S76 · 总 Day 166教材已备 ≠ 学习已完成

S76：可选 AI-assisted SDLC 探索：调整 Queue Capacity 或研究一条代码 Agent 路径

今日只选一项：对 toy reviewer queue 改一个容量参数，或将 AI-assisted SDLC 从 issue→plan→change→review→verify→deploy 画成证据链，不要测量真实员工或搭建全套平台。

2027-02-06

内容类型：预习教材（不代表已完成）
日期：2027-02-06
阶段：P2 · AI Systems Engineering 90
总路线：Day 166
周次节奏：W11 · 周六可选探索 / 补学
状态：教材已备；学习未完成

一句话定义

学习目标

对 queue capacity 或 code-agent workflow 提出一个明确的系统假设。
将速度、review load、rework、change risk、recovery 和 developer experience 并列观察。
在 45 分钟或一条观察后停止，不安装新平台、不进行真实用户实验。

核心知识

**路线 A：Queue capacity。**可只改 reviewer count、service time、risk-priority weight、max work-in-progress 或 lease timeout 之一。提高并行 reviewer 可能降低 backlog，但也可能增加分配、标准不一致和重复工作；缩短处理时间可能代表效率，也可能代表 rubber-stamping。因此预测必须同时包含一个资源改善与一个质量风险。

**路线 B：AI-assisted SDLC。**将 code agent 作为一个不可信但有用的 contributor。issue 需 acceptance criteria 和范围；plan 需暴露假设和影响文件；change 需最小 diff 与 provenance；review 需风险分层和人类决定权；verify 需测试、静态分析、安全与行为证据；deploy 需发布记录、可观测与 rollback。“Agent 自己评审自己”可作辅助，但不是独立证据。

SDLC 的价值不只是编码时间。如果 change volume 增长而 review queue、CI time、change failure、rollback 和 maintenance burden 同步增长，系统并未真正加速。相反，AI 也可以减少 toil，如解释日志、生成可追溯测试草案或整理 release evidence，但需人类验证。

机制与推导

对 queue 可比较 WIP, oldest_age, p95_decision_time, completion, rework；只改一个参数才能保留弱因果解释。对 SDLC 可画两条流：

work flow: issue→plan→code→review→verify→release

evidence flow: requirement→rationale→diff→review decision→test result→release/telemetry

两条流的关联 id 比生成了多少代码更重要。学习结论要限定于 toy setup 或文档分析，不用个人一次体验外推组织生产力。

最小练习或观察

选 A 或 B，写一个预测改善、一个副作用与停止时间。
A：用合成 arrival/service 数据或纸上计算，只改一个 capacity 参数。
B：选一个已完成的小代码变更，只回溯 issue、diff、review、verification 与 release evidence，不重写代码。
记一个变好信号与一个可能被掩盖的变差信号。
不做真实员工研究、不采集私人工作数据、不将未运行记为结果。

常见误区与边界

同时改 reviewer count、priority 和 SLA，无法解释 queue 差异。
用 code generated、acceptance rate 或 PR count 作为生产力结论。
代码 agent 的解释与自测同时被当成独立证据。
为了“完整”安装新 orchestration 或 observability 平台，扩大可选任务。
本日是学习探索，不执行完全合格，也不用补写心得。

系统 / 金融 / Web3 连接

银行内部 code agent 应将涉及支付、权限、客户数据的变更提高 review tier，并保留需求、风险与测试证据。Web3 智能合约变更尤其需要最小 diff、权限/可升级性检查和独立人工审核，因为部署后不一定可快速回滚。

自检问题

queue capacity 实验为什么必须保留质量反指标？
AI-assisted SDLC 的 work flow 与 evidence flow 有何不同？
agent self-review 为什么不是独立证据？
哪些数据不应在本日可选探索中采集？

专业课程对齐

DORA：精读 software delivery performance、developer experience 和 AI-assisted development，用于选择不只是产出量的观察量。
Google SRE Book：精读 handling overload、toil、monitoring 与 release engineering，映射 queue capacity 与 SDLC 可靠性。
Google PAIR Guidebook：选读 feedback、errors、mental models 和 control，检查 code agent 界面是否帮助工程师审查而非诱导接受。

深入学习提示

选 A 时以 SRE 为主，选 B 时以 DORA 为主，PAIR 用于两条路线的人机界面。只精读能回答当前一个假设的章节，不把可选日变成三套课程通读。

学后填写区

选择路线（A / B / 休息）：
唯一变量与预测：
实际观察（未运行留空）：
可能的负面路径：
停止条件：