---
title: "SDLC 中的 AI：AI 如何改变软件开发的每个阶段"
description: "AI 如今在 SDLC 各阶段如何使用：需求规划、设计、编码、测试、评审、部署与运维。逐一说明 AI 做什么、人负责什么，以及主要风险。"
canonical: https://automo.build/zh/learn/ai-in-the-sdlc
last-updated: 2026-11-19
---
# 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。

## 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》](/learn/what-is-an-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](/platform/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》](/learn/what-is-an-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](/tools/ai-sdlc-maturity)。

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？

## FAQ

**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。

## Related

- [什么是 AI SDLC?](https://automo.build/learn/what-is-an-ai-sdlc)
- [AI 智能体开发生命周期](https://automo.build/learn/agent-development-lifecycle)
- [AI SDLC 框架](https://automo.build/learn/ai-sdlc-framework)
- [AI SDLC 成熟度评估](https://automo.build/tools/ai-sdlc-maturity)
- [Guardrails：受治理的合并](https://automo.build/platform/guardrails)
- [自动化 QA](https://automo.build/platform/qa)
- [Automo 与传统开发对比](https://automo.build/compare/traditional-software-development)
- [在现有代码库上用 AI](https://automo.build/use-cases/existing-codebase-ai)

Canonical page: https://automo.build/zh/learn/ai-in-the-sdlc
Site overview for agents: https://automo.build/llms.txt
