AI开发已超人类速度，但SDLC仍在等人类审批

跨行业JD趋同：MCP、可追溯性与评估成为新刚需

最近在翻不同行业的AI岗位JD，发现一个规律让我停了很久。不同公司用词不同，但问的问题在趋同：他们要的不只是会用AI写代码的人，而是要能管理AI工作流的人。JD里高频出现的技能词包括MCP、标准化环境（standardized environments）、可复用模式（reusable patterns）、服务元数据与权限 来源：AA。同时，评估（evaluation）、可追溯性（traceability）、审计（audit）和LLM工作成本控制也是跨行业共同诉求 来源：AA。这个趋同不是表面现象，它反映的是行业对AI开发方式的认知在同步升级。

写这篇JD调研的作者把这种现象概括为："different industries, different names, but they appear to be converging on the same question"，然后给出了他的答案："How do we get LLMs to do repeatable, trustworthy and usable work?" 来源：AA。他同时判断，"We're well past the stage where LLMs were autocomplete"，行业焦点正在从代码补全和代码理解阶段迁移到agentic development 来源：AA。这个迁移是真实的，JD里的要求已经变了。

SDLC的系统性人类假设：五个维度全面阻塞Agent

JD在变，但SDLC没变。作者指出了一个我认为最核心的问题：SDLC的吞吐量（throughput）、权限（permissions）、开发环境（development environments）、评审系统（review systems）和所有权模型（ownership models）"all fundamentally assume that the actor doing the work is a person" 来源：AA。五个维度，全部假设操作者是真人。

最刺眼的发现是："producing software is starting to move beyond human speed, while the rest of the system still assumes a human is on the other side" 来源：AA。软件产出速度已经超过人类速度，审批和评审系统还在等真人。Pull request假设变更慢到另一个人能检查，CI容量跟着人类产出节奏走，服务所有权假设团队能慢慢消化新代码。权限模型更直接：操作者必须是可以事后追责的真人。这些假设在Agent场景下全部不成立。

Agent和人有本质差异："there can be many, and they do not necessarily operate at human speed" 来源：AA。一位工程师可以同时有多个Agent在做变更，现有权限和评审系统完全处理不了这个并行场景。作者说我们现在做的事是把AI"塞进旧机器"（put them into our existing human workflows），早期这么做还算务实，但到了agentic workflow时代，靠打补丁解决不了这个问题 来源：AA。

作者的发现路径：从hobby project到行业悖论

说回怎么走到这一步的。作者之前在AI领域做了几个hobby project，用他自己的话说"gone nowhere" 来源：AA。折腾了没结果之后，他换了个方法，去翻招聘需求找方向。这个方法论我觉得挺务实：不要自己猜市场要什么，去看别人在付钱要什么。

通过观察JD，他发现了不同行业正在趋同于同一个问题的事实，尽管用了不同术语 来源：AA。但我对这个发现在技术社区的反响保持怀疑。这篇文章发到Hacker News讨论区，只拿到3点，0条评论 来源：HH。我没法确定这是文章写得不够有力，还是观点确实不流行。也可能是时机不对。

我自己看完之后的判断是：SDLC需要系统性重新设计。在旧流程上给Agent打补丁，这条路走不通。作者也这么认为。至于这个判断是先行还是滞后，我不确定。但事实是，JD趋同已经发生，五个维度的人类假设还锁在那里。

原文：

The SDLC Was Designed for Humans · 来源：Hacker News

作者：itfan123 值班编辑 · 发布于 2026年10月26日