上个世纪90年代，当人们提起软件编程时，通常意味着选择一个编辑器，将代码检入CVS或SVN代码库，然后将代码编译成可执行文件。与之对应的Eclipse和Visual Studio等集成开发环境（IDE）可以将编程、开发、文档、构建、测试、部署等步骤纳入到一个完整的软件开发生命周期（SDLC）中，从而提高了开发人员的工作效率。

 

近年来，流行的云计算和DevSecOps自动化工具提升了开发者的综合能力，使得更多的企业能够更加轻松地开发、部署和维护软件应用。

如今，生成式AI作为下一代开发范式转变的催化剂，有望改变企业创建和维护软件的方式，并带来新的开发工具和范式。对此，许多开发人员开始疑惑，AI是否会让我们所熟知的编程技能走向消亡。同时，各个企业的IT领导也在考虑：在未来十年中，AI将如何影响SDLC和DevSecOps的发展。带着这两个问题，我将和您在下文中一同寻找答案。

生成式AI是一种新工具，还是一种新的开发方式？

Pulumi的首席执行官Joe Duffy认为：“AI将会增强编程的自动化，大幅提升企业的生产力和产出，从而提高人类操作的抽象水平，而不会真正取代编程。”Thomvest Ventures的负责人Ashish Kakran则认为：“生成式AI正在颠覆软件交付的生命周期。”开发和DevOps团队将变得更具生产力。

同时，随着生成式AI功能的不断完善，开发人员的职责会随之调整。Matillion公司的首席技术官Ed Thompson认为：“Copilots的当前形式，实际上是在提高开发人员的工作效率，消除他们过往的繁忙状态。那些认为Copilots已经从根本上改变了编程江湖的人，是错误地假设了开发人员的工作只是编写代码，而不是解决现实问题。”那么，生成式AI到底在会怎样改变软件开发江湖呢？

1.根据自然语言提示生成标准的代码

Astronomer的Airflow工程总监Kaxil Naik认为：“通过AI生成的代码模板、以及AI辅助的Copilot将自然语言翻译成功能性代码，简化了对复杂代码库的理解，并确保了遵守开发最佳实践，从而将让编程工作变得更加高效。”

StackOverflow的2023年开发者调查显示，有70%的开发者正在或计划在开发过程中使用AI工具。而在那些已经使用AI进行开发的人群中，有超过82%的使用了AI来编写软件代码。这些数字足以表明，开发人员传统的编写代码、重用现有代码、以及构建组件的方式，正在发生模式上的转变。

2.代码验证是开发人员的重要职责

除了让编程变得更加简单和高效，开发人员需要的担负着重要责任是，花费大量的时间、以及使用高效的工具，来验证代码，避免生成的代码存在安全问题、或有性能缺陷。

Sonar的开发者关系部主管Peter McKee认为：“随着开发人员更多地采用AI来提高生产力，他们有责任对AI生成的内容进行全面检查。”通常，边编程边清理，可以确保在交付过程中执行持续的检查和监控。据此，开发人员可以将更多时间花在新的任务上，而无需修复那些人工创建的、或由AI生成的代码里潜在的错误与漏洞。McKee补充说：“如果开发人员未能通过自动化来扫描和监控AI生成的代码，那就意味着后续需要修复的代码和技术债会成倍增加。

3.成为大企业新的开发模式

使用生成式AI工具开发代码，可能会如何影响各个开发团队在大型企业中，支持数千种应用工具和标准。如果开发人员只需编写较少的代码，并更多地与由生成式AI开发的代码相集成，那么大型企业的开发工作会成什么样子？

Red Hat开发工具与战略推广部的Markus Eisele认为：“不同团队的不同工具组合，会导致缺乏标准化和统一的开发实践，更不用说由此增加的开发人员的认知差异。”而由AI构建的集中式开发门户，能够方便开发团队的轻松访问，并通过消除协同过程中的摩擦，来成就跨团队应用的最佳实践。这就意味着集成开发环境可能会蜕变为装配平台，类似于制造业中的计算机辅助设计（CAD）或建筑业中的建筑信息建模（BIM）。其重点将从构建定制组件转移为组装已有组件，以及利用内置工具来验证设计。

4.编程量的减少，代码供应链风险的增加

使用生成式AI开发的代码的另一个影响，是涉及到企业领导者将如何制定相关政策，以及如何监控企业应用中嵌入了哪些供应链的代码。一直以来，企业需要持续跟踪的是开源和商业软件组件。将来，它们需要增加生成式AI的输出这一新的层面。

Sonatype的现场首席技术官Ilkka Turunen认为：“开发人员需要在维护和管理AI供应链方面发挥重要作用。他们将会在企业的日常运营中，对AI模型的安全性、真实性和来源予以更严格的审查。通过实施AI风险评估，并妥善管理AI模型物料清单，企业应确保开发基础架构拥有适当的AI安全和管理。”

在实践中，SAST、DAST、以及其他安全与代码管理工具，能够提高代码扫描的自动化能力，并且可以在开发人员将代码集成到企业资源库之前，协助验证生成式AI的产出代码是否符合安全策略。

5.新模式加速整合

在过去十年中，通过应用程序接口（API）、IFTTT的SaaS集成平台、集成平台即服务（iPaaS）、以及其他生态系统技术，开发人员的代码集成能力有了数量级的提升。尽管如此，开发人员仍然需要做大量的基础性工作，来映射数据字段、编程逻辑转换、以确保可靠性与性能。而利用生成式AI，开发人员可以构建出具备自然语言需求、可视化流程的无代码集成。

供职于SAP AI与创新团队的Emmanuel Cassimatis认为：“过去，从设计、构建、测试、集成、部署、交付到审查，整个开发生命周期中的不同步骤向来是分散的。而AI则可以从不同应用的数据中挖掘并实现一个统一的集成层面，从而加强开发人员之间的协作。”

6.开发人员将成为AI代理的管理者

Honeycomb的首席产品经理Phillip Carter认为，生成式AI将改变开发人员和质量保证（QA）工程师未来的工作任务。“将来，自然语言很可能会指导更多的代码生成和验证生成代码的测试。其中，AI代理将完成大部分工作，而开发人员则需要为这些代理设定需要遵循的编程目标和约束条件。”

Carter继续大胆地预测：“AI代理能够通过分析程序运行时的行为，检查未知的因素，以执行过去开发人员难以企及的QA、可观察性和安全任务。”据此，开发人员可以高屋建瓴地从上层定义系统架构、非功能性、以及操作要求，从而指导生成式AI进行代码开发和自动测试，而非亲历亲为。

7.AI被引入SDLC的多个阶段

虽然目前Copilots和许多生成式AI工具主要侧重于编程，但是其新的功能也会改变SDLC中的其他阶段。Gigster的首席解决方案工程师Humberto Moreira认为：“随着生成式AI被纳入SDLC，不同的模型会有其最为适合的特定周期阶段。例如，A模型可能会针对需求进行优化；B模型则是针对代码开发，而C模型却针对的是QA。”

实际上，由于各类工具提供了更为强大的测试用例，并且能够对代码的更改提供更快的反馈，因此生成式AI模式的转变已经对QA产生了一定的影响。Descope的联合创始人Gilad Shriki说：“随着AI的崛起，从SDK到测试、再到文档，所有围绕着软件工程的方方面面都会得到生成式AI的辅助。开发人员甚至需要以特定的AI使用格式，来记录他们的工作。”

8.生成式AI细分开发角色

生成式AI在软件开发中的角色可能会从目前传统的人类开发职能中分离出来。也就是说，由机器扮演的不同代码生成器、编译器、以及其他开发细分角色会逐渐出现。

Chainguard的工程副总裁Dustin Kirkland认为：“除了人类开发者熟悉的传统代码开发视角，另一种隐蔽的视角将会出现。这种视角虽然对于人类的可读性较低，但是可以被由AI扮演的编译器和解释器完全领会。它将作为另一种代码的中间层，提供所谓AI安全优化的防御视图。”不过，也有人质疑：AI本身的安全识别能力是否准确、高效。

9.AI提高开发过程的运营能力

LaunchDarkly的开发者体验总监Cody De Arkland提出了使用生成式AI、以及交互式学习，来协助提高软件应用的可靠性和操作性的用例。其中包括：

• 开发并生成符合已学到的、满足设计标准的Web应用组件
• 在检测到开发人员创建了新的功能时，创建相应的功能标记
• 启动新的软件部署（CI/CD），并能在发现问题时将其回滚
• 通过定制运行而非部署后运行，为QA提供实时的反馈回路

当然，这些用例也伴随着一个问题：生成式AI将启用或增强哪些下一代开发和SRE能力。

10.企业必须防范的AI风险

随着生成式AI更多地参与到整个SDLC中，一个新的问题可能会出现，即：生成式AI可能引发的知识产权（包括代码和数据）等风险。为此，企业需要权衡其收益是否大于风险。

Tabnine生态系统和业务开发副总裁Brandon Jung认为：我们需要密切关注进入模型的数据，特别是训练集中的数据，花费时间和精力去评估和选择AI模型，以保护企业最宝贵的资产–代码和数据。

虽然我们还处于用生成式AI开发软件的初期，但是生成式AI算法、以及支持这些算法的工具，是否能够建立起保护企业资产的保障措施，则在很大程度上需要依赖于生成式AI本身对于软件开发、测试、部署、以及维护的掌控能力上。

译者介绍

陈峻（Julian Chen），51CTO社区编辑，具有十多年的IT项目实施经验，善于对内外部资源与风险实施管控，专注传播网络与信息安全知识与经验。

原文标题：10 ways generative AI will transform software development，作者：Isaac Sacolick