Cloudflare近日提出Agent Development Lifecycle，也就是智能体开发生命周期，并发布一批面向AI软件开发的新工具。其核心思路是让智能体参与规划、编码、测试、部署、监控和维护，不再只负责生成代码。
AI编程工具大幅降低了代码生产成本，也把压力转移到了代码审查、测试、部署和生产运维环节。开发团队可以更快地产生代码，但开源项目可能收到大量拉取请求，生产工程师也需要处理更频繁的软件变更。Cloudflare认为，继续让人类逐步指挥智能体完成传统SDLC流程，很难支撑未来的软件生产规模。
一、ADLC与传统SDLC有什么区别
传统软件开发生命周期通常包含计划、设计、实现、测试、部署、维护和停用。现阶段的大多数AI编程工具主要参与实现环节，代码完成后仍由人类负责验证、合并、发布和故障处理。
ADLC希望扩大智能体的职责范围。生产错误、客户反馈或新功能需求进入系统后，智能体可以分析问题、修改代码、运行测试、创建预览环境、观察生产指标，并在获得授权后推进部署。
Cloudflare将这种由智能体持续构建、改进和维护软件的系统称为软件工厂。人类则把更多时间投入产品设计、客户沟通和需要经验判断的工作。
二、Cloudflare同步推出哪些工具
Cloudflare围绕ADLC公布了多项工具和平台能力。
1、@cloudflare/ci
@cloudflare/ci基于Cloudflare Workflows构建，可用于执行安装依赖、代码检查、测试、类型检查、构建和部署等任务。
与传统线性CI/CD流水线相比，Workflows可以长时间保存任务状态，自动重试失败步骤，还能动态创建新的工作流或智能体，适合处理持续数小时甚至数周的复杂任务。
2、本地OpenTelemetry追踪
Wrangler和Cloudflare Vite插件加入本地OpenTelemetry追踪能力。智能体可以在本地开发阶段查看调用过程、错误和性能数据，并使用接近生产环境的方式定位问题。
3、Cloudflare Agents与Agent Traces
Cloudflare Agents和Agent Traces面向智能体的运行、观察和持续改进。Agent Traces可以记录智能体会话及工具调用轨迹，帮助开发团队还原任务执行过程，判断故障来自模型、提示词、工具接口还是外部服务。
三、软件工厂需要哪些基础能力
Cloudflare认为，智能体要自主参与软件交付，平台需要满足七项要求。
- 所有关键操作都应提供可编程接口
- 每个智能体都能获得接近生产环境的预览环境
- 特定设备、网络和地区问题能够被重现
- 生产错误可以通过事件自动触发处理流程
- 每项变更都能独立测试、发布和回滚
- 智能体可以在受控范围内申请更高权限
- 系统能够从日志、追踪和历史结果中持续改进
这些能力用于降低智能体自主操作生产系统的风险。涉及合并代码、扩大流量、修改生产资源和处理安全事件时，仍需设置权限边界、人工确认和回滚方案。
四、Cloudflare如何支撑完整开发流程
Cloudflare列出的ADLC技术栈覆盖了软件开发的多个阶段。
Vite、Rolldown和Oxc可用于本地开发与构建，Local Explorer和Local Traces帮助智能体调试，远程绑定允许本地代码连接Cloudflare上的真实资源，预览URL则可以为每个拉取请求创建验证环境。
测试阶段可以使用Browser Run和Vitest。部署阶段可结合功能开关与渐进式发布，将新版本先开放给部分流量。上线后，Workers Logs、Agent Traces和Analytics Engine可用于查询日志、观察指标和定位故障。
这些组件已经存在，ADLC所做的工作是把它们放进一套由工作流和智能体协同执行的软件生产体系中。
五、ADLC会取代软件工程师吗
Cloudflare提出ADLC的目标，是减少软件交付流程中的人工等待和重复操作。智能体可以承担代码检查、测试、问题分类、预览部署和日志分析，人类仍需负责产品方向、设计判断、权限政策和高风险决策。
当前智能体在复杂生产环境中仍可能出现错误调用、错误判断和执行失控。企业采用ADLC时，需要完善可观测性、最小权限、费用限制、人工审批和故障回滚机制。
Cloudflare此次提出ADLC，意味着AI编程正在从单纯生成代码走向完整的软件工程流程。未来的竞争重点也会逐渐转向智能体能否安全、稳定地完成测试、部署和维护。
常见问题
ADLC是什么
ADLC全称为Agent Development Lifecycle，即智能体开发生命周期。它让AI智能体参与软件规划、实现、测试、部署、维护和故障处理。
@cloudflare/ci有什么作用
@cloudflare/ci基于Cloudflare Workflows构建，可编排代码检查、测试、构建和部署，也能在工作流中调用智能体处理更复杂的任务。
Agent Traces解决什么问题
Agent Traces记录智能体会话、执行步骤和工具调用过程，帮助开发团队观察智能体行为、定位失败原因并持续优化。
ADLC适合哪些团队
它更适合正在构建AI软件工厂、自动化CI/CD、代码智能体和生产运维智能体的开发团队。普通项目也可以先从自动测试、预览部署和日志分析等低风险环节开始采用。
-
广告合作
-
QQ群号：4114653
