一、项目背景与核心提效逻辑
1. 传统开发痛点与提效目标
业务复杂度高：系统涉及资产、行情、组合、估值、交易、销售、风险七大核心数据域，依赖大量 DW 表和 Tag 表，开发门槛高。
流程自动化转型：将原本由人工负责的需求文档解读、设计文档编写及单元模型开发，转变为“AI 辅助人”的模式，实现全流程自动化提效。
2. 核心技术栈与平台选型
多平台协同：演示基于智体平台、Workbuddy、Codebuddy 及 Codex 等平台展开，覆盖了从设计文档输出到代码功能开发的全链路。
二、AI 辅助设计
1. 自动化需求拆解与知识库应用
业务规则解析：AI 读取传统需求文档后，结合现有知识库（包含表设计规范、字段含义及数据来源），自动拆解出表结构变更及字段变化。
多维度产出物生成：自动输出了数据模型设计、批处理算法设计、数据库表字段变更设计以及整体设计流程文档。
2. 标准化模型设计输出
表结构定义：AI 识别出需新增“组合日评汇总表”，并定义了字段含义、数据字典（如银行1级分类）及加工逻辑。
单元模型设计：生成了包含模型编码、名称、输出字段来源表及计算逻辑（如 Group by 产品代码求和）的详细设计，并明确了表关联关系。
三、AI 辅助开发与部署环节
1. 环境配置自动化
跨环境适配：AI 自动将 SQL 脚本中的环境配置（如从 192 环境修改为 221 环境）进行适配，并支持后续通过系统参数或配置文件进行管理。
2. 中台模型自动注册
模型一键注册：AI 将生成的 SQL、输入输出参数及大 JSON 配置直接保存至中台，自动完成了 7 个模型的注册与配置。
四、AI 辅助测试与验证环节
针对金融数据测试的特殊性，演示了 AI 在复杂指标计算与结果核对中的应用：
1. 测试工具集成与自动化
工具链打通：为解决 AI 难以直接介入复杂指标计算的问题，项目开发了专用测试工具并与 Skill 技能库打通，实现自动化 SQL 编写与指标计算。
复杂逻辑处理：AI 能够处理复杂指标计算，如基于产品代码进行过滤聚合、元数据分层计算以及分组求和（Sum）、平均值等函数应用。
2. 测试结果生成
多指标生成：测试工具成功生成了 7 个指标及其对应的计算逻辑，覆盖了从简单字段提取到复杂聚合计算的场景。