当大模型（LLM）不再只是热门话题，而成为软件研发的"标配工具"时，我们正在见证一场前所未有的技术革命。《2025年软件研发应用大模型国内现状调查报告》历时一个月完成数据收集，深度揭示了国内软件研发领域拥抱AI的真实状况。数据显示，89.2%的团队已积极拥抱LLM，其中62.8%的团队正在积极应用，较去年增长8.8%。这不仅是一组数字的增长，更标志着行业从"观望试水"迈向"深耕细作"的关键转折点。

一、行业格局重塑：从模型竞争到生态竞争

1. 应用深度显著提升

2025年最显著的变化在于，企业已从单纯的技术试点转向系统化落地。调查显示，开始关注并试用的团队从去年的54%降至26.4%，这些团队绝大多数转化为积极应用者，说明试用带来了可观效益。更值得关注的是，处于观望中的团队比例稳定在7.4%，这意味着市场教育已基本完成，剩余的是如何将AI能力深度融入业务流程的实践问题。

2. 垂直化成为主流趋势

行业大模型的爆发式增长印证了应用从"通用"向"垂直"的加速迁移。金融、制造、能源、软件研发和政务五大领域已形成成熟的行业模型，市场规模较2024年扩大约1.8倍。软件与IT服务业成为大模型应用最活跃的行业之一，渗透率超过78%，在软件生命周期管理、代码智能化、知识文档管理等方面取得重点突破。

3. 模型选择格局巨变

2025年的模型选择呈现出戏剧性变化：DeepSeek从去年的3.2%飙升至81.1%，成为国内市场绝对领导者。这一逆袭主要受益于其年初开源的R1和V3版本。阿里通义千问以65.5%位居第二，豆包大模型增长至41.9%，是去年的2.38倍。在国际模型方面，OpenAI GPT系列仍保持67.6%的占有率，而Claude系列增长最快，达到43.2%，是去年的2.45倍。

这一格局变化反映出两个重要趋势：首先，开源策略与性能优势的结合成为制胜关键；其次，企业倾向于同时使用两个以上大模型，以应对不同场景需求。

二、核心价值兑现：降本增效从愿景到现实

1. 明确的价值主张

调查显示，85.1%的团队期望通过LLM实现"降本增效"，较去年提升近10%。更令人振奋的是，在提升开发效率方面，期望值增加了16.7%，达到81.8%，说明LLM在代码生成、代码评审等场景的效果得到广泛认可。

2. 量化收益逐步清晰

企业对LLM投入产出比的评估能力显著提升。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带来的业务收益。在编程效率方面，33.1%的团队实现了20-39%的提效，31.8%的团队实现10-20%的提效，两者合计超64%。即便以20%的平均提效计算，对于拥有1万研发人员、人均年成本50万的大型企业而言，仅直接成本节约就可达10亿元。

3. 人力成本节省显著

在软件开发的关键环节，LLM平均节省开发与测试人力成本30%-45%。代码生成、文档分析、测试脚本生成的自动化成熟度最高。特别值得关注的是，81.1%的团队主要将LLM用于代码生成，较去年增加近15%。部分大厂分享的数据显示，70%的代码已由AI生成，这一比例还在持续上升。

三、全生命周期渗透：从局部突破到系统融合

1. 需求环节：从文档优化到智能分析

LLM在需求领域的应用呈现逐年深化趋势。"润色或优化需求文档"以60.8%的占比成为核心场景，较2024年的47.6%、2023年的22.7%大幅增长。"检查/评审需求文档"和"基于文档提取要点"的应用比例分别升至47.3%、46.6%。更重要的是，"没有使用"的比例从2024年的18.3%降至8.1%，表明需求智能化已成为标配。

在效果方面，43.2%的企业认为提效在20%以下，26.4%在20-40%之间。虽然高提效案例较少，但企业对LLM提效的判断从模糊转向清晰，"不确定"比例从2024年的39.7%骤降至14.9%。

2. 设计环节：从知识查询到方案生成

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%；"作为知识库查询设计知识"达56.1%，较2023年的28.9%实现翻倍式提升。“功能定义分解”（36.5%）、“辅助架构设计”（45.9%）、“辅助UI/用户体验设计”（35.1%）的应用比例也显著增长。

"没有使用"的比例从2023年29.9%、2024年17.5%骤降至2025年5.4%，表明LLM在设计领域已从单纯的知识查询，向深度方案建议、全流程设计辅助全面渗透。

3. 编程环节：代码生成成为绝对主流

编程是LLM应用最成熟的领域。"代码补全"以70.9%的占比成为最核心应用场景，"代码优化"占比60.8%，"函数级代码生成"达56.1%。"还没开始"的比例从2023年16.5%、2024年9.5%骤降至2025年3.4%。

在编程工具方面，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。国产工具认可度较高，同时国际工具也有一定渗透，形成了丰富的应用生态。

代码采纳率数据显示，21-30%区间以25%成为核心板块，采纳率≥30%的团队占比达47.2%。这既得益于大模型技术迭代，也源于企业对LLM编程应用的调优深耕。

4. 测试环节：智能化突破显著

LLM在测试领域实现了从单一用例生成到全流程覆盖的跨越。"生成测试用例"以68.2%的占比稳居核心场景，"生成测试脚本"占比51.4%，"生成测试数据"达31.1%。"还没有使用"的比例从2023年24.7%降至2025年16.9%。

测试工具生态也在快速成长。虽然52%的企业尚未使用基于LLM的测试工具，但商用工具认可度逐步提升，Ant TestAgent占比6.8%，增长显著。在测试效率方面，23%的团队实现了20-39%的提效，23.6%的团队实现10-20%的提效，中幅提效成为主流。

5. 运维环节：进入智能分析阶段

LLM在运维领域实现了"从零星渗透到全链路覆盖"的跨越。“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2023年均实现数倍增长。LLM已从基础的日志解析扩展至全链路问题诊断与性能预测，AIOps结合大模型成为企业数字化运维新方向。

在效率提升方面，50.7%的企业仍"不确定"，但这一比例较2024年的57.9%下降7.2个百分点，表明企业对提效的感知逐步明确。24.3%的企业认为提效在20%以下，14.9%的企业实现20-40%的提效。

四、技术与组织双重变革

1. 技术栈升级：从单点应用到系统集成

约62%的企业开始使用RAG或LoRA微调方式将内部数据与模型结合，显著高于2024年的30%。企业更重视"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。

在技术选型方面，基于开源大模型部署占比超过一半，达到54.8%。私有化部署成为主要应用方式，这既出于数据安全考虑，也反映出企业对定制化能力的需求。公有云模型服务与私有化部署并行，统一API标准和模型接口成为趋势。

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%，Coze占比17.6%，自研框架占比14.9%。"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。

2. 组织变革：新岗位与新技能涌现

提示工程、上下文工程与Agent编排成为新型岗位或技能方向。2025年企业开始设置"AI工作流设计师"或"AI应用策略师"岗位，表明从工具导向转向生产力体系建设。这是一个重要信号：AI应用已从技术层面上升到组织战略层面。

团队协作模式也发生了显著变革。50.7%的团队认为个人学习新技术效率大幅提升，40.5%的团队中初级开发人员能更快承担复杂任务，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。这表明，LLM不仅是生成文本或代码的工具，更是推动人才成长、重塑协作模式的催化剂。

3. 治理体系：从模型安全到全栈智能治理

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。国产企业在安全对策建设方面显著领先国际平均线，这得益于国内对数据安全和合规性的高度重视。

衡量AI工具效能的方式也更加多元化。40.5%的企业通过研发效能指标（如Cycle Time、发布频率等）衡量，37.2%关注质量指标（如缺陷密度），33.8%通过估算工时成本。虽然仍有33.8%的企业尚未建立明确的衡量体系，但整体趋势是从定性评估走向量化分析。

五、挑战与应对：八大困难待破解

尽管LLM应用取得显著进展，但企业仍面临诸多挑战。调查显示，LLM应用主要有八大困难：

1. 缺少高质量的（业务/研发）训练数据（50.8%）
2. 安全、隐私担忧（40.5%）
3. "AI幻觉"导致引入难以察觉的深层Bug（38.9%）
4. AI Agent行为的不可预测性与可控性差（29.7%）
5. 目前研发人员的应用水平不行（28.4%）
6. 缺少机器学习和大模型训练人才（27.7%）
7. 缺少算力或云计算平台（27.7%）
8. 难以精确衡量投入产出比(ROI)（25%）

值得注意的是，随着国家和企业的重视、模型能力的改善，训练数据、ML和LLM训练人才、算力、应用水平等因素都有了明显改善。但高质量数据、安全隐私、AI幻觉等问题仍是制约LLM深度应用的核心瓶颈。

六、未来展望：走向智能体时代

调查者对AI未来的展望仍以乐观为主导。61.5%的调查者认为"人人都有一个AI助手"，58.8%认为AI将"极大地提升研发效率"。这两大核心共识持续强化，表明行业对AI普惠化、效率价值的坚定信心。

更重要的是，向智能体（Agentic）系统演进成为确定方向。企业普遍计划在2026年前引入任务导向型LLM Agents，以支持跨阶段自动协作与决策。这意味着AI不再只是被动响应人类指令，而是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、架构文档、测试用例等。

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塑的潜在变革。从"人辅助AI"向"AI辅助人"的角色转变正在加速，这将彻底改变软件研发的组织形态和工作流程。

结语：拥抱变革，重塑研发

《2025年软件研发应用大模型国内调查报告》揭示的不仅是技术的进步，更是整个行业思维方式和组织模式的深刻变革。从试点到体系化、从通用到垂直、从模型竞争到生态竞争，每一个趋势都在昭示：软件工程正在全面进入3.0时代——模型驱动研发、模型驱动运维。

对于企业而言，现在的关键不是要不要拥抱AI，而是如何更深入、更系统地应用AI。那些在需求、设计、编程、测试、运维全链路部署LLM，构建"模型能力×业务知识"深度融合的企业，正在获得显著的竞争优势。那些培养提示工程师、AI工作流设计师等新型人才，重塑团队协作模式的企业，正在为未来的智能体时代做好准备。

技术的浪潮不可阻挡，但方向可以选择。在这个AI重塑研发的时代，唯有主动拥抱变革，才能在下一个十年的竞争中立于不败之地。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？