AI 写代码的速度和 CI 管线的速度之间，差距已经大到荒诞的程度：一个功能几分钟生成，评审排几小时，部署等人批，出了 bug 再排一轮。9 月 21 日 Cloudflare 发的长文，本质上是在问一个问题——当写代码的单元从人换成智能体，软件交付流程里每个「人审节点」还站得住吗？
SDLC 哪里断了
传统软件开发生命周期假设每个环节的主角是人：人写码、人评审、人盯测试、人批上线。AI 辅助生成没有打破这个结构，只是让人写得快了些。Cloudflare 的判断更进一步：代码生成已经被机器提速，而下游的测试、部署、维护还卡在人类节奏的管线上，智能体的速度优势全耗在排队上。答案是把完整生命周期交给智能体，工程师退到定义策略、检视证据、控制敏感资源的位置——他们把这叫软件工厂。
三个部件
落地结构分三块。编排层是 Workflows：与静态 CI 管线按预设步骤执行不同，它能按运行时条件动态拉起容器、跑无头浏览器、派发子智能体——写 Web 应用的智能体可以顺手起一个浏览器测界面、一个数据库容器验持久化、一个安全子智能体扫漏洞，全在同一条持久化工作流里。其上是 @cloudflare/ci：直接跑在 Workflows 上的持续集成系统，带依赖缓存与凭据支持，智能体可以自己处理失败、修 bug、分流问题单。
第三块是可观测性，对已经在生产环境跑智能体的团队最解渴。传统应用遥测只记录基础设施指标，看不到智能体为什么这么做。Cloudflare 的仪表盘用 OpenTelemetry 兼容追踪，把模型调用、工具执行、Token 消耗全部落盘，工程师可以回放会话、检查子智能体交接、定位畸形参数。Token 用量在这里被当成部署指标看待——一个通过功能测试但 Token 烧穿预算的变更，同样算失败。
安全模型：Trust Ratchet
自动化的前提是信任模型重写。Agent Access Model 把策略执行从提示词层下沉到网络与 harness 层：智能体拿到的凭证短时效、绑定单一任务、有明确的能力上限——提示词挡不住机器速度的越界，网络策略和运行时控制才行。名字起得很形象的 Trust Ratchet 是个单向棘轮：智能体一旦触碰受保护资源，能力立刻被收窄且只降不升，处理到恶意输入时，横向移动的路径被提前掐断。这个设计与智能体日志「只增不改」的思路同向——都假设智能体会出错，把补救做进架构而不是祈祷它不出错。
它改变的不是工具，是岗位职责
顺着这套模型往下推，工程团队的工作内容会跟着变。Cloudflare 在文中把运维要求列得很具体：为重试、资源占用、任务时长设清晰上限；工作流状态可复现，出了失败能定位到哪次模型调用、哪个工具结果、哪段代码改动；预览环境按需即起、任务隔离、连生产同构数据但不暴露敏感记录。工程师检视的对象从一行行 diff 变成完整的变更集与证据链，评审的重点从「代码对不对」上移到「策略对不对」。这个转变与此前多家厂商把策略执行下沉到协议层的动向是同一个方向：人的注意力是稀缺资源，得花在机器替不了的地方。
冷静的部分
这套方案还是早期形态，开发者社区的质疑集中在质量控制：没有人类评审的自动部署，风险恰恰是传统 CI 门禁要防的东西。更现实的读法是：ADLC 不是把 SDLC 推倒重来，而是把其中每个「这一步非得是人吗」的节点单独拿出来重审——有的答案是策略加证据，有的答案仍必须是那个点头的人。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。