学习

SDLC 中的 AI:AI 如何改变软件开发的每个阶段

一张按阶段展开的地图:在软件开发生命周期里,AI 已经在哪些地方承担真实工作,哪些地方仍然需要人来拍板,以及没人拍板时会出什么问题。

SDLC 中的 AI,指的是在软件开发生命周期的每个阶段使用 AI 模型和智能体:起草需求、提出设计方案、编写代码、生成并运行测试、预审变更、准备部署以及诊断生产问题。如今在实现和测试阶段,AI 已经承担了大部分工作量,而目标、架构、重要变更的审批以及对发布内容的责任,仍然由人承担。最大的风险是速度跑在了评审前面。

适用对象工程经理与技术负责人在现有 SDLC 中引入 AI 的团队想按阶段梳理 AI 用例的人

发布日期 2026-11-11 · 最近更新 2026-11-11 · Automo 编辑团队

如何阅读这张地图

经典的 SDLC 并没有消失。需求、设计、实现、测试、评审、部署和运维依然存在,而且大多仍按这个顺序进行。变化的是每个阶段的工作量由谁来完成。AI 模型和编码智能体起草、生成、检查和诊断的速度,是任何团队靠手工都追不上的,于是人的工作从“产出”转向“判断什么是对的”。

每个阶段我们讲三件事:AI 今天在这里做什么,哪些事仍然需要人,以及团队只在这一阶段引入 AI、其他什么都不改时会冒出的风险。本页讨论的是你现有生命周期中的 AI。如果你想了解围绕 AI 智能体重建的生命周期的定义,请先读《什么是 AI SDLC》。

1. 规划与需求

AI 今天在做什么:把模糊的请求、访谈记录和支持工单整理成带验收标准的用户故事,找出遗漏的边界情况,参考以往类似工作估算范围,并起草一份计划,写明这次变更会触及系统的哪些部分。

仍然需要人的地方:决定什么值得做,把它和其他工作排出优先级,并确认验收标准描述的确实是用户真正需要的东西。风险在于自信满满、格式漂亮的需求,背后却是一个错误的假设。读起来顺的计划不等于有人核对过的计划,而后面的每个阶段都会继承这个错误。

2. 设计与架构

AI 今天在做什么:提出数据模型、API 形态和组件结构,对比各方案及其取舍,起草架构图和架构决策记录,并把设计方案与代码库里已有的模式做比对。

仍然需要人的地方:结合模型不掌握的背景在方案之间做选择,比如成本、团队技能、合规义务和产品路线图。风险是“自动补全式架构”。模型偏爱最常见的模式,而不一定是你的约束条件所要求的模式;而设计上的错误,越往后改代价越高。

3. 实现

AI 今天在做什么:这是最成熟的用法。编码智能体在分支上端到端实现功能,进行重构,编写数据库迁移和集成代码,并解释陌生的代码。引入它们的团队,常常在几周内就看到变更量成倍增长。

仍然需要人的地方:对智能体所遵循的计划负责,把身份认证、支付、数据删除等敏感区域置于明确的规则之下,并阅读政策标记出来的差异。风险在于看似合理却有细微错误的代码,悄悄引入未经审查的依赖,或者不声不响地扩大了访问权限。变更量会放大这种风险,因为变更多到没人能逐行读完。

4. 测试

AI 今天在做什么:根据代码和验收标准生成单元测试与集成测试,为真实用户流程编写浏览器级测试,修复因界面改动而失效的测试,并在每次变更时运行整套测试,而不是只在发布前跑一次。

仍然需要人的地方:决定什么绝不能出问题,检查测试断言的是否是正确的行为,并为发布标准负责。风险在于测试之所以通过,是因为它描述的是代码现在的行为,而不是代码应有的行为。同时编写代码和测试的智能体,可能会替自己的错误背书,所以验收标准应该来自计划,而不是来自代码。

5. 代码评审与安全

AI 今天在做什么:预审每一个拉取请求,总结变更内容,标出有风险的模式,运行静态分析和依赖检查,并测试访问规则。以 Automo Build 为例,评审智能体和 Guardrails 会在合并前按用平实语言写成的政策检查每一次变更,触及受保护区域的变更要等到有记录的人工批准才能合并。

仍然需要人的地方:批准有后果的合并,编写界定“什么算有后果”的政策,并判断业务风险。风险是走过场式的批准。当 AI 写代码、AI 来评审,人的一次点击就成了唯一真正的控制,而随着变更量增长,这次点击会变得越来越快、越来越浅。

6. 部署与发布

AI 今天在做什么:准备发布说明,在发布前运行冒烟检查、发布后进行验证,盯着灰度发布的指标,并在出现退化时建议回滚。

仍然需要人的地方:决定何时发布、发布给谁,在受监管或面向客户的系统中批准生产变更,并对回滚做出决定。风险在于流水线发布得比任何人发现问题都快。回滚必须是经过测试的常规操作,而不是事后才想起来的补救。

7. 维护与运维

AI 今天在做什么:读取日志和链路追踪,关联告警,诊断根因,起草修复,升级依赖,并让文档与代码保持同步。

仍然需要人的地方:批准触及生产环境的修复,负责事故期间的沟通,并在技术债和新工作之间排定优先级。风险在于 AI 的修复直接上了生产,却没有经过其他变更都要经过的评审和测试。运维中发现的问题,应该作为新的请求重新进入生命周期,而不是绕开它。

SDLC 中的 AI 一览

同样的七个阶段并排放在一起。规律始终如一:工作量交给 AI,决定权留给人,而风险就藏在某个决定悄悄不再有人做的地方。

阶段AI 今天在做什么人的角色主要风险
规划与需求起草用户故事、验收标准和计划决定做什么,确认真实意图基于错误假设的漂亮需求
设计提出数据模型、API 和取舍分析结合业务与合规背景做选择忽视自身约束的默认模式
实现在分支上编写功能、重构和迁移对计划和敏感区域负责大量看似合理实则有误的代码
测试生成并运行单元、集成和浏览器测试界定什么绝不能出问题替 bug 背书的测试
评审与安全预审差异,扫描代码和依赖批准重要合并,编写政策走过场的批准
部署运行冒烟检查,监控发布,建议回滚决定何时发布、发布给谁发布快过问题被发现
运维诊断事故,起草修复,升级依赖批准生产修复与优先级绕过评审的修复

从 AI 辅助的 SDLC 到 AI 原生的 SDLC

大多数团队从一次给一个阶段加上 AI 开始:编辑器里的编码助手、拉取请求上的 AI 评审、自动生成的测试。这就是 AI 辅助的 SDLC。生命周期本身没变,每个控制点仍然靠人工,所以编码一提速,评审和测试的能力就成了瓶颈。

AI 原生的 SDLC 则围绕智能体在各个阶段完成工作来重建,用治理取代交接:由政策决定哪些变更自动合并,由人批准政策标记出来的变更,由测试拦住每一个不合格的变更,并由审计轨迹记录从提示到生产的完整路径。定义和阶段见《什么是 AI SDLC》。想知道你的团队目前处在哪一级,可以做一下 AI SDLC 成熟度评估。

Automo Build 是第二种模式的一个例子:智能体编写并测试代码,评审智能体和 Guardrails 在合并前检查每一次变更,发布前还会跑冒烟关卡。无论你选择什么工具,有用的检验都一样:每个阶段是否默认运行,并且留下了证据?

常见问题

AI 在 SDLC 中是如何使用的?

每个阶段都在用:起草需求和计划、提出设计方案、编写代码、生成并运行测试、预审变更并扫描漏洞、准备部署,以及诊断生产问题。目标、架构决策、重要变更的审批以及对发布内容的责任,仍然由人承担。

SDLC 的哪个阶段从 AI 中受益最多?

实现和测试,AI 已经在这两个阶段承担了大部分工作量。但只有评审和部署能同步扩展,这份收益才站得住。否则,瓶颈只是从写代码挪到了查代码。

AI 会在 SDLC 中取代开发者吗?

不会。角色会转向设定目标、评审计划、批准被标记的变更,以及对架构和结果负责。实现的工作量由智能体承担,人仍然要对发布的内容负责。

在 SDLC 中使用 AI 最大的风险是什么?

未经评审的大量变更、替自身 bug 背书的测试、未经审查的依赖、走过场的批准,以及审计时拿不出证据。这些都是流程漏洞,而不是模型问题,而且各有对策:政策、独立的验收标准、安全扫描、有记录的批准和审计轨迹。

SDLC 中的 AI 和 AI SDLC 有什么区别?

SDLC 中的 AI 是在你现有的生命周期里加入 AI 工具。AI SDLC 则是围绕 AI 智能体完成工作来重建生命周期,配有基于政策的治理和审计轨迹。大多数团队会一个阶段一个阶段地,从前者逐步走向后者。

相关页面

构建你曾经望眼欲穿的软件。

SDLC 中的 AI:AI 如何改变每个阶段 | Automo