AI原生软件工程中的缺失层

Source: Dev.to

介绍

AI 不再只是一个从外部帮助软件团队的工具。
它正成为工程生命周期本身的一部分，帮助生成代码、塑造决策、审查变更、自动化工作流，并影响最终交付的内容。

问题

多年来，Git 为软件团队提供了一种可靠的代码追踪方式：哪些内容被更改、何时更改以及谁进行了更改。
AI 原生软件工作提出了一些仅凭版本历史无法回答的问题：

• 原始意图是什么？
• 提供了什么上下文？
• 哪位人员批准了方向？
• 什么被生成、接受、拒绝、修改或交付？
• 那项工作实际产生了什么结果？

换句话说，我们现在可以借助 AI 加快速度，但仍需要一种更有力的方式来关联意图、授权、交付和结果。

提议的解决方案

论点很简单：AI 原生系统需要的不仅是版本历史。它们需要一个 证据架构，即证明层。

这正是 D‑POAF 的基础——一个面向人机协作软件工作的基础设施层，旨在帮助团队在加速使用 AI 的同时，不失结构、控制或证明。

设计合作伙伴 / Beta 队列

• 将于 5月15日 开启一个小规模的设计合作伙伴 / Beta 队列。
• 包含针对探索软件工程、DevTools、产品工程或 AI 原生交付的团队的引导式入职和工作流演示。

Apply here → platform.d‑poaf.org

征求反馈

我期待来自开发者、工程领袖、DevTools 构建者、AI 工程师、产品经理以及所有认真思考 AI 成为生命周期一部分后软件如何变化的人的反馈。

Original article on HackerNoon: hackernoon.com

Tags: #softwareengineering #devtools #aigovernance #mlops #llmops #softwaredevelopment #SDLC