11-19 更新 实时
首页/ 技术栈/ 正文

AI-DLC 在嵌入式开发中的实践:普维云以 AI 驱动软硬协同研发

技术栈 来源:AWS 中国博客 2026-11-18 14:14 0 阅读 自动采集
AI-DLC 在嵌入式开发中的实践:普维云以 AI 驱动软硬协同研发

摘要:杭州普维云技术有限公司(以下简称“普维云”)将 AI-DLC(AI-Driven Development Life Cycle)应用于物联网云平台与智能硬件研发,逐步把 AI 纳入需求澄清、方案设计、任务拆解、编码、测试和评审。本文重点介绍嵌入式场景中的做法:提供真实的硬件上下文,按模块职责安排 AI 的参与方式,并将上板与实物验证纳入构建过程;同时分享云端与设备侧的协作方式、实践复盘和阶段性成果。


一、背景:软硬一体研发的协作挑战

智能硬件的一项功能,往往需要设备固件、通信协议和云平台共同完成。对于普维云这样的软硬一体研发团队,引入 AI 的目标是缩短从需求到验证的交付过程,同时确保生成的方案符合业务规则和真实硬件约束。

普维云研发无线通信与 AIoT 解决方案,产品应用于专业安防和智能家居看护场景。团队既要处理底层驱动、实时任务调度和通信协议,也要建设云平台的设备管理、状态同步、日志追踪与远程升级能力。

设备侧主要使用 C/C++,既有资源受限的控制类设备,也有通信与边缘处理能力更强的网关设备。系统形态包括实时性要求较高的固件,以及基于嵌入式 Linux 的边缘侧软件。团队采用交叉编译工具链和自动化构建流程,并通过 JTAG、串口日志、逻辑分析仪、示波器和硬件在环(HIL)测试等手段开展调试与验证。

云平台后端主要使用 Java、Go 和 C++,以微服务和容器化部署为主,测试环境与生产环境均已接入 CI/CD。后端研发的难点除了业务逻辑,还包括它与设备协议、离线重传、远程升级和权限审计之间的耦合。一条异常链路,可能需要同时检查接口契约、消息顺序、缓存状态和设备行为。

这些特点决定了 AI 的使用方式。云平台的重复模块、历史代码理解和测试补充有较多可以快速验证的工作。嵌入式开发则需要进一步考虑板级资源、任务调度、总线负载、供电和外设状态。代码能够编译,并不能证明它满足设备的资源预算与时序要求;缺少硬件事实的输入,也容易让模型生成看似完整却无法落地的实现。

[图 1:云端与嵌入式协同研发示意图。图中连接表示研发协作与验证反馈。]

2026 年 4 月,普维云与亚马逊云科技在杭州开展了为期一天的 AI-DLC 实战工作坊,约 30 位来自研发、产品、测试等团队的参与者分为 5 组,围绕普维云自身业务场景,使用 Kiro 开展需求分析、设计和构建,并展示实践成果。亚马逊云科技讲师介绍 AI-DLC 方法论与规范驱动开发(Spec-Driven Development,SDD),指导老师参与分组实践。

工作坊为不同角色提供了共同讨论研发流程的机会。对云平台、APP 和嵌入式团队而言,需要共同确认的是需求边界、接口契约和验收标准;具体采用哪些开发与验证手段,则应根据各自技术栈和风险决定。

二、共同方法:以 AI-DLC 组织需求、设计与验证

AI-DLC 强调由 AI 创建计划、提出澄清问题并推动执行,人保留计划验证、结果验证和关键决策的责任。其构思(Inception)、构建(Construction)和运维(Operations)阶段逐步积累上下文,使后续工作能够沿用已经确认的需求与设计。

在普维云,这一思路对应到具体工作中:产品经理、架构师和研发先整理需求背景与约束,AI 帮助识别歧义、补充异常流程并拆解任务;工程师确认方案后,再让 AI 参与实现、测试设计和评审前自检。这样,需求、代码与验证可以围绕同一组约束展开。

[图 2:AI-DLC 人机协作流程示意。AI 推动计划和执行,工程师保留验证与关键决策。]

为了让这种工作方式持续运行,普维云逐步建立了三项配套机制。

知识底座:让 AI 能够引用项目事实。 团队将编码规范、接口约定、协议说明、硬件约束和常见故障经验整理为可复用的材料,减少每次任务中的重复解释。

结构化输入:把任务和边界提前说明。 研发人员提供给 AI 的信息包括任务目标、背景、不可违反的约束、输入输出定义、现有代码位置、不确定点和期望输出形式,让方案与实现围绕明确的范围展开。

验收闭环:让生成结果能够被检查和纠偏。 AI 生成代码需要经过编译、测试、静态检查与人工评审;硬件相关改动结合实物测试,数据库迁移、幂等、权限和计费类逻辑则由工程师复核设计合理性。

工具层面,普维云已在研发团队中使用 Kiro。团队根据任务特点,安排 AI 参与需求澄清、代码理解、模块实现和测试设计,并提供项目规范、协议说明及硬件约束作为上下文。工程师负责确认关键设计,通过编译、测试、代码评审和必要的实物验证,检查生成结果是否符合项目要求。

三、嵌入式实践:硬件上下文、分层实现与实物验证

3.1 构思阶段(Inception):明确硬件上下文与验收标准

普维云把编码规范、驱动抽象层规范、协议字段说明、硬件资源约束和常见故障经验逐步整理为 AI 可以引用的材料。在嵌入式任务中,输入需要包含设备限制、任务模型、协议约束和性能边界,使 AI 的分析建立在项目事实之上。

这与只提供一段代码有明显区别。例如,协议处理逻辑是否可用,除了字段解析是否正确,还取决于它运行在哪个任务中、受到哪些资源限制,以及如何与已有模块协作。把这些条件提前说明,有助于减少模型按通用软件习惯生成不适合设备侧的实现。

对于尚未确认的硬件条件,普维云要求 AI 显式标记,例如“以下配置依赖具体硬件手册确认”或“以下时序必须通过实测验证”。这些标记把待确认事项留给工程师处理,避免模型自行补全未知条件。

在构思阶段,验收也需要与需求一起讨论。对于嵌入式工作,功能正确性只是其中一部分,资源与时序约束同样会影响实现是否成立。先明确这些条件,再让 AI 提出方案和任务拆分,可以让后续实现与验证围绕相同目标展开。工程师在这一阶段确认硬件条件、需求范围和验收口径,未确认的信息继续保留为待验证项。

3.2 构建阶段(Construction):按模块职责安排实现

普维云在嵌入式研发中采用分层处理的方式。AI 更适合辅助协议状态机设计、协议解析流程梳理、模块封装、日志设计和测试用例生成。对于底层驱动、关键时序以及依赖具体硬件条件的逻辑,工程师主导实现决策,AI 可以提供框架、伪代码或检查建议。

这种分工并不意味着协议类代码可以直接合入。AI 生成的代码仍需接受编译、测试、静态检查与人工评审。分层的作用在于缩小每项工作的范围,使团队能够看清 AI 改了什么、依赖哪些条件,以及应该如何验证。对于 AI 提出的方案,工程师检查模块边界、兼容性和底层依赖;确认后再推进相应实现。

3.3 构建阶段(Construction):软件检查与实物验证

普维云对 AI 生成代码设有明确的验收要求:代码必须经过编译、测试和静态检查;涉及中断、DMA、内存布局、时序控制和并发安全的嵌入式代码必须上板验证。涉及通信时序、电源管理和低功耗唤醒的改动,也必须经过实物测试后才能合入。

[图 3:嵌入式任务的分层实现与验证示意。具体测试手段根据设备、模块和改动范围选择。]

不同验证手段回答的问题不同。编译与静态检查可以发现部分代码问题,协议测试可以检查输入输出和状态转换,而串口日志、逻辑分析仪、示波器及 HIL 测试帮助工程师观察真实设备上的行为。Bootloader 和 OTA 升级链路则需要结合设备状态开展验证。将这些环节纳入构建过程,才能确认实现是否满足真实运行条件。

AI 在测试与调试中继续发挥辅助作用,包括生成测试矩阵、构造边界输入、归纳日志异常模式,以及梳理多模块联动问题。对于 AI 提出的原因和修改建议,工程师仍需结合代码、设备状态和实测结果判断,不能仅凭解释完整就认定原因已经确认。

在代码评审中,AI 先关注规范一致性、空指针、资源释放、异常处理、并发风险和 C 语言缓冲区风险等问题。人工评审进一步检查设计是否合理、边界是否真正覆盖,以及实现是否符合业务和硬件事实。

普维云的 AI 实践重点体现在需求、设计、构建、测试和问题分析。故障模式与处理经验的沉淀,有助于为后续任务提供上下文。AI-DLC 方法论还覆盖运维阶段,具体的部署和运维自动化则应根据实际落地范围分别评估。

四、跨端协作:从接口契约到设备远程配置

4.1 云平台侧:明确接口与业务约束

与设备侧配合的云平台同样需要明确的约束。普维云利用 AI 生成设备管理类模块的样板代码、协议封装模板和单元测试,辅助理解历史代码、整理 SQL 与脚本,并梳理异常分支。对于数据库迁移、幂等、权限和计费类逻辑,团队要求人工复核设计合理性。

云平台与嵌入式团队共同确认接口契约,可以减少字段含义、返回码和异常处理上的理解偏差。AI 对跨模块上下文的整理,也有助于工程师同时查看服务逻辑、协议定义和设备行为,缩短联调与问题分析的准备过程。

这种协作方式保留了两端各自的验证要求。云平台沿用 CI/CD、自动化测试和人工评审;设备侧结合交叉编译、上板调试与实物测试。AI-DLC 提供共同的需求和任务组织方式,具体质量标准由业务风险和运行环境决定。

4.2 设备远程配置:一条跨端需求的方法示意

在设备远程配置这类需求中,AI 在需求澄清时会协助提出问题:配置下发失败后如何回滚?设备离线时如何处理?不同版本之间怎样兼容?重复消息如何保持幂等?产品、云平台和设备侧工程师需要共同确认这些语义,再进入实现。

围绕这一类需求,可以将 AI-DLC 的工作组织为以下流程。表中展示的是方法示意,各项实现与验证要求需结合具体项目确认。

AI-DLC 环节 AI 参与的工作与可审阅产物 工程师需要确认的内容
构思:需求与设计 识别歧义、整理异常流程,形成需求与约束清单、方案骨架 配置语义、离线行为、版本兼容与验收标准
构思:任务拆分 提炼接口契约,形成协议编解码、配置管理、日志和测试任务清单 云端与设备侧的职责边界及依赖关系
构建:分层实现 生成协议解析模板、状态机框架、模块封装和测试代码 与现有实现的兼容性,以及关键底层逻辑
构建:验证与评审 构造边界输入,形成回归清单和初步审查意见 业务设计是否成立,代码是否符合硬件事实,实测结果是否达标

在这条跨云端与设备的链路中,AI 帮助双方整理共同的接口契约,并承担可拆分的实现工作。云平台侧涉及权限和幂等的设计、设备侧涉及实时性和硬件资源的判断,都需要由相应工程师确认。

五、实践复盘:控制变更规模与沟通成本

普维云在实践中发现,AI 生成速度提高后,团队需要同步调整审查与沟通方式。

上下文不足,结果容易偏离项目实际。 只提供局部代码,模型容易给出通用答案,却遗漏项目的协议背景、兼容要求或模块职责。团队因此加强知识整理和结构化输入,让 AI 在明确范围内工作。

变更过大,生成速度超过了评审能力。 个别开发者曾一次提交数万行变更,团队难以有效审查。普维云随后强调更细的模块拆分,避免对超大模块随意整体重构,并要求登录、鉴权、订单订阅和权限链路等关键模块开展交叉评审。这也与 AI-DLC 将工作拆成可执行、可验证单元的思路一致。

长文增加沟通成本,作者需要先给出判断。 需求说明或 Bug 回复看似完整,却可能把作者自己的判断和不确定项淹没。团队形成的规则是:AI 可以帮助扩展材料,但作者必须先给出立场、判断和问题边界。对问题分析而言,清楚说明当前结论、依据和待验证事项,比堆积可能原因更有助于协作。

知识沉淀需要成为日常研发的一部分。 规范、协议约定、模块说明与故障案例越完整,团队在下一次任务中就越容易提供准确上下文,减少重复解释和返工。

六、阶段性成果:效率变化与适用边界

根据普维云对过去一段时间实践的总结,AI 带来的效率变化主要体现在以下环节。下列数值为普维云提供的阶段性经验估计,反映其团队与任务范围内的观察,不代表统一基准测试结果。

工作环节 普维云报告的时间或返工变化
嵌入式协议类和状态机类模块开发 开发时间缩短约 30%–40%
后端中等复杂度功能开发 整体开发周期缩短约 35%–55%
样板代码与重复逻辑编码 编码时间缩短约 40%–60%
需求澄清与方案初稿输出 时间缩短约 60%
复杂问题的历史代码理解与定位 平均耗时缩短约 50%–70%
因遗漏边界条件导致的返工 返工率下降约 25%–35%(使用较规范的团队)

据普维云介绍,AI-DLC 已覆盖团队内大部分活跃项目,覆盖 70% 以上代码仓库,整体研发使用率约 80% 以上。需求分析、代码理解、测试补充和评审前自检逐渐成为日常使用场景。

这些观察也体现了嵌入式研发的特点:AI 对协议梳理、状态机实现和复杂信息整理的帮助较为明显,在涉及物理验证和关键架构判断的环节,AI 主要发挥辅助作用。协议模块开发时间的缩短,不能直接推导为整机研发、硬件调试或长时间稳定性验证的同等提速。

除了时间变化,普维云还观察到知识复用更容易、部分边界问题更早暴露、新人理解模块更快,以及资深工程师能够将更多精力用于关键设计和风险判断。后续衡量这类实践时,可以进一步记录交付周期、评审投入、返工和硬件验证耗时,区分软件工作与整机交付的变化。

七、总结与展望

普维云的案例表明,嵌入式团队可以将 AI 广泛引入需求、设计、代码理解、协议实现和测试工作。要持续获得收益,任务开始时需要提供真实的硬件与业务约束,执行时需要划清模块范围,交付时需要保留编译、测试、评审和实物验证。

亚马逊云科技提供的 AI-DLC 方法论与业务场景工作坊,为团队讨论这些工作方式提供了框架和实践机会。Kiro 等工具支持具体任务的开展,普维云沉淀的规范、协议与故障经验则让 AI 能够持续利用项目上下文。

对于同时建设云平台和智能硬件的企业,这套实践的可借鉴之处是:用共同的需求与接口契约组织跨端协作,让 AI 承担边界清晰、结果可验证的工作,并由工程师对业务设计、硬件真实性和最终质量负责。

➡ 下一步行动:

相关文章:

八、关于普维云

杭州普维云技术有限公司是一家智能视频物联网与全球云基础设施领域的企业,设计智能室内外安全系统,研发无线通信与 AIoT 解决方案,产品应用于专业安防与智能家居看护场景。

*前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营,具体信息以中国区域官网为准。

本篇作者

陈晓波

普维云 IoT 云平台负责人、架构师,致力于下一代智能视频物联网云的落地与演进。

吕秋冬

普维云嵌入式组长,深耕监控行业嵌入式开发近 20 年,拥有丰富的产品研发与项目实践经验。负责嵌入式团队的技术管理与研发工作,持续推动产品技术优化与研发落地。

赵新

亚马逊云科技解决方案架构师,目前专注于为制造行业客户提供技术咨询与解决方案设计。在加入亚马逊云科技之前就职于吉利汽车、零跑汽车、阿里云,拥有丰富的企业级云平台建设经验。

张钟

亚马逊云科技解决方案架构师,专注于帮助企业客户利用 AI 和云技术驱动数字化转型。他在软件工程、AI 应用落地和企业级架构设计方面拥有丰富经验,热衷于从第一性原理出发,帮助客户理解技术变革背后的本质逻辑。


AWS 架构师中心:云端创新的引领者

探索 AWS 架构师中心,获取经实战验证的最佳实践与架构指南,助您高效构建安全、可靠的云上应用

本文由采集器自动同步

原文发布于 AWS 中国博客,正文由采集器自动抓取,版权归来源站点所有。

阅读原文 ↗