2025 年，GitHub 上约 41% 的代码由 AI 生成，年度 commit 总量逼近 10 亿次。Cloudflare 工程负责人 Boris Tane 在今年 2 月发表的一篇文章中给出了一个直白的判断：传统软件开发生命周期（SDLC）已经死了。AI 编码智能体没有加速 SDLC 的各个阶段，而是把这些阶段直接合并了。
传统 SDLC 的底层假设过时了
传统软件开发生命周期建立在一个前提上：写代码很贵。因为贵，所以要在动手前冻结需求、评审设计、分阶段测试、逐行审查代码。每道关卡都是为了减少返工。
graph LR
A[需求分析] --> B[系统设计]
B --> C[编码实现]
C --> D[测试验证]
D --> E[代码评审]
E --> F[部署上线]
F --> G[运维监控]
classDef default fill:#1a2332,stroke:#1A9090,color:#e0e0e0
AI 编码智能体让写代码的成本接近零。一个完整功能的原型，几分钟就能跑出来。成本结构变了，围绕"贵"建起来的流程关卡就失去了存在的理由。
SDLC 各阶段如何被合并
Boris Tane 在文章中逐个分析了传统软件开发流程各阶段的变化。
需求阶段过去要花两三周写 PRD、评审、冻结。现在工程师给 AI 编码智能体一个方向，几分钟拿到原型，看完效果再调整方向。需求在迭代中明确，不再需要预先锁死。
架构设计过去由高级工程师画图、写文档、组评审会。AI 编码智能体训练数据覆盖的架构模式远超任何个人的经验。工程师描述问题，智能体直接输出可运行的代码，设计在编码过程中同步完成。
测试过去是编码之后的独立阶段。智能体在生成代码时同步生成测试用例，TDD 变成了默认动作。
代码评审面临吞吐量问题。一天产出几百个变更时，传统 PR 审查跟不上节奏。Tane 的建议是让智能体做自验证，配合自动化检查，人工审查只介入需要判断力的场景。
这些阶段没有分别提速，而是被压缩进了同一个动作。
替代方案：上下文工程驱动的开发循环
传统 SDLC 的七个阶段被压缩成一个循环：给出意图和上下文，智能体执行（同时完成编码、测试、部署），观测结果，不满意就修正意图再跑一轮。
graph TD
A[意图<br/>定义目标与上下文] --> B[智能体执行<br/>编码+测试+部署]
B --> C[观测<br/>验证运行结果]
C --> D{达标?}
D -->|否| A
D -->|是| E[发布]
classDef intent fill:#1A9090,stroke:#0d6b6b,color:#ffffff
classDef agent fill:#1a2332,stroke:#1A9090,color:#e0e0e0
classDef observe fill:#2d5a5a,stroke:#1A9090,color:#e0e0e0
classDef decision fill:#0d6b6b,stroke:#1A9090,color:#ffffff
classDef release fill:#1A9090,stroke:#0d6b6b,color:#ffffff
class A intent
class B agent
class C observe
class D decision
class E release
Tane 的核心观点：开发者最重要的技能变成了上下文工程（Context Engineering）。给 AI 编码智能体的上下文质量直接决定输出质量。上下文含糊，输出不可用；上下文精确且结构化，输出接近生产标准。
可观测性在这个循环中也换了角色。它不再是运维团队看的仪表盘，而是一个闭环反馈通道：系统运行数据直接喂给智能体，智能体据此自动修正问题。
速度提升背后的代价
不过，"SDLC 已死"这个判断需要打个问号。
CodeRabbit 的研究（2025 年发布）显示，AI 编码带来的速度增益被修复生成代码中的缺陷和安全漏洞所消耗的时间吃掉了。Harness 的报告得出了类似结论：多数开发者在引入 AI 工具后，调试时间反而增加。
开发者的态度也在转变。2024 年对 AI 编码工具持正面评价的开发者超过 70%，2025 年降到 60%。使用率没降，信任度在降。
Tane 自己也提到，新一代工程师跳过了 Sprint 规划、故事点估算、PR 工作流这些环节。但跳过流程不等于不需要质量把控。AI 大规模生成代码消除了写代码的门槛，同时制造了新的瓶颈：谁来验证这些代码的正确性、安全性和架构一致性。
国内的全栈化转型：SDLC 变革的组织映射
这场开发流程变革在国内落地为一个具体动作：前端转全栈。
2025 年 11 月，美团履约团队把终端组的前端工程师调入后端组，要求写全栈代码，主要服务 Agent 项目。同期，菜鸟国际要求后端开发兼做前端和测试，剪映内部流传"人均全栈"的说法，得物前端团队也在经历组织调整。
驱动力很直接：Copilot、Cursor 这类 AI 编码工具让后端工程师能快速写出可用的前端代码，也让前端工程师能处理数据库操作。技术门槛被工具拉平之后，为同一个功能配两个专职工程师就不划算了。一位美团工程师说得很实在：前后端接口自己就能对上，省掉了大量沟通时间。
这本质上是 SDLC 合并趋势在团队组织上的体现。"前端、后端、测试"的角色三分法，正在被"全栈工程师 + AI 编码智能体"的组合替代。
结论
传统软件开发生命周期中需求、设计、编码、测试、评审的线性排列正在消失。取而代之的是以上下文工程为核心的快速迭代循环。但质量保障的需求没有消失，它从流程关卡转移到了验证能力和架构判断力上。
对开发者来说，变化已经很明确：工作重心从写代码转向为 AI 编码智能体构建高质量的上下文。美团、菜鸟、剪映的全栈化转型说明，这个转变已经在影响团队编制和岗位定义。
