05 3.1 代码开发阶段 06 3.1.1 代码开发 06 3.1.2 代码优化 28 3.1.3 编译 30 3.1.4 调试 32 3.1.5 调优 37 3.2 流水线阶段 61 3.2.1 门禁检查 61 3.2.2 编译构建 66 3.2.3 调优 67 3.2.4 测试 68 3.2.5 版本发布 69 3.3 OS底座（openEuler系操作系统） 多平台版本并行迭代成为主 要需求，由于两个架构开发生态的差异，如果采用两套流水线分别开发两套代码，则 会带来很多重复开发验证的工作，并且两个版本分别开发、构建和维护效率低。因 此，鲲鹏创新性的提出鲲鹏原生开发：基于鲲鹏硬件 +openEuler+ 鲲鹏 DevKit+ 鲲鹏 BoostKit，实现 1 套代码 +1 条流水线 + 多平台版本，助力伙伴持续且首发性能领先 的商用版本。 03 / 鲲鹏原生开发包含代码开发阶段和流水线阶段： » 代码开发阶段：通过鲲鹏 DevKit、BoostKit 开发代码，充分应用鲲鹏架构优势，性能更优。 » 流水线阶段：鲲鹏 DevKit 以命令行方式 1 小时接入 CI/CD，便捷发布多平台版本。 » 极简融入 & 高效发布：DevKit 原生开发插件 1 小时接入两大主流（Jenkins、GitLab）CI/CD 流水线，高效提升 鲲鹏流水线搭建及版本发布效率。

规范需求管理流程，加速团队协作优化迭代设计 5.1.2 五维架构协同设计，业务流程驱动敏捷开发 5.1.3 规范开发流程，智能 AI 辅助和低代码加速业务开发 5.1.4 构建三级测试流水线，持续提升测试效率和产品质量 5.1.5 资源申请和软件上线全流程自动化，实现一体化应用发布 应用一体化运维 5.2.1 全链路可观测，支撑故障快速发现 5.2.2 AI 模型结合混沌工程，实现故障智能定界 开放平台底座 开放平台底座 业务应用 Java、GO、JSON、XML、HTML、JavaScript 应用 一体化运维 应用 敏捷发布 CI/CD流水线 Jenkins、Argo CD 需求与 设计管理 协作开发 管理 自动化 流水线 全链路 可观测 故障 智能定界 故障 自动恢复 中间件层 数据层 基础设施层 软硬协同高性能 超大规模算力 多层冗余高可靠 纵深防御安全 求如下： (1) 敏捷开发需求 ① 需提供应用开发和管理工具集，支持可视化设计、一键部署，实现自动调度与智能监控，将开发周期 压减至周级。 ② 建立标准化流程，预设微服务规范与 CI/CD 流水线，规避人工操作的偏差。 ③ 设计、开发、部署全流程信息端到端管控，变更可动态感知和同步，确保应用全生命周期信息一致。 (2) 智能运维需求 ① 提供自动化运维工具，支持执行部署、配置、巡检等

Circuit）两类路线。 GPGPU 是一种突破性的异构芯片架构，其核心在于将 GPU 从专有图形处理器转化为 6 通用并行协处理器。这一技术通过重构 GPU 底层硬件资源流水线设计与调用逻辑，使原本 仅处理图形渲染流水线的数千个计算核心，能够高效执行科学计算、数据分析和机器学习等 非图形化任务，实现了对传统 CPU 计算体系的革命性扩展。ASIC 通过定制化硬件架构，将 计算任务固化于电 易用但深度受限于框架性能未能极致优化。 统一算子加速库关键技术主要包括高性能算子实现、跨架构算子自动优化和轻量级运行 时： （1）算子高性能实现：通过极致利用统一编程模型的编程优化技巧，最优内存布局选 择，极致分块策略和计算流水并行，线程特化和内存合并优化等编程优化技术，编写高性能 的算子实现。 （2）跨架构算子自动优化：通过扩展 Tile/Block 调度原语，为不同的异构 AI 芯片后 端提供独立的代价模型，在 Block 力等 7 大场景，形成多个 可量化指标，实现主流 AI 芯片的统一度量全面评测横向可比。 （2）自动化测试平台：提供可复用和可自定义的测试脚本用例库，可按需组装测试方 案，采用基于容器化调度与流水线编排，平台可一键拉起千卡级集群测试任务，支持多种国 内外主流 AI 芯片，极大提升测试效率。 （3）算力排行与推荐：以真实测试数据构建可滚动发布算力排行，可实时调用最新基 线数据，提供场景化

关键技能演变 ·设计并部署可扩展的AI环境 ·端到端AI生命周期管理 ·模型训练、验证与监控的自动化 ·AI工作负载与IT基础设施的整合 核心能力 ·高级云/计算资源管理能力 ·AI流水线自动化与协调能力 ·对AI平台技术的深度掌握 ·企业AI工作负载的性能优化能力 随着这些新兴岗位与职位持续重塑商业格局，企业必须为更深远的变革做好准备。在下一章中， 我们将探讨IDC对未来五年AI革命发展趋势的预测。 ·基础设施自动化（云环境与本地部署）能力 ·大规模智能系统的监控与可观测性管理能力 · ·设计并管理AI增强型操作系统 ·实现资源分配与系统性能的自动化 ·开发并维护用于持续交付的CI/CD流水线 ·为AI工作负载协同设计硬件/软件系统 ·操作系统工程：从静态操作系统架构向支持智能体与预测分析的AI增强型平台转型 ·资源管理：借助AI实现资源分配与系统优化的自动化 ·软硬件整合：与AI团队协作开展智能系统设计 ·智能监控：借助AI驱动分析实现预测性维护与性能优化 ·基于AI分析的性能调优与成本优化 ·自愈系统：AI自动检测并解决故障，减少停机时间 核心能力 ·云运营协调与自动化能力 ·AI/ML应用的CI/CD（持续集成/持续部署）流水线设计能力 ·AI驱动的监控与资源优化能力 ·多云环境下的安全与合规管理能力 ·利用AI工具实现自动化配置、扩展与监控的能力 ·面向AI就绪的云架构迁移策略制定能力 智 能 世 界 的 I

AI 平台 37 英特尔中国 AI 加速实践手册 BigDL*：统一的大数据分析和 AI 平台 计算 环境 模型和算法 (内置模型和算法) 机器学习工作流 (自动构建端到端管道) 端到端流水线 (将 AI 模型无缝扩展到 分布式大数据平台) 推荐 Laptop DL Frameworks (TF/PyTorch/BigDL/OpenVINO TM/…) Distributed Analytics Transformer 模型格式 • 兼容 Hugging Face 与 PyTorch 更强兼容性 大数据分析 + 人工智能端到端流水线 大数据流水线 从笔记本电脑无缝扩展到分布式大数据平台 使用样本数据在 笔记本电脑上制作原型 • 轻松构建将 AI 模型与大数据融合对接的端到端流水线原型 • 从笔记本电脑到分布式集群的“零”代码更改 • 可在生产环境中的 Hadoop/K8s 集群上无缝部署 集群上无缝部署 • 实现从机器学习到大数据应用的流程自动化 在承载历史数据的 集群上进行试验 使用分布式数据流水线 进行生产部署 35 英特尔 AI 实战视频课程 至强® AI 实战课 CCF 联合专场 英特尔® 至强® RAS 为 AI 服务器护航 英特尔® 至强® CPU 让 AI 部署无处不在 大模型时代的云服务安全利器 从 OCR 起步推进企业 AI 应用落地

处理缺失。 （二）工程侧痛点：人机协作的实践困境 1.智能组件“悬浮式”嵌入现象普遍，全生命周期呈现 断层 需求-开发-运维的数据孤岛阻断智能反馈闭环，单点 AI 工具“悬 浮式”嵌入现有流水线致 CI/CD 失败率激增。智能工具模糊开发者、 测试工程师角色边界，技能转型滞后使“流程驱动”思维难以转向“数 据驱动”。同时，供需双方不匹配，粗放运营导致资源利用率低。 2.模型输出不确定性导致的工程返工成为当前 速业 务创新落地。 （2） 智能代码质量与风险防控正在成为软件开发的重要保障 智能代码检查系统结合大模型和静态分析技术，实现了全流程质 量管控：在编码阶段实时检测问题，复核阶段提供智能提示，流水线 扫描阶段进行深度分析。这种体系不仅能识别传统工具难以发现的逻 辑错误和设计缺陷，还能给出具体修复方案，实践表明可大幅度降低 代码缺陷率。与传统工具相比，AI 驱动的质量体系具有可持续优化、 志、 软件工程智能化标准体系建设指南（2025 年） 20 指标和拓扑关系，快速定位问题环节。部分平台已经实现智能流水线 管理，实现了全流程的智能编排与优化。其包括动态调整任务执行顺 序和并行度以最大化资源利用率；基于代码变更特征自动匹配最优构 建策略；实时监控流水线健康状态并实施自愈操作；通过历史数据分 析持续优化执行效率；智能预测潜在瓶颈并提供规避建议等。知识管 理方面，结构化的

过程中充分考虑系统的可扩 展性，注重系统平台的灵活性，便于二次开发与部署。在实施 MES 前，约克首先做了详尽 33 的准备，对现有的 12 条不同的产品线做了分类，将快速流动的流水线和生产节奏较慢的生 产线区分开来，同时，收集了不同产品的工艺流程，对所有的产品的关键部件进行了分类， 选择出需要采集数据和进行控制的关键零部件。此外，根据 SAP ERP 的计划排产、BOM 表 理、生产防错、物料管理等。 数据采集：采用一维条码以及扫描枪、PDA 等，将产品中的关键零部件信息进行收集与 扫描，采集信息包括批次、人员、物料、工时，开工与完工时间等。快速流水线上采用自动 扫描的方式，普通流水线采用人工来扫描。 现场报警管理：实现来料检验不合格品报警；生产现场返工返修处理；产品出现质量问 题会产生质量报警，并会在 QIS 系统中对质量问题进行分类，自动生成不合格品单，将不合 常周期较短，随着市场竞争加剧生产周期不断被压缩，企业对库存的严格控制和对市场需求 做出快速有效的反应的要求高。只有不断降低成本，才能提升存货周转率和市场占有率。 3.生产工艺连续性强。食品饮料行业企业多为流水线作业，多为批次生产，要求各工序 安排准确，如果出现某一个工序问题可能造成大面积停线状况，因此对于自动排产以及应急 处理要求高。 4.生产形式多样化。食品饮料行业对市场的变化通常比较敏感，多采用批量生产通常价

成长，而供应链管理必将成为构建企业核心竞争力不可复制的手段。21 世纪可以说是中国的世纪，但“中国制造”的背后最终一定需要独特运营 优势的支撑。纵观历史，每一个大国的崛起总伴随着一个崭新而先进的 生产运营管理模式的诞生：福特发明的流水线生产为美国成为世界头号 经济大国奠定了基础；著名的丰田JIT生产模式也在日本的强国路上应 运而生。现在到了中国企业应该深思熟虑，拿出“真本事”的时候了我们 需要拥有自己可以牢牢把握的“优势”。中国企业联合会从2007年开始在 不变的速率—也称“节拍时间”。生产支线从主要组件流水线分流向不同 的沿线站点。在这些站点，发动机或其他组件会及时到达，并准确安装 到汽车应该装配的位置。在工厂的其他区域，比如座椅会通过货车运送 到给供应商，装配到汽车上，这个座椅必须与汽车完美结合。在工厂外 的展示场地，货车正在装载从几百家供应商那里的各种零件，然后根据 汽车装配顺序，沿着主流水线的移动顺序卸载零件。审视整个供应链， 交叉站和货车 此，如 果经销商不提交更改要求，汽车还是按照既定要求生产。 5.零件订单/预测 零件订单过程其实是两个不同的流程：本地零件和海外零件流程。 本地流程要求汽车计划每天都按照顺序安排好，保证准时上流水线。下 一步，每辆车的计划被指定后，会被排成理想阵形以备装配。在考虑工 厂团队成员及设备使用时间表的层面时，也考虑了这个因素。把汽车排 成合理阵形很重要，只有这样，汽车装配才可以保持较高工作效率，复

千亿级 H100（万卡级） 5,000-10,000 10M-100M 万亿级+ H100/B100（数万卡） >20,000 100M-500M+ 大模型参数量达到万亿，迭代训练需使用数据并行、流水线并行、 张量并行和专家并行等技术。并行推理将每个模型层的计算任务拆分 到各个服务器中多卡 GPU 上执行。各 GPU 无法独立完成计算工作。 在训练的过程中需要进行频繁且复杂的通信。这就要求构建 可编程的网络控制能力，但将传统 SDN 架构直接应用于光电协同网 络时，面临显著的扩展性与时延瓶颈。集中式控制节点需要实时感知 全网拓扑状态、计算最优拓扑配置，并将新的路由结果下发至各个网 络设备。即便采用流水线化的计算与推送机制，整个流程的耗时依然 可能达到秒级，远无法满足光链路数十微秒至百纳秒级的拓扑更新需 求。随着网络规模的不断扩大，单一控制节点还会成为性能瓶颈，进 一步延长路由配置下发的时延。 别的重配置开销对于许多时延敏感的通信任务来说仍然过高。为了进 一步提升光电协同网络的性能上限，需要推动更加快速的光交换技术 发展，同时在系统层面通过预测性重配置、并行重配置和重配置与通 信的流水线处理等技术手段来掩盖和减少重配置延迟的影响。 标准与可交互性：实现通信模式动态重构需要对底层通信库进行 深度修改或开发全新的通信库实现。如何在提供先进的通信模式重构 能力的同时，保持与现有代码生态的良好兼容性，成为了技术落地过

机和中国电信天翼云操作系统 (CTyunOS)操作系统升级天源迪科5G融合计费系统的解决方案。 依托鲲鹏开发套件（DevKit）进行5G融合计费系统的原生开发，从迁移评估、开发插件、编译工 具、性能分析、流水线 完成C/C++ 和 Java 语言编写应用的国产化升级，结合应用场景引入反馈编译、网 络、压缩、数据库线程池等鲲鹏应用使能套件（BoostKit）特性实现关键性能加速。 案例亮点 case HigHligHts 原生开发的业务系统充分发挥了ARM（Advanced RISC Machine）主机架构、操作系统的优势，展现了优 于当前业务支撑系统的性能。 使用了鲲鹏DevKit的应用迁移工具、亲和分析工具、系统分析工具、开发插件、流水线工具、构建 内核和鲲鹏亲和编译器（gcc for openEuler）。 使用了鲲鹏BoostKit的鲲鹏加速引擎KAE（Kunpeng Accelerator Engine）的KAEzip进行压缩解压加 Kit）、亲和性分析工具、系统分析工 具等工具，在应用编译选项、系统参数、应用热点函数等方面提供优化建议，调整后应用整体性能提升 10%，追平x86架构（The X86 architecture）应用性能。 开发插件、流水线工具，提供持续构建部署辅助，减少了基于鲲鹏原生开发时间，5G融合计费系统 20万行代码全量代码编译构建缩短至34分钟。 KAEZip的使用，5G系统过程、日志、结果文件压缩时间提升20倍+以上，极大节约了两级业务传输