The Agent Development Lifecycle has arrived on Cloudflare
来源：Cloudflare 官方博客（2026-08-04），作者 Brendan Irvine-Broque（Cloudflare 平台团队），属 agents-week 系列，与 20260805-how-we-use-ai-cloudflare-os 同窗口。evidence_level 取 medium：官方平台发布文（vendor perspective），范式声明（SDLC→ADLC）与七项需求为应然论述；机制映射（Workflows/@cloudflare/ci/Preview/Flagship 等）可独立验证，但无端到端软件工厂的独立实证（Astro 案例在另一篇，且限于 issue triage）。
编译摘要
1. 浓缩
- 核心结论1：SDLC → ADLC 是范式跃迁，起因是"实现加速悖论"——SDLC（可溯至 RAND 1975 的 Systems Development Lifecycle）假设"多人协作写代码"；AI 把原本最慢最贵的 implementation 变成最快最便宜，导致下游所有环节超载（开源维护者被成千 PR/issue 淹没，生产工程师被数量级上升的交付速率压垮）。ADLC 主张 agent 覆盖全生命周期，而非只覆盖 generate 端——你绝不会让一个工程师只写代码、让另一个人验证/合并/部署/扛 pager，但现在多数公司正这样对 agent 干。
- 关键证据: "Agents can write code faster than teams can review, deploy, and maintain it"；"We are all trying to save our systems, our customers, and ourselves from slop"；Cloudflare 把 agent 当一等公民客户（能买域名、建临时账户、调整个 API）。
- 核心结论2：软件工厂的平台七项硬需求——把钥匙交给 agent 前，每个原先靠人手的步骤必须重做：① Programmatic（ClickOps 对 agent 是 non-starter，一切要有 API）② Horizontally scalable（每个 agent 有自己的与生产一致的 preview）③ Reproducible（4G 模拟/iPhone/地理 IP 类 bug 单测抓不到）④ Real-time, push-based（等人盯 dashboard 对 agent 彻底失效，要事件触发）⑤ Atomic（每个变更独立可测/可发布/可观察/可回滚）⑥ Permissioned（今天你敢给几个资深工程师 SSH 进 prod 的钥匙，但 agent 需要能 escalte 获得权限才能干活）⑦ Self-improving（人会从 on-call 中学，agent 也要能学习）。
- 关键证据: 自驾车类比——"Self-driving got to around 80% as good as humans 10 years ago"但交钥匙的标准是 99%+ nines 且更安全，所以自动驾驶车有 lidar/远程接管等人类车没有的东西；"To give agents the keys to drive the SDLC, you can't give them a car designed for humans"。
- 核心结论3：Workflow 是新 CI/CD——CI/CD pipeline 只是 Workflow 的特例——Workflow 持久化状态、自动重试、可运行分钟到周、可动态定义、可嵌套、可 spawn agents/containers/browsers，配合 Artifacts 作存储层；正文用 NightlyReview 示例展示 Workflow 动态 spawn Reviewer agent 并在步骤间传参。
- 关键证据:
@cloudflare/ci示例（bun install → 并行 lint/test/typecheck/build → deploy 链式 runner）；"A CI/CD pipeline is just a Workflow. But a Workflow can be so much more than a CI/CD pipeline"；SDLC 各阶段映射到 Cloudflare 栈（Vite/Rolldown→Browser Run/Vitest→Flagship/Gradual Deployments→Logs/Agent Traces/MCP/Analytics）。
- 关键证据:
2. 质疑
- 关于"结论1"的质疑：本质是平台发布文——把自家产品（Workflows/Artifacts/@cloudflare/ci）映射为"软件工厂必然基础设施"有自家狗粮=自家卖点的嫌疑；"SDLC 假设崩塌"是应然判断，未提供崩塌的数据（"orders of magnitude"无具体数字）；文中也承认"对多数组织我们还没到那一步"。
- 关于"结论2"的质疑：七项需求的"必备"断言缺少反例与成本测算；80%→99% 的桥只给了组件清单、没给机制路径。自驾车类比有边界——自动驾驶失败的负外部性是物理世界的（撞人不可回滚），而多数软件失败是可回滚的部署，未必需要"n nines 才敢交钥匙"；该类比可能为 over-engineering 背书。permissioned 需求（escalation）没有讲"agent 拿到更多权限后如何被审计/回收"。
- 关于"结论3"的质疑：Workflow 编排的复杂度（状态持久、嵌套 spawn、跨步骤传参）有调试与观测成本，文章只给了 hello-world 级示例；"spawn 8 个 agent 跑全栈"类成本（对照 20260812-github-ai-first-contributors 的 PR 测试 rig 贵到只对很小/很大 PR 跑）未被 ADLC 讨论。"agents as customers"制造更大滥用面（agent 身份化的 spam/漏洞利用），行文未谈治理。
- 关于证据的质疑：全为产品能力展示与自报叙事，无独立基准；Astro 案例（另一篇）是唯一实证且限于 triage；"80% 人车驾驶水平十年前就达到"是转述常识非本文测量。
3. 对标
- 跨域关联1（综合判断）：自驾车 80%→99% 鸿沟 = Grindability-vs-Verifiability / AI-Autonomy 的信任梯度问题——自主系统从"差强人意"到"可交钥匙"的边界与控制理论、人因学经典难题同构，也对应 Software-Development-Autonomy-Levels 的 Level II/III 缺口。
- 跨域关联2（综合判断）：Workflow 编排 spawn agents ≈ Agent-Orchestration（OpenClaw/Zoe）的声明式、持久化版本——把编排从"人盯 dashboard"变成持久状态机 + 事件触发；"Workflow 是 CI/CD 超集"与 Machine-Readable-Processes（流程显式化）、Alert-Closed-Loop（实时 push 取代人盯）同向。
- 跨域关联3（综合判断）：七项需求中的 permissioned + escalation ≈ Escalation-Based-Human-Oversight；reproducible（4G/地理 IP）≈ Agent-Verification 的"真实数据不可替代"命题（Agent 验证需与生产一致的环境）；self-improving 与 Skill-Internalization / Compound-Engineering 的"从经验中迭代"同源。
- 跨域关联4（综合判断）：SDLC→ADLC 与 Knowledge-Work-Redefinition 同域——当 implementation 贬值，design/test/deploy/maintain 相对升值，人的剩余价值在 taste/judgment（"shift more human time towards the things that truly require human inspiration, taste, and judgement"）。
- 约束分析（3c）：硬约束——agent 调用的东西必须可编程、可复现、可观测（否则被卡在人肉环节，这是工具世界规律）；软约束——"ADLC 取代 SDLC"是范式声称，组织可保留人本 SDLC；自设约束风险——Cloudflare 把自家平台组件定义为工厂"必备基元"，复制需剥离（对照 AI-Deployment-Invisible-Costs）。