在快节奏的现代工作环境中，项目效能直接关系到团队的成败。传统效能分析依赖人工统计和经验判断，既低效又主观。Zadig 作为研发核心平台，融合丰富效能数据与大语言模型 AI，智能化分析与诊断效能数据。大语言模型可高效处理海量复杂数据，提供客观、可执行的改进建议，精准识别瓶颈，助力团队制定科学优化策略，实现效能持续提升。
本文将探讨 Zadig 如何借助大语言模型，解析用户问题关键要素，驱动智能效能分析与优化。
整体实现思路
核心流程分为三个步骤：首先解析用户提问的语义结构，随后从数据库检索匹配数据，最终将原始问题与关联数据整合后输入大语言模型进行智能分析。
-
解析项目名称和效能评价维度
在效能诊断过程中，一般用户会输入这样的问题“分析 accout 项目近一个月的质量和效率，并给出优化建议”，系统需要将其中的项目名称（account）、时间范围（近一个月）、效能评价维度（质量和效率）解析出来。
我们利用大型语言模型（LLM）的能力，直接从用户输入中提取项目名称和效能评价维度，并将其转换为程序可处理的 JSON 格式。为了提高解析的准确性，我们还在 Prompt 中预先定义了解析规则，并提供了多个样例，利用 LLM 的小样本学习能力来提升解析的成功率。此外，我们在 Prompt 的最后明确要求 LLM 仅返回 JSON 格式的数据，以确保输出的规范性。
解析项目名称和效能评价维度的 Prompt
-
处理时间范围
最初，我们尝试使用通用的 LLM 来解析时间范围，但发现结果难以使用。为此，我们引入了一个专门的 TimeNLP 服务，它能将自然语言描述的时间精确转换为程序可用的 JSON 格式。
-
数据查询与预处理
在获取项目名称、效能评价维度和时间范围后，我们就可以编写相应的程序和 SQL 查询语句，从数据库中提取相关数据。为了便于后续 LLM 的理解，我们还在查询结果中添加了文字描述。文字描述确保了在后续的请求中，LLM 能够正确理解这些数据的含义。
-
处理大 Token 数据
在实际操作中，我们发现输入数据的 Token 数量可能会超过 LLM 的上下文限制。为了解决这一问题，我们首先计算输入数据的 Token 数量，如果超出限制，则将数据分批次发送给 LLM。这一策略有效避免了因数据长度超过限制而产生错误。
-
优化 LLM 请求
在最终的请求中，我们将 LLM 的角色设定为资深 DevOps 专家，以提高其处理数据的专业性。同时，我们将请求的 Temperature 参数设置为较低的值（0.2 或 0.3），以确保返回的结果更加确定和精准。
最终请求的 Prompt
-
结果输出
最终，我们将分析结果以 Markdown 格式返回给前端，前端将其渲染为带有格式的文本段落，为用户提供了更加直观和易于理解的分析报告。
当前状态及未来展望
Zadig 的 AI 效能诊断模块已实现智能化分析工程数据，能迅速定位组织效能瓶颈并提供改进建议，同时具备智能数据分析、问题精准定位和科学改进建议等核心能力，可帮助团队提升效能。但在数据处理上存在一些局限性，计算 Token 长度方式可能不适用于 DeepSeek，且数据量过大时分多次请求 LLM 再聚合的方式会造成数据精度损失。
未来 Zadig 计划接入 LLM 的 Stream API，以提高响应速度和用户体验。同时，将继续优化 Prompt，并探索更多创新应用场景，助力企业实现数字化转型，提升核心竞争力。
推荐阅读
