2025软件研发应用大模型国内现状调查报告

软件研发应用大模型国内现状调研报告>>2301调查获得的一些结论02国内使用大模型（LLM）的概况03在软件研发生命周期应用LLM04LLM未来展望附录LLM能发挥良好作用的应用场景清单特别鸣谢4大模型（LLM）不仅可以提供强大的内容生成能力，还能够处理复杂的任务，为软件研发带来了巨大的潜力和机遇，将软件工程带入3.0时然而,国内对于LLM在软件研发中的实际应用情况和潜在价值尚未有系统性的了解和总结。开发团队普遍缺乏将LLM技术与现有软件工程实践深度融合的经验和方法论指导。如何评估LLM的适用性,并制定有效的集成策略,成为亟待解决的关键问题。为了推动我国软件研发领域的发展，作为软件研发行业的重要参与者——AI+研发数字峰会（AiDD）组委会，联合软件工程3.0时代、测试窝、异步社区、思否、稀土掘金等多个社区、组织发起「2025年软件研发应用大模型」国内现状调查。通过这次调查，旨在全面了解我国软件研发领域应用大模型的情况，探索大模型在软件研发中的优势和机会，为进一步推动大模型技术的应用与发展提供有力的支持和指导。2025年10月开启，历时一个月时间完成数据收集。下面就基于调查获得的数据进行梳理和解析，汇编成本调查报告，希望不仅给每一位读者带来启发和思考，还能给每一个软件企业或团队带来重大的参考价值，能够指导他们完成下一年度AI本调查报告于AiDD峰会深圳站（2025年11月1401调查获得的一些结论·01调查获得的一些结论02LLM应用从「通用」02LLM应用从「通用」向「垂直」领域加速迁移，行业大模型成为主流。金融、制造、能源、软件研发和政务等五大领域已形成成熟的行业模型或私域定制03模型生态由“模型能力竞争”转向“应用生态竞争”。企业更倾向通过平台集成、插件生态（如Dify、Coze、FlowAgent）构建完整应01大模型应用已进入“深耕细作”阶段,重心从试点转向系统化落地。相较2024年以探索和验证为主，2025年形成端到端的智能工作流（如智能代码助601调查获得的一些结论05企业开始重视“05企业开始重视“模型能力×业务知识”的结合，内部知识库+私域微调形成主流范式。2025年，约62%的企业开始使用RAG或LoRA微调方式将内部年的（约30%）。 07从“人辅助AI”向“AI辅助人”的角色转变加速。AI不再只是生成文本或代码，而逐渐承担部分流程自治任务，如生成需求文档、测试脚本、运维报告，并自动评审需求、架构文06生成式AI基础设施趋于标准化与平台化。公有云模型服务（阿里、百度等）与私有化部署（基于DeepSeek、 04软件与IT服务业成为大模型应用最活跃的行业之一（渗透率超78%）.软件生命周期管理、代码智能化、知识文档管理成为重点突破方向。701调查获得的一些结论“。、。。801调查获得的一些结论12 14ROI评估能力提升，“可量化价值”成为关键验证标准。12 14ROI评估能力提升，“可量化价值”成为关键验证标准。超过70%的企业以时间节约、成本下降、质量提升等指标来量化LLM带来的业务收提示工程、上下文工程与Agent编排成为新型岗位或技能方向。13企业治理关注点从“模型安全”扩展为“全栈智能治理”。涉及数据隐私、Prompt合理性、模型溯源、评估指标与可控输出等；国产企业在901调查获得的一些结论模型与人类协作方式将从模型与人类协作方式将从“提示与回复”过渡至“持续对话与共创”。LLM将成为产品经理、开发者、测试者的“长期交互成员”，带来组织工作机制重15向智能体（Agentic）系统演进成为确定方向。企业普遍计划在2026年前引入任务导向01调查获得的一些结论0202国内使用大模型的概况02国内使用大模型的概况积极应用大模型的团队，积极应用大模型的团队，占比超过了一半，达到62.8%，比去年增和去年相比比较稳定，相差1.0%近3年的发展，依旧还有不了解的团队，说明这些团队太封闭、远离我们先看一下国内软件研发团队对大模型（LLM）的态度，绝大多数（89.2%）是拥抱LLM，关开始关注并试用的团队明显减少了（11%绝大多数转化为积极应可以看出可以看出，软件研发团队最期望大型语言模型（LLM）能够帮助团队实现“降本增效”、提升整体效能、在2025年得到进一步巩固，增加近是积极的。此外，接近一半的团队期望提高公司产品的智能水平或用户通过LLM缩短开发周期并加速产品上市的预期依旧不够高，但比去年有所改善，提升了5%。说明大部分企业还只是在一些关键环节（开发、测试上）应用LLM，没有打通产品研发的整个周期。从我们观点看，提倡可以看出可以看出，研发团队在应用LLM的场景方面都有所改善，特别在代码生来越多的代码是由AI生成的，最近看到国内某大厂分享的这方面数据，70%的代码是由AI生成的，从侧面验证LLM生成代码的效果越来越好，这受益于多方面的因素，如大模型的能力增强、知识库建设和智能体应用。从调查结果看，代码检查、代码解释、测试脚本和用例生成等方面也有一定的提升。别的方面提升了，将LLM用于答疑解惑、文档润色等场景的占比则自然会下降了，大家都懂得一个道理：好钢要用在刀刃上。02国内使用大模型的概况,实际使用情况如何呢？了近12%。加到了超过6个月以上的两项选择上，团队应用大模型的超02国内使用大模型的概况,同时将RAG技术作为独立于模型的通用技术进行应用。目前，绝大多数已私有化部署LLM的企业都会构建知识库，通过RAG方式增用方式，加上基于开源大模型训练自己的领域大模型，两者加起来，,在误差范围内。从我们认知来看，也是这样，除了一直致力于基础大模型训练的大厂（如阿里、百度、字节、腾讯、华为、讯飞等）之外，其他企业不会参与基础大模型的竞争，而是直接使用比较好将领域大模型embedding特定的知识库（R将领域大模型embedding特定的知识库（R从训练基础大模型开始，构建LLM全栈技%02国内使用大模型的概况使用了哪些国外的LLM？可以看出使用了哪些国外的LLM？可以看出，依旧有超过一半的企业或团队使用但增长最快的是Claude系列大模型，不止翻了一倍，最强，只是应用它存在其他障碍。其次，就是由于DeepSeek、Qwen开源，LLama系列大模型的Grok、PaLM等模型也引起关注，有2-3%的占有率。02国内使用大模型的概况使用了哪些国外的LLM？但份额还是有明显的增长，这也得益于它的较好或采取开源策略的大模型之上，多数团02国内使用大模型的概况）：“AI幻觉”导致引入难以察觉的深层BugAIAgent行为的不可预测性与可控性差5502国内使用大模型的概况和提升空间。对于大模型，算法更多体现在参数上，算法的设计影响了模型的参数数量、参数初始化方法、损失函数的选择、正则化方法等。这些因素直接影响了模型的训练效果、泛化能力和推理速度。而算法的设计最终依赖这方面的人才。所以，这次调查重点依旧放在“人”之上从调查结果看，没有本质变化，但有了一些明显改进，而且具有AI或LLM人才的团队/企业，超过了80%，说明绝大多数团队有了良好的AI人才基础，随着企业重视AI的应用，未来AI人才会得到进一步重视，相信90%的团队/企业都会拥有AI人才的。并投入投入更多的人力和资源，虽然非常重视的团队和企业/团队基本稳定，非常不重视的团队/企业没有了，值得庆祝。说明大势所趋，AI逐渐成为企业的标配，今年超过了95%。未来很有可能达到100%，或多或少都会有投40.5%）企业通过研发效能指标（如Cycle超半数（50.7%）团队认为个人学习新技术效率大幅提升，近四成(40.5%）团队的初级开发能更快承担复杂任务，同时39.2%的团队增加了Prompt设计与AI交互的时间，31.1%的团队将评审重心从语法风格转向业务逻辑，18.2%减少了对资深专家的频繁打扰，仅9.5%团队几乎无变整体而言，LLM不仅推动个人效能与人才成长，还重塑了协作重点与资源分配，在提升效率的同时，也催生了Prompt设计等新的协作环节，为），0303在软件研发生命周期使用LLM03在软件研发生命周期使用LLM了解了国内软件研发团队整体使用LLM的情况，下面接着分析在软件研发和运维的各个环节（规划、需求、设计、编程、测试、运维等）是如何使用LLM的以及LLM发挥的作用、产生的效益。我们自然关注人们的使用方式，以及是否产生效益，如果产生良好的效益，那么就值得我们积极投入进去（假如之前还是旁观者）、投入更多的资源（假如之前已经是LLM的应用者）。11“新产品探索：识别潜在市场机会”（43.9%vs38.9%）、“辅助最小可行产捉市场机会、推动产品迭代等方面的价值认可度显著03在软件研发生命周期使用LLM从2025年调查数据可见，从2025年调查数据可见，LLM在软件需求领域的应用深度与普及年的47.6%、2023年的22.7%大幅增长；“检查/评审需求文档”、“基于文档提取要点”的应用比例也分别升至47.3%、46.6%，同时，“没有使用”的比例从2024年的18.3%降至8.1%，下降对比2023-2025年数据，LLM在软件需求管理的应用呈逐年深化趋需求建模（如生成UML行为图或领域建模）03在软件研发生命周期使用LLM0%03在软件研发生命周期使用LLM22从2023到2025年，LLM在设计领域的应用深度与广度呈爆发式增长。2025年，“向LLM咨询，让大模型提供建议”以61.5%的占比成为核心场景，远超2024年的48.4%和2023年的46.4%；“作为知识库查询设计知识”达同时，“功能定义分解”“辅助架构设计”“辅助UI/用户体验设计”的应用比例也显著增长，分别达36.5%、45.9%、35.1%，远超2024年同期水平；“没有使用”的比例从2023年29.9%、2024年17.5%骤降至2025年整体来看，LLM在设计领域已从单纯的知识查询，向深度方案建议、03在软件研发生命周期使用LLM41.9%41.9%的企业认为提效在20%以下，“不确定”比例从2024年的41.3%骤降27.1%至14.2%；20-39.99%提效占比27.7%，与2024,但高提效区间（60%以上）比例有所提升。03在软件研发生命周期使用LLM3从2023到3从2023到2025年，LLM在编程领域的应用呈现深度渗透与场景拓展的双重2025年，“代码补全”以70.9%的占比成为最核心应用场景，远超2024年的62.7%和2023年的57.7%；“代码优化”占比60.8同时，代码评审、生成注释行、单测等场景应用比例均有提升，“还没开始”整体来看，LLM在编程领域已从基础的代码补全03在软件研发生命周期使用LLMCodeGeeX（智谱） 442025年企业使用的LLM编程助手工具呈现多元化格局。Cursor以18.9%的占比位居榜首，通义灵码（16.9%）、企业自研工具（14.9%）紧随其后，03在软件研发生命周期使用LLM从2023到从2023到2025年，LLM生成代码的采纳率呈现“结构优化、中段崛起”的21-30%区间以25%成为核心板块，较2024年的17.5%、2023年的21.6%显著提升，成为增长主力。以30%为分界，2025年采纳率≥30%的团队占比达47.2%（12.8%+12.8%+21.6%较2024年的42.8%、2023年的36.1%持间占比下降，整体结构趋优。这既得益于大模型技术迭代，也源于企业对 03在软件研发生命周期使用LLM从2025年调查数据看，20-39%提效区间以33.1%成为绝对主流，较2024年的20.6%、2023年的23.7%实现跨越式增长；“10-20%提效占比31.8%”,与2024年基本持平，两者合计超64%，意味着多数团队已实现中幅效率提升。“提升不明显”的比例从2023年20.6%、2024年15.1%降至2025年,显示部分团队已通过技术深耕实现显著突破。这一变化既源于大模型技术从收益维度看，即便以20%的平均提效计算，对大型企业仍意义重大。若1万研发人员每人年人力成本50万，仅直接成本节约就可达10亿；叠加交付03在软件研发生命周期使用LLM从2025年调查数据可见从2025年调查数据可见，智能体（Agent）开发框架应用呈现“头部重构、生态多元”的特征。Dify以36.5%的占比成为第一大框架，LangChain占比20.9%（较2024年的38.4%明显下降）；Coze占比17.6%、自研框架占比14.9%，增长势头显著。“没有用”的比例从2024年的31.2%降至19.6%，应用渗透率持续提升。AutoGen、OpenAIAgentsSDK均占6.8%，n8n、起、自研框架的增长，反映企业对定制化能力与新功能场景的需求升级，智能体开发框架生态正朝着更丰富、更适配业务 AutoGenLangChain LlamaIndexWorkflowsDialoGPTHaystackStreamlit4.7%5.6%8.8%03在软件研发生命周期使用LLM55同时，评审/改进测试用例（23.0%）、测试日志分析（16.9%）等场景应用整体来看，LLM在测试领域已从单一的用例生成，向脚本、数据生成及评03在软件研发生命周期使用LLM2025年基于LLM的测试工具应用仍处于逐步渗透阶段2025年基于LLM的测试工具应用仍处于逐步渗透阶段，“还没有”使用的占比52.0%，虽较2024年的53.2%略有下降，但超半数企业尚未布局。自研工具占比14.9%，较2024年的20.6%回落，商用工具认可度提升，AntTestAgent占比6.8%（2024年4.0%）增长显著。TestPilot、TestART、LambdaTest等工具也保持一定份额。整体来看，LLM测试工具在测试自动化、智能化领域的应用未大规模普及，但商用工具竞争力逐步显现，自研与商用工具的市场格局持续调整，未来有望在测试效率提升方面释放更多价值。2025年前4名AI测试工具排名（按占比从高到低）1.AntTestAgent（6.8%）2.TestPilot（4.1%）3.TestART（4.1%）4.LambdaTest（4.1%）03在软件研发生命周期使用LLM那么那么LLM在测试上应用效果如何？从2023到2025年，LLM在测试效率提升上呈现“结构调整、中幅提效成主流”的态势。2025年，“提升不明显”占比29.7%，较2024年24.6%、2023年25.8%略有上升；“10%-20%提效占23.6%”，与2024年基本持平，显著高于2023年18.6%；“20.39%提效达23.0%”，远超2024年14.3%，虽低于2023年19.6%，但中幅提效（10%-39%）合计46.6%，结构趋于优化；40-59%提效8.1%，高于2024年7.1%。这反映出LLM在测试效率提升的应用仍处深化期：部分企业因场景适配不足暂感提效有限，但更多企业通过中幅提效验证了价值。随着LLM测试工具迭代与场景深耕，未来效率提升的梯度分布有望进一步向高提效区间倾斜，释放更大潜力。20-39% 40-59%03在软件研发生命周期使用LLMEQ\*jc3\*hps15\o\al(\s\up3(EQ\*jc3\*hps15\o\al(\s\up3(2),0)TypeScriptC/C++JavaJavaScriptEQ\*jc3\*hps15\o\al(\s\up3(3),8%)软件研发团队主要用哪些编程语言，其结果基本在意料之中，Java、Python、C/C++、JavaScript遥遥领先，Go语言后与去年对比，Python语言占比增长最多（增长4.2%编程语言和大模型的训练也有关系，如salesforce公司就专门训练适合Python语言的代码大模型CodeGen-m03在软件研发生命周期使用LLM6从20236从2023到2025年，LLM在运维领域的应用实现“从零星渗透到全链路覆盖2025年，“运维日志分析（45.3%）、异常诊断（43.9%）、问题定位(41.2%）”成为三大核心场景，较2024年（45.2%、39.5%、35.5%）和2023年（17.5%、13.4%、11.3%）均实现大幅增长，标志着LLM在运维故障分析、诊断、定位全链路形成深度支撑。“这方面是空白”的比例从2023年42.3%降至2025年37.2%，应用渗透率持续提升。尽管数据统计图表生成场景占比有所波动，但整体来看，LLM已从2023年的小众工具，进化为2025年运维智能化的核心驱动力，在故障全链路管理中释放显著价值，未来在数据可视化等场景仍有拓展潜力。45.3%03在软件研发生命周期使用LLM从从2024到2025年，企业对LLM提升运维效率的认知呈现“模糊度下降、中低幅提效成主流”的特征。2025年“不确定”占比50.7%，较2024年57.9%下降7.2个百分点，企业对提效的感知逐步明确；20%以下提效占24.3%，较2024年15.1%显著上升，成为核心区间；20-39.99%提效14.9%，与2024年15.9%基本持平，40%以上高提效区间占比仍低。整体来看，LLM在运维效率提升的应用仍处于探索深化阶段：“不确定”比例的下降反映企业对其价值的探索在深入，中低幅提效成为当前主流表现，虽高提效案例较少，但认知明确性的提升为后续场景深耕、工具优化奠定了基础，未来有望在运维自动化、故障处理等环节释放更大提效潜力。03在软件研发生命周期使用LLM77Datadog Helicone 03在软件研发生命周期使用LLMCNTKOneFlowJittor03在软件研发生命周期使用LLM2025年模型微调技术应用呈现2025年模型微调技术应用呈现“认知明确化、技术多元化”企业对微调技术的认知度显著提升。具体技术中，自监督学习（SFT）20.3%、增量学习20.9%、领域适应19.6%成为三大核心方向，较2024年同期均有明显增长；LoRA、知识有所回落，但知识蒸馏等技术增长显著。同时，数据增强、迁移学习、多任务学习等技术应用比例也持续提升。整体来看，2025年模型微调技术从认知模糊走向应用聚焦，企业更倾向于选择适配业务场景的技术路径，技术生态愈发多元且成熟。前5大模型微调技术排名（按2025年占比从高到低）1.自监督学习（SFT20.3%）2.增量学习（20.9%）3.领域适应（19.6%）4.LoRA（15.5%）5.知识蒸馏（15.5%）03在软件研发生命周期使用LLM20252025年，RAG（检索增强生成）仍以51.4%的占比位居技术应用首位，虽较2024年52.8%略有回落，但仍是最主流的技术方向；提示工程占比39.9%，较2024年36.8%明显上升，企业对提示优化的重视基于上下文的检索占比30.4%，较2024年27.2%增长，检索的场景适配性深化。同时，“不清楚”占比20.3%，较2024年24.技术的认知更趋明确。整体来看，RAG技术生态持续发展，提示工程与上下文检索的应用增长，反映企业在“生成+检索+提示优化”的技术组合实践中不断深化，对技术的认知从模糊走向清晰，应用成熟度稳步提升。Retrieval-AugmentedGRetrieval-AugmentedG03在软件研发生命周期使用LLM20252025年提示词工具应用呈现“自研崛起、商用多元”态势。“没有”使用的占比36.5%，与2024年持平，仍有超三分之一企业尚未布局；自研工具占比15.5%，较2024年12.7%增长，企业定制化需求显著提升。商用工具中，LangChain占20.3%（虽低于2024年27.0%，但仍居前列），PromptEngine占14.2%（高于2024年7.9%），PromptFlow占8.8%（高于2024年整体来看，提示词工具从2024年的“LangChain一家独大”，逐步转向自研与多元商用工具并行的格局，企业在提示词优化领域的自主化探索和场景适配性实践持续深化，工具生态丰富度与企业参与度稳步提升。前5大提示词工具排名（按2025年占比从高到低）1.LangChain（20.3%）2.PromptEngine（14.2%）3.PromptFlow（8.8%）4.GPTIndex3（6.8%）5.OpenPrompt（6.8%）GPTIndex3 OpenPrompt ThoughtSource04未来展望预期理性调整”的特征。2025年，“人人都有一个AI助手”以业在技术落地实践中对复杂度的认知深化；“替换部分人员”等预期相对平04未来展望当我们回顾人类历史上最伟大的发明和创新时，往往会发现一个不变的现如今当我们回顾人类历史上最伟大的发明和创新时，往往会发现一个不变的现如今，我们正站在了又一个科技革命的风口上——人工智能（AI）。程和研发效能方面的推动作用，无疑是一个备受瞩目的话题——它不仅本次“软件研发应用大模型”调查报告的发布，将对行业发展起到里程碑式的意义。业务与需求LLM价值：从需求捕获到业务洞察，实现需求智能化处理与验证0102需求自动解析与结构化：自动解析用户需求文档、会议记录，提取关键信息并生成结构化需0102需求自动解析与结构化：自动解析用户需求文档、会议记录，提取关键信息并生成结构化需需求解构与标准化：生成统一结构的用户故需求文档完善和改进：对需求文档进行智能需求调研提纲生成：根据业务目标自动生成产品设计辅助：从需求到产品功能的智能映射快速原型设计：生成高保真原型图、可交互的功能分解与任务拆解：将大颗粒需求智能拆MVP（最小可行产品）原型验证：快速生设计LLM价值：从架构规划到交互设计，提供智能化设计建议与方案生成01架构重构建议：辅助老旧系统架构重构（如代01架构重构建议：辅助老旧系统架构重构（如代影响面识别：智能分析系统变更对其他模块的快速分析上下游关联应用：梳理系统间的依03解决方案生