汽车软件研发周期从36个月压缩至18个月，单车软件规模从千万行代码增长至上亿行，软件包体积从几KB增长至数十GB甚至上百GB。
ASPICE、ISO 26262、ISO 21434等合规要求对研发过程的可追溯性提出更高要求。在研发周期缩短与质量要求提升的双重压力下，传统的CI/CD模式面临瓶颈。
回顾当前的汽车软件CI/CD流程，您是否也经常遇到以下“研发痛点”？
代码评审依赖人工：评审质量依赖专家经验，标准不统一，效率低，在大规模团队中容易遗漏关键问题。
构建失败排查耗时：流水线构建日志可达数千甚至数万行，定位根因需要经验丰富的工程师，新人上手门槛高。
资源调度效率低：构建服务器配置各异（CPU核数、内存、License数量），传统"先到先得"调度方式导致任务执行时间不稳定，资源利用率不足。
故障恢复被动： 静态阈值告警往往在问题发生后触发，工程师处于“救火”状态，无法做到提前识别资源瓶颈。
效能数据不可视：研发效能数据展示形式单一，无法支撑项目管理和决策。
针对上述问题，经纬恒润结合多年的汽车嵌入式软件研发CI/CD平台（PET平台）建设经验，将AI能力集成至CI/CD全流程，建设AI赋能的软件工厂。
AI赋能软件工厂的变化主要体现在如下五个维度：
代码评审：人工审查 ➡️ AI自动评审
通过多模型协同、项目知识注入，实现变更代码的自动审查，标准统一。
问题定位：人工排查日志 ➡️ AI智能分析
系统实时采集构建日志，通过AI模型进行根因定位、关联源码，自动生成诊断报告与修复建议。排障时间缩短50%以上。
资源调度：随机分配 ➡️ AI智能调度
系统感知服务器负载，根据流水线任务生成任务画像，匹配合理资源节点。支持"成本优先"和"速度优先"策略，资源利用率提升至80%以上。
故障恢复：被动告警 ➡️ Loop Engineering自动闭环
基于"状态观测→问题诊断→问题修复→结果验证"的自动循环，在故障发生前识别风险或自动修复已发生的故障。
效能洞察：简单数据展示 ➡️ AI效能智能洞察
从简单数据展示升级为AI效能智能洞察。多维数据分析、趋势预测、自动生成改进建议。
02丨AI代码审查与Loop Engineering流水线
在AI代码审查和Loop Engineering 流水线方面，软件工厂分别落地了以下核心机制：
在发起代码合并请求（MR）触发后，AI代码审查流水线自动执行以下流程：
② 上下文检索：关联项目中的相关代码、需求文档和历史评审记录。
③ 多模型协同评审：从安全性、逻辑正确性、编码规范、性能等维度并行分析。
④ 评审结果生成：输出问题列表及修复建议，自动通知至工程师（企业微信/邮件）。
评审通过后，代码进入CI/CD流水线执行静态分析（QAC/SonarQube）、编译构建、单元测试，经质量门禁校验后进入人工复核环节。
Loop Engineering是AI赋能软件工厂的核心机制。当流水线执行过程中出现异常（如构建失败、测试不通过、质量门禁未达标等），系统自动启动闭环流程：
① 状态观测：采集流水线状态、构建结果、日志数据。
② 问题诊断：AI模型分析日志，定位根因，关联源码和配置。
③ 问题修复：AI Agent执行修复操作（代码修改、配置调整、权限分配等）。
⑤ 循环收敛：若结果未达标，继续循环；若达标，退出循环进入人工复核。
该机制通过PET-MCP实现AI模型与平台能力的双向调用，支持状态查询、配置修改、流水线触发和结果获取。目前已集成AI Review Agent、Sonar Skill、QAC Agent、Tessy Agent等智能体，可根据场景按需接入。实践数据表明，基于Loop Engineering的自动闭环可将人工排障及处理时间缩短40%~50%。
在汽车软件研发中，软件工厂需要满足以下行业特定要求：
多仓库管理：一个整车软件项目通常包含数十至数百个仓库，横跨MCU/SOC/APP等多个技术栈。软件工厂提供Gitlab、Gerrit、Repo等工具支持，实现多仓联动触发、依赖解析和增量构建。
行业工具链集成：已集成30+款行业工具链插件，覆盖代码编译（Tasking、Hightec、Greenhills）、代码测试（QA、Tessy）、模型测试（Simulink）、安全测试（SCA）、HIL自动化测试（VBA、TAE）等。
合规追溯：打通ALM系统（codebeamer），实现需求-代码-测试全链路追溯，满足ASPICE和ISO 26262审计要求。
多仓联动流水线：任一开发库的合并请求触发后，系统自动解析仓间依赖，联动触发所有使用该仓库的集成项目流水线。任一集成项目校验失败，代码禁止合入。
面向实际的研发投产，软件工厂的建设分以下三个阶段逐步推进：
① 自动化与标准化：统一CI/CD平台，集成行业工具链，建立图形化流水线编排能力，制定分支策略、质量门禁等统一规范。
② AI能力集成：通过PET-MCP协议开放平台能力，集成AI代码审查、智能日志分析、智能资源调度等AI能力，构建Loop Engineering闭环。
③ 生态扩展与复杂场景闭环：持续扩展MCP接口覆盖范围，接入更多智能体（QAC Agent、Tessy Agent等），支持长周期目标驱动的复杂场景（如覆盖率门禁自动补充测试），建立成本控制和关键操作人工确认机制。
AI赋能汽车软件工厂的核心是将AI能力嵌入CI/CD全流程，通过AI代码审查提升评审效率和质量，通过Loop Engineering实现故障自动闭环，通过智能调度和分析优化资源利用。这一转变使研发团队得以从重复性的人工排障、繁琐的手动评审中解放出来，将精力集中在问题修复和技术方案设计上。
从传统研发模式向AI赋能的汽车软件工厂转型，不仅需要先进的理念，更需要懂行业、懂痛点、懂落地的专业平台与服务团队护航。
芯耀
与非AI
219
