主播
节目简介
来源：小宇宙
随着生成式AI（如Claude Code）将代码编写速度提升至前所未有的水平，传统的软件开发生命周期（SDLC）已成为生产力的瓶颈。Anthropic发布的《AI原生SDLC指南》指出，软件开发的约束点已从“构建阶段”转移到了其左右两端的“计划、评审、测试和部署”阶段。
AI原生SDLC的核心在于将传统的线性过程重塑为自动化循环，通过在每个阶段嵌入AI代理（Agents），实现从人类编写代码到人类“在关口进行审查”的转变。其关键目标是让流程速度匹配AI的产出速度，同时通过版本控制的Markdown文件（如 intent.md, plan.md, CLAUDE.md）确保治理的透明度与一致性。
核心挑战：代码不再是瓶颈
传统SDLC的设计初衷是为了在代码编写（曾经最昂贵、最耗时的阶段）过程中确保问责制和控制。然而，在AI时代：
* 瓶颈移位：构建阶段缩短至数小时，而计划、评审和部署仍处于“人类速度”。
* 控制失效：当AI代理生成大量代码差异（diff）时，逐行人工审查变得难以为继。
* 治理成本上升：若决策仍需通过周会或委员会，治理成本将抵消AI带来的效率提升。
传统SDLC与AI原生SDLC的对比
阶段
传统 SDLC
AI原生 SDLC (基于Claude)
计划 (Plan)
委员会收集需求，通过研讨会和手工记录。
Claude从源头综合痛点，生成机器可执行的 intent.md。
设计 (Design)
分析师编写规范，设计师解析规范。
需求与设计压缩在一次代理会话中，通过“技能”编码标准。
构建 (Build)
手写测试和代码，事后补齐文档。
AI生成测试与代码，知识维护在 CLAUDE.md 和“技能”中。
测试 (Test)
阶段边界处的QA关口。
持续评估（Evals）贯穿整个实施过程。
部署 (Deploy)
人工审查每一行，治理周期不一致。
代理层级审查，人工仅负责受监管和关键代码。
维护 (Maintain)
人工监控生产环境漏洞。
代理监控部署，自动诊断并将问题写回 intent.md 循环。
AI原生SDLC的六个关键阶段
1. 计划 (Plan)：将想法转化为意图
AI原生流程始于 intent.md。当发起者（不一定是工程师）有想法时，直接与Claude进行头脑风暴，生成人类可读且机器可操作的 proto-spec。
* 核心产出：intent.md。包含问题、提议结果、受影响的用户/系统及约束条件。
* 优势：消除了传统流程中因层层移交导致的需求失真，将周期从数周缩短至数小时。
2. 设计 (Design)：需求与设计的融合
在AI原生模式下，设计和需求规格说明在一个会话中完成。
* 技能驱动：组织可以将品牌指南、安全策略和UX标准编写为“技能（Skills）”。Claude在生成 spec.md 时会自动应用这些约束。
* 治理建议：所有被Claude标记的风险点需由人类政策所有者先行解决，然后再进入构建阶段。
3. 构建 (Build)：计划先行与知识文件化
构建阶段不再直接跳入编码，而是采用“计划模式（Plan mode）”。
* 核心工具：
* plan.md：在编码前，Claude会列出修改的文件、工作顺序和证明成功的测试，由工程师确认。
* CLAUDE.md：存放项目特定的上下文（如构建命令、架构规则、常见错误），类似于给AI代理的“新人指南”。
* 并行会话 (Parallel Sessions)：一名工程师可同时驱动多个Claude Code实例（通过git worktrees），大幅提升吞吐量。
* 钩子 (Hooks)：作为确定性的构建时护栏，拦截不安全的操作（如修改受保护的路径）。
4. 测试 (Test)：AI自我反馈循环
AI必须具备验证自身工作的能力。
* 反馈循环：Claude在向人类报告完成前，需运行测试、构建并执行视觉检查（如截图对比）。
* 持续评估 (Continuous Evals)：在CI中运行50个以上的真实任务样本，确保更换模型或更改提示词（Prompts）时，系统性能不会退化。
5. 部署 (Deploy)：AI辅助审查与治理
部署阶段强调“职责分离”，编写代码的AI代理不能自行批准代码。
* PR评审循环：Claude会针对 REVIEW.md 中定义的 pass（如逻辑错误、安全漏洞、合规性）审查PR。
* 托管设置 (Managed Settings)：对于受监管企业，平台团队可实施不可覆盖的设置（如禁止读取 .env 文件、禁用外部网络访问）。
6. 维护 (Maintain)：闭环自动化
这是SDLC从线性转为循环的关键。
* 自动触发：生产环境的监控脚本（如CI失败率超标）自动调用Claude进行诊断。
* 修复流程：Claude诊断后生成新的 intent.md，重新进入计划阶段。
* Claude Security：定期运行全库扫描，识别 context-dependent 的漏洞，并在网页端生成建议补丁。
关键技术组件
* 技能 (Skills)：组织机构化知识的载体，版本化控制并集中更新。
* 子代理 (Subagents)：主会话中专注于特定任务（如简化代码、运行验证）的微型助手，拥有独立上下文。
* MCP (Model Context Protocol)：用于将Claude连接到外部部署工具、数据库或监控系统。
* Claude Tag：使Claude能够加入Slack等协作工具，作为第一响应者处理事件。
总结与建议
转型为AI原生SDLC并非要消除人类参与，而是要将人类注意力转移到：
1. 定义意图（我想实现什么？）。
2. 设置护栏（有哪些不可逾越的规则？）。
3. 最终评审（AI产出是否符合初衷？风险是否可控？）。
这种模式不仅提升了开发速度，更通过贯穿始终的 Markdown 审计跟踪（Audit Trail），为大型企业提供了比传统手动流程更严密的治理能力。
AI原生SDLC的核心在于将传统的线性过程重塑为自动化循环，通过在每个阶段嵌入AI代理（Agents），实现从人类编写代码到人类“在关口进行审查”的转变。其关键目标是让流程速度匹配AI的产出速度，同时通过版本控制的Markdown文件（如 intent.md, plan.md, CLAUDE.md）确保治理的透明度与一致性。
核心挑战：代码不再是瓶颈
传统SDLC的设计初衷是为了在代码编写（曾经最昂贵、最耗时的阶段）过程中确保问责制和控制。然而，在AI时代：
* 瓶颈移位：构建阶段缩短至数小时，而计划、评审和部署仍处于“人类速度”。
* 控制失效：当AI代理生成大量代码差异（diff）时，逐行人工审查变得难以为继。
* 治理成本上升：若决策仍需通过周会或委员会，治理成本将抵消AI带来的效率提升。
传统SDLC与AI原生SDLC的对比
阶段
传统 SDLC
AI原生 SDLC (基于Claude)
计划 (Plan)
委员会收集需求，通过研讨会和手工记录。
Claude从源头综合痛点，生成机器可执行的 intent.md。
设计 (Design)
分析师编写规范，设计师解析规范。
需求与设计压缩在一次代理会话中，通过“技能”编码标准。
构建 (Build)
手写测试和代码，事后补齐文档。
AI生成测试与代码，知识维护在 CLAUDE.md 和“技能”中。
测试 (Test)
阶段边界处的QA关口。
持续评估（Evals）贯穿整个实施过程。
部署 (Deploy)
人工审查每一行，治理周期不一致。
代理层级审查，人工仅负责受监管和关键代码。
维护 (Maintain)
人工监控生产环境漏洞。
代理监控部署，自动诊断并将问题写回 intent.md 循环。
AI原生SDLC的六个关键阶段
1. 计划 (Plan)：将想法转化为意图
AI原生流程始于 intent.md。当发起者（不一定是工程师）有想法时，直接与Claude进行头脑风暴，生成人类可读且机器可操作的 proto-spec。
* 核心产出：intent.md。包含问题、提议结果、受影响的用户/系统及约束条件。
* 优势：消除了传统流程中因层层移交导致的需求失真，将周期从数周缩短至数小时。
2. 设计 (Design)：需求与设计的融合
在AI原生模式下，设计和需求规格说明在一个会话中完成。
* 技能驱动：组织可以将品牌指南、安全策略和UX标准编写为“技能（Skills）”。Claude在生成 spec.md 时会自动应用这些约束。
* 治理建议：所有被Claude标记的风险点需由人类政策所有者先行解决，然后再进入构建阶段。
3. 构建 (Build)：计划先行与知识文件化
构建阶段不再直接跳入编码，而是采用“计划模式（Plan mode）”。
* 核心工具：
* plan.md：在编码前，Claude会列出修改的文件、工作顺序和证明成功的测试，由工程师确认。
* CLAUDE.md：存放项目特定的上下文（如构建命令、架构规则、常见错误），类似于给AI代理的“新人指南”。
* 并行会话 (Parallel Sessions)：一名工程师可同时驱动多个Claude Code实例（通过git worktrees），大幅提升吞吐量。
* 钩子 (Hooks)：作为确定性的构建时护栏，拦截不安全的操作（如修改受保护的路径）。
4. 测试 (Test)：AI自我反馈循环
AI必须具备验证自身工作的能力。
* 反馈循环：Claude在向人类报告完成前，需运行测试、构建并执行视觉检查（如截图对比）。
* 持续评估 (Continuous Evals)：在CI中运行50个以上的真实任务样本，确保更换模型或更改提示词（Prompts）时，系统性能不会退化。
5. 部署 (Deploy)：AI辅助审查与治理
部署阶段强调“职责分离”，编写代码的AI代理不能自行批准代码。
* PR评审循环：Claude会针对 REVIEW.md 中定义的 pass（如逻辑错误、安全漏洞、合规性）审查PR。
* 托管设置 (Managed Settings)：对于受监管企业，平台团队可实施不可覆盖的设置（如禁止读取 .env 文件、禁用外部网络访问）。
6. 维护 (Maintain)：闭环自动化
这是SDLC从线性转为循环的关键。
* 自动触发：生产环境的监控脚本（如CI失败率超标）自动调用Claude进行诊断。
* 修复流程：Claude诊断后生成新的 intent.md，重新进入计划阶段。
* Claude Security：定期运行全库扫描，识别 context-dependent 的漏洞，并在网页端生成建议补丁。
关键技术组件
* 技能 (Skills)：组织机构化知识的载体，版本化控制并集中更新。
* 子代理 (Subagents)：主会话中专注于特定任务（如简化代码、运行验证）的微型助手，拥有独立上下文。
* MCP (Model Context Protocol)：用于将Claude连接到外部部署工具、数据库或监控系统。
* Claude Tag：使Claude能够加入Slack等协作工具，作为第一响应者处理事件。
总结与建议
转型为AI原生SDLC并非要消除人类参与，而是要将人类注意力转移到：
1. 定义意图（我想实现什么？）。
2. 设置护栏（有哪些不可逾越的规则？）。
3. 最终评审（AI产出是否符合初衷？风险是否可控？）。
这种模式不仅提升了开发速度，更通过贯穿始终的 Markdown 审计跟踪（Audit Trail），为大型企业提供了比传统手动流程更严密的治理能力。
外观
