探索者

成为企业AI研发转型的可信指南者,以及AI研发效能领域具有影响力的知识源、方法库和实践社区。围绕智能软件工程形成一套可讨论、可验证、可复用的方法体系。

01
真实场景,数据驱动
真正有价值的方法论必须来自真实业务、真实研发过程和真实数据,而不是概念包装。
02
深入机理,系统思考
AI对软件工程的影响不是单点工具问题,而是涉及全链路的系统性变革。
03
躬身实践,成果可用
不只做观察和评论,更重视进入真实场景,形成可落地、可验证、可复用的实践成果。
04
开放中立,生态共建
保持独立、开放和中立,尊重不同技术路线,致力于建设高质量行业协作网络。

十大核心研究方向

围绕软件工程3.0与智能软件工程,覆盖从需求、设计、开发、测试到交付、运维的全链路

📋
AI + 需求工程
关注AI在需求获取、澄清、建模、歧义识别、业务规则抽取和规格化表达中的应用
Spec-Driven 意图驱动 需求结构化
🎨
AI + 产品与设计
关注AI如何辅助产品经理、业务分析师和设计团队完成产品定义、用户洞察和方案设计
产品规划 用户故事 原型设计
💻
AI + 开发与编码
关注AI辅助编程、人机协同开发、Agentic Coding和AI原生开发环境
代码生成 上下文工程 多智能体开发
🧪
AI + 测试与质量工程
关注AI在软件测试、质量保障、缺陷分析和质量治理中的应用
智能测试 缺陷预测 质量门禁
AI + 工程效能与DevOps
关注AI对研发流程、持续交付、工程效率和组织级生产力的影响
AI驱动CI/CD 效能度量 成熟度评估
📚
研发类知识工程
将研发过程中的需求、设计、代码、测试、架构、故障等沉淀为可计算、可复用的知识资产
知识图谱 RAG 知识库
🤖
AI研发智能体
面向软件研发任务的智能体体系建设,让AI从"工具助手"走向"任务协作者"
Coding Agent Testing Agent 多智能体协作
🌍
FDE:全维度研发工程
从需求、产品、设计、开发、测试、交付、运维到反馈的全链路研发工程体系
端到端流程 生命周期管理 系统提效
📐
软件工程本体论
AI时代软件工程核心概念、对象、关系和过程的结构化表达,为AI理解与协同提供语义框架
本体建模 语义映射 知识体系
🛡
AI安全、合规与治理
关注AI进入研发体系后带来的安全、合规、质量和管理挑战
代码安全 供应链安全 可信AI

软件工程3.0时代的问题,不能只由单一角色回答。它需要产品、研发、测试、架构、工程效能、知识工程、AI平台和企业管理者共同参与。

五大方向构建知识实践飞轮

围绕 研究、咨询、工具、培训、社区 五个方向,构建持续运转的知识与实践飞轮

I
研究与洞察
持续输出《软件工程3.0发展报告》《AI+软件工程产业观察》《AI研发成熟度模型》等行业成果,帮助企业识别趋势、理解风险、建立判断标准和行动路径。
II
咨询与诊断
面向企业智能化研发转型,提供成熟度评估、转型路线图设计、AI工具选型与场景规划、智能测试体系建设等专业咨询与诊断服务。
III
方法与框架建设
建设智能软件工程方法论、AI研发转型路线图、AI研发场景地图、AI生成代码质量评价框架、组织级AI研发治理框架等。
IV
工具与原型孵化
孵化成熟度评估工具、代码质量门禁、需求到测试的智能生成工具、研发知识图谱原型、企业研发智能体参考框架等。
V
培训与能力建设
提供软件工程3.0认知培训、AI软件工程实践训练营、Spec-Driven Development工作坊、研发知识工程课程等系统化培训。
📊 《软件工程3.0发展报告》
📊 《AI研发成熟度模型》
📊 《智能软件工程实践框架》
📊 《AI代码生成工具能力评测》
📊 《AI研发智能体建设白皮书》
📊 《企业研发知识工程建设指南》

面向六类核心对象

从企业决策者到一线工程效能团队,覆盖软件研发全角色链

FOR 01

企业管理者与技术决策者

帮助企业判断软件工程3.0趋势,制定AI研发转型战略路径,评估投入产出和组织变革方向。

FOR 02

CTO、研发负责人和架构师

帮助研发组织构建AI辅助研发体系、智能工程平台和组织级研发效能提升方案。

FOR 03

产品、需求与业务团队

帮助产品和业务团队利用AI提升需求质量、业务建模能力和产品设计效率。

FOR 04

测试与质量团队

帮助测试团队重构智能测试体系,提升测试生成、缺陷分析和质量保障能力。

FOR 05

DevOps与工程效能团队

帮助工程效能团队引入AI能力,优化交付流程、度量体系和持续改进机制。

FOR 06

AI研发工具与平台厂商

共同探索AI研发工具的行业应用场景、能力评测体系和生态合作模式。

软件工程3.0时代已经开启,但远未成熟

企业已经开始尝试AI编码、AI测试、AI需求分析和AI研发智能体,但大多数实践仍停留在点状探索阶段。 真正困难的问题,是如何让AI进入组织级研发体系,成为可治理、可度量、可持续演进的工程能力。

01
组织与流程如何重构
AI进入研发体系后,产品、需求、开发、测试、运维、架构和管理角色之间的协作方式都会发生变化。
02
方法论如何建立
行业需要新的软件工程语言、新的过程模型、新的质量标准和新的成熟度评估体系。
03
工具与平台如何选择
企业需要理解AI IDE、研发智能体、知识图谱、RAG、自动化测试等工具的能力边界和组合方式。
04
实践如何真正落地
从试点到规模化,需要场景选择、数据准备、知识建设、流程融合、质量治理和组织能力建设。

当AI浪潮持续涌来,最重要的不是追逐每一个新工具,而是在复杂变化中找到确定方向。

司南智能软件工程研究院,与你共同探索智能软件工程的下一站。