文章总结了Thoughtworks软件发展未来研讨会的核心内容：研讨会探讨了AI辅助开发对传统软件开发模式的冲击，现有工具和实践在AI时代面临挑战，新的替代方案正在形成但尚未成熟。讨论聚焦八大主题，包括严谨性、中间工作循环、技术基础和人本因素等。作者澄清会议并非要制定类似敏捷宣言的新AI开发宣言。

文章重述：2026年2月18日片段

关于Thoughtworks软件发展未来研讨会的后续分享

在活动结束后，尽管疲惫，Rachel Laycock和我还是应市场团队要求录制了一段视频。我们常被问及这次活动是否旨在制定类似《敏捷宣言》（现已25年历史）的AI开发新宣言。简而言之，答案是否定的。完整回答可观看我们的视频。

同事们整理了一份17页的详细总结，将讨论分为八大主题，包括： - "严谨性何去何从？" - "中间循环：新的工作类别" - "技术基础：语言、语义与操作系统" - "人文层面：角色、技能与经验"

研讨会揭示了一个一致模式：为纯人类软件开发设计的实践、工具和组织结构，在AI辅助工作的压力下正以可预见的方式失效。替代方案正在形成，但尚未成熟。

值得业界广泛讨论的观点包括：监督工程中间循环、风险分级作为新核心工程学科、TDD作为最有效的提示工程形式，以及以代理体验重构开发者体验投资。

与会者见解

Annie Vella分享了她的体会：

我原以为会见到已经破解AI规模化应用密码的行业精英，却发现没人完全掌握答案。关于AI如何提升生产力、角色转变等问题，不确定性远多于确定性。这种共识反而令人安心——至少我们现在明确了应该提出的问题。

Rachel Laycock在The New Stack的采访中指出：

AI更像是现有状况的加速器。2025年DORA报告显示，AI主要放大软件开发流程中的优劣。虽然它能提升个体开发效率，但如果缺乏成熟的交付实践，速度倍增反而会加速技术债务积累。

关键议题探讨

技能转型：LLM正在吞噬专业技能。随着LLM驱动技能比平台细节更重要，前后端专家的需求可能减少。这会促进专家型通才的崛起，还是仅仅让LLM绕开而非消除技术孤岛？

成本考量：当前代币补贴结束后，LLM会否比人力更便宜？真实成本仍不透明，未来可能便宜到无需计较，也可能昂贵到必须精打细算。

开发流程：规范需求的增加会否导致瀑布式开发回归？业务方"完成后才找我"的本能倾向与LLM对演进式设计的影响形成张力。但LLM的真正价值在于加快小功能块的迭代速度。

安全挑战：安全议题讨论参与度不高。某大企业代表坦言他们有意落后前沿四分之一进度以管控风险。平台需要构建"子弹列车"般快速安全的AI部署路径，而当前AI供应商的安全投入可能不足。

会议亮点

采用Open Space形式让新参与者体验到深度对话的魅力。有与会者特别赞赏讨论中表现出的尊重氛围——没有常见的打断和话语权垄断现象。一位女性参与者表示："在这里我无需强调性别，只需作为普通参与者存在。"这种 camaraderie（同志情谊）正是Thoughtworks的特色。

行业观察

Stephen O'Grady指出软件行业正感受AI的围城心态。虽然AI降低了开发门槛，但就像自动织布机和核反应堆，这项技术将永久存在。关键在于如何最大化其收益并降低代价。

Grady Booch建议开发者"保持冷静"，认为AI只是技术抽象化进程的新阶段，将为行业开启新可能。

代码健康研究

Adam Tornhill公司的研究显示： - 在健康代码库中，LLM的行为保持性重构成功率高出30% - 研究尚未涉及真正的遗留系统，但缺陷率增长很可能呈非线性上升

TDD的价值

一位LLM重度用户反馈：

测试驱动开发(TDD)对我们有效使用LLM至关重要

虽然需警惕确认偏差，但前沿实践者普遍认同清晰测试和TDD循环是驾驭LLM的关键工具。

（注：保留原文超链接便于读者查阅原始资料，实际发布时可调整为适合目标平台的格式）

以下是评论内容的总结：

1. 财富与AI发展速度

   • 观点：超级富豪能更快采用AI技术，普通富人难以跟上
   • 引用："the people that are filthy rich can afford to move so fast"
   • 引用："these are the ones with truly excess money to burn"

2. AI采用与风险管理

   • 观点：企业需平衡AI采用速度与风险管理
   • 引用："deliberately slow with AI tech, keeping about a quarter behind the leading edge"
   • 质疑："prompt injection springs eternal"（安全风险持续存在）

3. 技术债务与代码价值

   • 观点：所有代码都是技术债务，但债务本身不一定有害
   • 引用："all code is tech debt... buying a house with a mortgage is also debt"
   • 反对观点："debt to become a synonym for liability... putting liabilities into your assets"

4. LLM对开发者的影响

   • 观点：LLM可能减少专业开发者需求，提升通才价值
   • 引用："LLMs are eating specialty skills... more of a generalist"
   • 引用："LLMs can make you average in a new area quickly, but need expertise"

5. 运行成本争议

   • 乐观派：硬件进步将大幅降低token成本
     • 引用："Kimi K2... costs 20k... far cheaper with specialized hardware"
     • 引用："Chinese open source models are dirt cheap"
   • 悲观派：补贴取消后成本可能飙升
     • 引用："minimum of a 12x increase in costs"
     • 引用："Claude can exhaust a $20/month session limit with one difficult problem"

6. 当前技术局限

   • 观点：即使顶级模型仍存在性能、安全等问题
   • 引用："consistently find issues... memory leaks, bad assumptions"
   • 引用："spend more time reviewing and validating changes"

7. 未来工作模式

   • 预测：小型团队+AI代理将成主流
   • 引用："it's 2 people teams... managing agents"
   • 引用："what we are doing will be near unrecognizable in a year"

8. 实用建议

   • 风险管理框架："triage by risk class... auth flows in slow lane"
   • 测试重要性："agentic future is test-driven... executable specs"
   • 行业现状："nobody has it all figured out... people saying they have are misleading"

关键分歧点：
- AI运行成本发展趋势（乐观vs悲观）
- 技术债务的本质（必要工具vs潜在负债）
- LLM对开发人员结构的影响（专业vs通才）

主要共识：
- AI技术尚未成熟，需保持审慎
- 行业转型速度极快，现有工作模式将发生巨变
- 风险管理是关键挑战