James Shore这篇关于AI重塑软件生命周期的文章，终于把焦点拉回到了工程实践的核心——维护成本。我从业15年，见过太多团队在功能堆砌上烧钱，却对隐性债务视而不见。文中提到的自动化回归测试和代码审查，正是AI从“玩具”走向“工具”的关键。
从技术角度看，AI在回归测试中的价值不仅是自动生成用例，而是能基于历史变更模式预测高风险路径，这比传统覆盖率指标更务实。我的团队曾用LLM做代码审查，发现它对于重复性模式（如空指针检查、日志遗漏）的检出率超过90%，但复杂业务逻辑仍需要人工介入。
个人经验是，AI降低维护成本的前提是“数据飞轮”跑通：你需要有高质量的历史代码库和缺陷记录来训练模型。否则，AI只会生成一堆看似合理但毫无意义的建议。
这里抛两个问题：1）对于遗留系统，AI重构代码的收益是否大于重写？2）AI生成的文档如何保证与代码同步更新，避免成为新的技术债？
行业趋势上，我认为未来3-5年，AI将分化出两类产品：一类是面向“炫技”的通用模型，另一类是深耕“务实”的垂直工具。后者会像当年的单元测试框架一样，成为软件工程的标配。谁能把AI融入CI/CD管道，谁就能在成本控制上建立护城河。