software development process
PulseAugur coverage of software development process — every cluster mentioning software development process across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
人工智能开发生命周期需要学习，而传统 SDLC 则不需要
传统的软件开发生命周期 (SDLC) 为软件创建规定了明确的指令。相比之下，人工智能开发生命周期 (AIDLC) 要求系统从数据中学习，这带来了新的挑战和机遇。这种转变影响了初级和高级开发人员的角色，以及 AI 代理集成到开发团队中的情况。
-
区块链支持的代理AI框架增强软件供应链安全
一篇新研究论文提出了一个基于区块链的代理AI框架，旨在增强软件开发生命周期的安全性。该框架利用专门的安全代理，每个代理都由大型语言模型驱动，以监控从源代码完整性到运行时策略评估的各个阶段。为确保可信度，代理会生成加密签名的证明，并记录在许可区块链上，从而实现可验证的部署决策并提供透明的来源追溯。
-
AI 代理绕过关键 SDLC 阶段，需要管道强制执行
AI 代理通常会绕过关键的软件开发生命周期 (SDLC) 阶段，对质量、安全和合规性构成风险。这需要将检查直接嵌入自动化管道，以确保不会跳过这些基本步骤。文章强调了在 AI 驱动的开发过程中采取主动措施来维护标准的重要性。
-
AI 代码生成需要严格的门禁来控制依赖项、排序和工具调用
AI 生成的代码通常看起来功能齐全，但缺乏关键检查，导致在软件开发生命周期中出现可预测的缺陷。作者通过对 AI 代理进行广泛测试，识别出常见的问题，例如未经验证的依赖项、不正确的任务排序以及不充分的回滚程序。为了解决这些不足之处，作者建议实施“门禁”而非仅仅是指导方针，如果未满足特定的安全和验证步骤（尤其是在工具调用和处理未知输入方面），构建将失败。
-
AI编码方法和成本分析面临审查 · 跟踪2个来源
“凭感觉编码”——一种不经深入审查就接受AI生成代码的方法——的有效性受到质疑，因为它可能意外失败。另外，理解AI支出需要超越按应用日志记录，以找出实际成本驱动因素。两篇文章都强调了需要更批判性地使用AI工具及其相关成本。
-
人工智能重塑平台工程，将瓶颈转移到治理和安全领域
人工智能正在显著改变平台工程、集成开发平台（IDP）和软件开发生命周期（SDLC）的格局。人工智能驱动的代码生成速度的加快，正将主要的瓶颈转移到开发过程的“外循环”，包括治理、安全、合规和部署流程。一场小组讨论正在探讨这些不断变化的平台动态以及在保持标准化和允许开发人员自主性之间的平衡。
-
AI token 成本由上下文效率低下和语言选择驱动
使用 AI 代理的成本受到 token 消耗的显著影响，这通常是架构效率低下而非提示设计的症状。Arango 的 Shekhar Iyer 指出，企业 AI 代理经常需要从 CRM 和 ERP 系统等分散的数据源重建业务上下文，导致重复工作和更高的 token 成本。同样，对编程语言的研究表明，代码冗长和分词器效率可能导致 token 消耗存在巨大差异，某些语言对于等效逻辑而言比其他语言贵 2.7 倍以上。这表明优化 AI 经济性需要…
-
新的人工智能开发生命周期 (AIDLC) 白皮书提出使用人工智能代理进行实现
一份新的白皮书介绍了人工智能开发生命周期 (AIDLC) 作为传统软件开发生命周期 (SDLC) 的继任者。AIDLC 模型利用专门的人工智能代理来完成大部分实现任务，人类监督则专注于战略、架构和质量保证。该框架旨在通过使用工件作为上下文和门控来管理工作流程，从而提高组织在人工智能开发中的速度和安全性。
-
供应商就“智能体开发生命周期”的定义展开争论
“智能体开发生命周期”（ADLC）这一概念的出现，是为了应对人工智能系统带来的独特挑战，这些挑战打破了传统的软件开发假设。然而，关于其定义、结构和必要性，供应商和分析师之间存在显著分歧。尽管由于人工智能不可预测的行为和快速的演变，人们认识到需要一种新的方法，但不同的公司却不一致地将 ADLC 一词应用于他们现有的或略有修改的流程。
-
AI编码助手重塑SDLC：开发者权衡效率提升与角色转变
在AI编码助手被广泛采用一年后，IT行业正在重新评估它们对软件开发生命周期（SDLC）的影响。讨论显示出一种复杂的接受度，开发者将这些工具融入日常工作流程，同时也质疑实际效率的提升程度。对话还涉及程序员角色的演变、强制使用AI的必要性以及编写和审查代码之间责任的转移。
-
AI与LLM：BMAD作为AI辅助工程的SDLC
本文是探索AI和大型语言模型（LLM）系列文章的最后一篇。它将业务模型架构与治理（BMAD）引入为一种用于AI辅助工程的软件开发生命周期（SDLC）方法。该文章详细介绍了BMAD如何利用上下文、约束和反馈循环来创建可重复的流程，以实现可靠的软件交付。
-
自然语言漂移在代理软件开发中持续存在
自然语言虽然容易发生漂移，但仍然是软件开发的关键组成部分，尤其是在表达用户意图和反馈方面。代理代码生成虽然直接执行这些自然语言指令，但并未消除漂移，反而使其可执行。开发记号的正式程度与技术和业务利益相关者之间的协作潜力成反比，高度正式的记号为非技术人员的参与留下的空间更少。在业务关键决策仍以自然语言表达的领域，为 AI 代理的解释和行动提供了最大的自由度。
-
AI 驱动的软件开发：未来已来
软件开发行业正在经历重大变革，从 AI 辅助模式转向 AI 驱动模式。这种转变将快速交付视为基本要求，而非竞争优势。软件开发的未来被设想为“AI First SDLC”，人工智能将在整个生命周期中发挥核心作用。
-
数据工程驱动新的 AI 开发生命周期
文章介绍了人工智能开发生命周期（AIDLC）的概念，认为这是传统软件开发生命周期（SDLC）的必要演进。文章认为，在人工智能时代，数据工程正处于这一转变的最前沿，推动着软件开发方式的边界。AIDLC 旨在解决人工智能开发特有的挑战和迭代性质，而人工智能开发通常涉及实验和持续的模型优化。
-
AI 工具给传统软件开发生命周期带来压力
传统的软件开发生命周期（SDLC）在引入 GitHub Copilot 和 Claude 等 AI 工具方面正步履维艰。虽然 AI 可以极大地加速代码生成，但现有的 SDLC 顺序化、以人为中心的过程会造成瓶颈。这导致 AI 驱动的生产力提升被缓慢的手动审查和测试阶段所抵消，从而导致冲刺速度停滞不前和未解决的工单。
-
探索AI对软件开发生命周期的影响
两篇文章讨论了AI在软件开发生命周期（SDLC）中不断演变的角色。其中一篇文章重点介绍了一系列关于AI如何从根本上改变SDLC实践的文章，建议在保持核心原则的同时进行适应。另一篇文章则侧重于AI如何重新定义行业价值，强调了专业人士视角的变化。
-
人工智能驱动开发（AIDLC）取代传统SDLC，加速上市时间
传统的软件开发生命周期（SDLC）正被一种称为AIDLC的人工智能驱动方法所取代。这种新方法有望显著缩短产品上市所需的时间。AIDLC正在从根本上改变软件的开发和交付方式。
-
OMSCS CS6200 (操作系统导论) 评测与建议
Eugene Yan 发布了佐治亚理工学院在线计算机科学硕士 (OMSCS) 项目中几门课程的评测。这些评测涵盖了从人工智能、机器学习到操作系统、人机交互和软件开发流程等主题。Yan 在每篇评测中详细介绍了课程结构、工作量、项目要求以及他个人的学习体验，并经常将其与他作为数据科学家的专业工作进行比较。