前言：如何阅读本书
在一套没有改变的流程上加一个 AI 编码助手，多半只是把队伍挪了个位置：代码来得更快了，等着被检查的时间却更长了。这本书写给正在决定下一步该改什么的人。它为软件交付的八个阶段各画出五级 AI 权限，并整理了公开证据：哪些攀升真正带来了回报。如实给每个阶段定位，只在有一道 AI 改不了的检查时才往上走，并把退回一级当作日常操作。
本书写给谁
本书有两类读者，他们需要从同一批证据里拿走不同的东西。工程负责人决定钱、人手和风险投向哪里；技术负责人与资深工程师决定交付中的某一个阶段下周一具体怎么变。全书分三个部分，让每类读者各取所需。
- 工程负责人：按顺序读第一部分。它讲清为什么要改，定义后续每一章都会用到的成熟度模型，并展示其他组织实际测量到了什么。
- 技术负责人与资深工程师：先读成熟度模型，再直接跳到你负责的那个阶段在第二部分里对应的章节。每一章结构相同，从阶梯一路讲到迁移步骤。
- 正在推动一次迁移：第三部分就是计划。评估你的起点，跑一个 90 天的试点，把它推广开，并事先想清楚什么情况会让你回退。
第一部分“理由与地图”论证瓶颈会转移——从写代码转到核验代码；它定义这条阶梯，为公开案例评定证据等级，并说明如何读懂这些案例背后的经济账。第二部分“逐个阶段”按交付顺序依次讲八个阶段，从需求一直到维护，最后以安全、权限与爆炸半径收尾，因为有据可查的每一起破坏性事故都落在这里。第三部分“迁移”把地图变成一个顺序：评估、试点、推广、配置人员、度量，并在数字提示时回退。
一张图看懂地图
本书的地图是一张网格：纵向是八个阶段，横向是五个级别。每个格子里写着一条可观察的判定标准，以及有人这样工作的最佳公开证据。下图把网格压缩成每格一个问题：有没有人公开过基于 LLM 的工具在这个阶段、这个级别上运作的证据？
Public evidence for LLM-based AI, by phase and level (to October 2026)
L0 L1 L2 L3 L4
Requirements - ● ● ○ ·
Design - ● ● · ·
Coding - ● ● ○ ·
Review - ● ● ○ ·
Testing - ● ● ● ·
CI/CD - ● ● ○ ·
Operations - ● ○ ○ ·
Maintenance - · ● ● ·
● a published, measured result (any evidence tier)
○ partial: mechanism only, volume only, or self-reported
· none found
- L0 means no AI in the phase; not scored
按列来读。L1 和 L2 很拥挤。在 L3 上，有测量结果的只有维护和测试两个阶段。编码在 L3 只有产出量数据、没有结果度量；运维有一个范围很窄的事件类别（自报）；需求、评审和 CI/CD 只有机制或局部信号。设计在 L3 上完全没有证据。L4 这一列在每个阶段都是空的——就 LLM 而言。每个格子及其来源，都列在成熟度模型一章的网格里。
这张网格本身就是本书的贡献。目前没有任何已发表的模型对各阶段分别打分。几乎所有模型都只是一条针对编码的单一刻度，通常借自 SAE J3016 自动驾驶分级，比如 Sourcegraph 的代码 AI 分级 和 Hassan 等人提出的软件工程分级。单一刻度没法表达“一个团队的编码处在 L2、运维还停在 L1”，也没法表达同一阶段里某类任务比另一类走得更远。
这里的“级别”指什么。一个阶段的级别，是人在什么时候评审什么，再对照 AI 实际持有的权限来读。在 L2，人评审 AI 产出的每一件制品；在 L3，人评审的是证据包、抽样，或者只评审被路由给自己的那些条目。如果 AI 的凭证能够到的范围超出了评审方式所暗示的程度，就取较高的那个读数：一个持有可访问生产环境令牌的智能体，对这个令牌能触及的一切而言就处在 L4，不管团队管它叫什么。级别按具名的任务类型打分，而不是按阶段或按工具。完整的规则见成熟度模型一章。如果你熟悉本站的自主级别页面，请注意它从 L0 =“建议”开始计数，所以它的编号比本书低一级。
贯穿全书的三个观点
1. 瓶颈会转移。生成变便宜之后，剩下的活儿是决定做什么、检查做出来的东西。2025 年的 DORA 报告在解释为何没有发现总体摩擦发生变化时这样说：对个人而言，摩擦“从手工苦活转向了决策与核验，形式可能是反复调整提示词、审查结果，以及评估那些看起来与正确代码极其相似的代码”（第 40 页）。一个只给编码提速的组织，换来的是评审和测试前面更长的队伍。《当代码变便宜，瓶颈就会转移》摆出了证据。
2. 级别是选择，不是目标。没有哪一章会叫你冲到 L4。Google DeepMind 的 Morris 等人写道，“合适的自主级别不必是底层模型能力所能达到的最高级别”（ICML 2024）。Feng、McDonald 和 Zhang 主张，“智能体的自主级别可以被当作一项有意为之的设计决策”（2025）。一个阶段合适的级别，是你的核验能力和风险上限所能支撑的最高级别；对今天的许多任务类型来说，那就是 L2。
3. AI 会放大你本来的样子。DORA 2025 年的头号结论是：“AI 的首要角色是放大器，它会放大一个组织既有的长处和短处。”薄弱的测试、过大的批量、不清晰的归属，不会因为生成器变快而被修好，只会变得更刺眼。所以每一章花在前提条件上的篇幅，和花在工具上的一样多。AI 原生 SDLC 的制品链一文从各阶段之间交接的文档这一侧，讲的是同一个道理。
证据如何分级
企业关于 AI 的说法常常是营销，所以每个案例、每个承载论点的数字都要评级。一个来源的等级，取“谁测量的”和“怎么测量的”两者中较低的那个。
等级旁边还可能附带两个标记。二手表示这个数字只在媒体对某个一手来源的报道里读到，本书没能读到那个一手来源。有争议表示各方说法相互矛盾，本书会把双方都列出来。
等级在页面上以四种方式呈现。
- 每个案例、每个承载论点的数字正下方，都有一行“测量方”，写明谁测量、用什么方法、样本或时间窗口，以及等级。样子如下：
- “厂商自报”框收纳唯一来源是被测产品厂商本身的数字。框里写明谁测量、他们的指标里“成功”指什么、缺了什么。正文可以说厂商遥测在方向上一致，但绝不把论点建立在框里的数字上。
- 日期。产品能力、默认设置、价格和采用率数字都标注“（截至某年某月）”。研究和事故则标注其自身的日期。
- 本书的提议，比如每个级别的权限边界和回退触发条件，都会明确标注。它们综合自厂商默认设置和事故后的修复措施，目前没有任何组织发表过经结果验证的版本。
本书不是什么
不是工具指南。产品只作为某种模式的例子出现，并标注日期，因为它们变得比任何一本书都快。而那些模式——先有核验器、用沙箱、工具集保持精简、事先规划评审容量——比产品活得更久。
不是终点处方。本书没有 L5，L4 也总是连同其范围一起写出，比如“针对不稳定测试隔离的 L4”，绝不写成“这个阶段自己就能跑”。严肃的来源看法一致：Hassan 等人说通用领域自主“尚不存在”，云安全联盟（CSA）说其最高级别所需的控制机制“还不存在”。
不是法律意见。监管与许可状况每个月都在变。它们被集中整理、注明日期，放在附录 B《监管与许可现状（截至 2026 年 10 月）》里，各章只指向那里，不再重复。
关于来源的说明。好几个最坦诚的一手来源，恰恰是厂商在测量自家工具，其中包括 Google、Meta、微软和 Anthropic。凡是它们作为一手来源的地方都会引用，并且与其他所有来源适用同样的规则：证据等级、“测量方”一行、“厂商自报”框。没有哪家厂商因为坦诚而被放行，也没有哪家因为在卖东西而被排除。