AI西经东译

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。

为什么下一代最伟大的创业者将是“无国界”的？他们不仅拥有改变本土市场的雄心，更具备在全球舞台上竞争的视野和韧性。在本期节目中，我们与嘉宾Elena Burger一同探讨这一新兴群体的崛起，揭示他们如何凭借独特的“局外人”优势，在技术浪潮中找到颠覆性机会，并最终成为定义未来的力量。 a16z的全球投资策略，始于一个偶然的WhatsApp群组。Elena Burger分享了团队最初如何从拉美市场发现巨大机遇，见证了Nubank等公司在“五家肥胖快乐的银行”主导的市场中开辟蓝海。她描绘了这批“无国界创始人”的独特画像：他们带着“证明自己”的动力，将在美国学到的先进模式与对本土市场的深刻理解相结合，从零开始搭建支付、KYC等全套基础设施。这种在资源匮乏环境中磨练出的“全栈”能力，以及在AI浪潮下主动拥抱硅谷的战略选择，正是他们构筑独特竞争壁垒的关键。 您将了解到： * 为什么说最顶尖的“无国界创始人”能将本土洞察与全球视野相结合，在看似饱和的市场中找到一片蓝海？ * AI浪潮如何既“民主化”了技术，又将创新中心“集中化”到硅谷？国际创始人应如何利用这一矛盾，建立独特的竞争壁垒？ * 什么是“AI奥运会”？科技公司如何能成为“国家选手”，并借助品牌优势获得政府支持和早期关键客户？ 💡时点内容 | Key Topics * [01:28] 蓝海市场的巨大机遇：Angela Strange回顾了她对拉美市场的初步兴趣，分享了Nubank创始人的观点，并指出在这些新兴市场成为客户的第一选择，远胜于在美国成为第五选择。她认为，尽管面临基础设施搭建的挑战，但“摆在面前的，是无比广阔的蓝海市场”。 * [04:11] 无国界创始人的独特画像：Gabriel Vásquez描绘了早期拉美优秀创始人的共同特质，指出他们通常在本土长大，去美国学习或工作，最后选择回国创业。他认为，这种经历让他们既能“了解在美国被验证成功的商业模式，又对本土市场有非常深刻的理解”。 * [06:54] AI引发的创新二元性：嘉宾分析了AI带来的有趣分化，指出技术本身是“民主的”，为新兴市场打开了大门，但它同时也“把创新的中心，也就是发展最快的地方，高度集中到了湾区”。这改变了国际创始人与硅谷的连接方式，从希望投资人去当地，变为他们主动来到湾区。 * [09:50] 媲美校友圈的社群力量：Angela Strange将海外创始人社群比作顶尖大学的校友网络，并分享了她创办加拿大C100组织的经历。她强调，这些社群凝聚力极强，为创始人提供了回馈平台，帮助他们“找到一些初期的设计合作伙伴”和扩张所需的关键高管人才。 * [18:28] “AI奥运会”的国家品牌优势：Gabriel Vásquez将全球AI竞争比作“AI奥运会”，并以波兰公司ElevenLabs为例，说明成功的无国界公司如何成为国家骄傲。他指出，这种地位能带来政府投资与合作，从而在大型企业客户面前“获得巨大的先发优势和信誉背书”。 * [21:23] 加速增长的“优先链接”：嘉宾探讨了无国界创始人如何利用其独特背景加速“优先链接”效应，指出他们能接触到差异化的人才库，并能更快地拿下其他国家的大型企业作为标杆客户。这种优势可以“极大地加速你在美国的业务进展”，为增长飞轮提供更多筹码。 * [24:06] 寻找“本地领袖”：Gabriel Vásquez揭示了a16z开拓新市场的核心策略，即首先识别并赋能“本地领袖”（local luminaries）。他解释道，这些人是生态系统中最受尊敬的关键人物，通过帮助他们，投资机构能“完全融入了整个信息流”，从而接触到最优秀的人才。 * [38:34] 亲赴硅谷校准速度：嘉宾给国际创始人的核心建议是，一定要来硅谷待上一段时间，并推荐至少停留三到六个月以深度融入。他强调，这段经历最重要的价值在于帮助创始人“校准了对‘速度’的认知”，因为“硅谷至今仍然领先于其他所有生态系统的一点，就是这里人们的运作速度”。 📺相关链接与资源 [视频来源]《Why the Next Great Founders Will Be Borderless》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

当AI让产品经理能写代码，设计师能写文档，工程师能做产品时，我们迎来了“人人皆是创造者”的时代，也陷入了“我的工作还剩下什么”的职业迷思。本期节目，我们再次邀请到Netflix首席产品与技术官Elizabeth Stone，她将从Netflix独特的企业文化出发，深刻剖析为何在AI时代，“系统性思考者”远比精通单一领域的专才更加重要。 在这场激荡的对话中，Elizabeth Stone将当前AI引发的职能模糊期定义为新技术诞生前的“风暴期”。她坦言，尽管角色界限变得模糊，但顶尖的工程、数据科学与创意能力依然是稀缺资源。更重要的是，Netflix赖以成功的“卓越操作系统”——一种赋予员工高度自主权、鼓励冒险并坦然面对不适感的文化，正成为AI时代的人才孵化器。这种文化摒弃了传统大公司的繁琐流程，转而寻找那些能够跨越业务领域、抽象出核心构建模块的“系统性思考者”，因为他们才是推动组织在变革中高速进化、保持卓越的关键。 您将了解到： * AI让产品、设计、工程的界限日益模糊，你的角色价值还剩下什么？ * 为什么Netflix认为，在AI时代，“系统性思考者”比精通单一领域的专才更重要？ * Netflix如何将“卓越”打造为一套可复制的“操作系统”，并坦然面对其带来的不适感？ 💡时点内容 | Key Topics * [01:35] 系统性思考者崛起：Elizabeth Stone透露，Netflix现在对一类人才的需求正不断增加，即系统性思考者。她指出，无论是构建通用基础设施还是设计系统，都需要人才能够审视全局，并从中抽象出“AI世界里所需要的基础构建模块”，从而在高速迭代中保证质量与效率。 * [02:04] 培养系统性思维：Elizabeth Stone分享了培养系统性思维的技巧：退后一步，审视对问题所处更大环境的预设。她建议，思考如何让工作帮助上级和同事，并将“选择对整个组织最有利的方案，而不仅仅是对你局部最有利的”这种心态，本身就定义为系统思维。 * [02:33] 卓越之路的不适感：Elizabeth Stone强调，实现“卓越操作系统”需要抵制大公司增加流程的常规做法，并坦然面对不适感。她分享了领导者需放手让团队承担风险，并指出最优秀的人才想要的是“‘无指责的复盘’，而不是一个充满各种清单、流程和关卡的地方”。 * [04:29] 职能模糊的“风暴期”：Elizabeth Stone指出，AI正让产品、设计和工程等职能界限变得模糊，并将当前阶段比作新技术来临前的“风暴期”。她认为，这并不意味着专业职能会过时，但强调团队需要适应新节奏，并建立护栏，反复强调“人类依然要为最终的结果负责”。 * [38:35] 卓越，如同一套操作系统：Elizabeth Stone将Netflix的文化比作“把卓越当作一个操作系统”。她指出，其核心是通过赋予员工高度的自主权和责任感来实现卓越，这包括高人才密度、下放决策权和承担风险。她认为，这种文化能“极大地激发员工的动力和责任感”。 * [1:03:41] 故事讲述的人性核心：Elizabeth Stone预测，在AI时代，人性将永远是故事的核心。她引用了一个说法：“当一个孩子出生时，他们首先需要食物、水和保护，然后他们会说，给我讲个故事吧。”她认为，技术可以放大故事的呈现方式，但无法取代故事与人类情感的连接。 📺相关链接与资源： [视频来源]《Why Netflix is betting on systems thinkers—not specialists—in the AI era》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

DeepSeek Harness (DSH) 开发者预览版（v0.1）已正式面向全球开发者开放，并以 MIT 协议开源。该项目旨在通过“一切皆插件”的设计理念，构建一个高度灵活、可组合的 Agent 基础设施。DeepSeek Harness 基于 Cordis 插件系统开发，允许开发者在无需修改源码的情况下，对模型、工具、技能、存储及 UI 等所有核心组件进行自由替换和扩展。目前，该版本提供四种运行模式以适应不同应用场景，并具备完善的会话追踪与日志回放能力，标志着开源 Agent 基础设施向高度模块化方向迈出的重要一步。 核心设计哲学：“一切皆插件” DeepSeek Harness 的技术核心在于其极度的模块化设计。这一设计确保了系统的灵活性与可扩展性，使其能够适应快速演进的 AI 技术环境。 * 基于 Cordis 的插件架构： DeepSeek Harness 构建于具有“时空可组合性”的 Cordis 元框架之上。 * 职责分离： Cordis 框架仅负责插件的生命周期管理（加载与卸载）及依赖关系处理。 * 组件化实现： Agent 的所有具体能力（包括模型、工具、会话管理、沙箱、调度等）均作为独立的 Cordis 插件存在。 * 开发者友好性： 开发者可以通过配置层自由组合插件，实现对任一能力的独立选择、替换或扩展，而无需改动 DeepSeek Harness 的核心源代码。 多样化的运行模式 为了覆盖从基准测试到自由创作的多种需求，DeepSeek Harness 预设了四种运行模式，每种模式配置了特定的插件集合： 模式名称 核心功能与应用场景 标准模式 提供完整的工具组合，适用于通用的 Agent 任务。 PTC 模式 即“程序化工具调用”（Programmatic Tool Calling），通过模型生成的代码片段来驱动多轮工具调用。 极简模式 仅保留单一的 shell 工具与文件编辑工具，专为最小环境下的模型基准测试设计。 创造模式 允许开发者检查当前运行时并在内存中试验插件，用于组合与创作全新的运行模式。 可观测性与溯源机制 DeepSeek Harness 强调运行过程的透明度，确保每一次模型决策和执行都有迹可循。 * 仅追加（Append-only）会话日志： 系统将模型接触到的所有信息写入持久化日志，确保数据的不可篡改性和完整性。 * 全方位追踪： 日志记录内容涵盖系统提示词、思维链（CoT）、工具调用及其结果、子 Agent 调度以及每一次上下文注入。 * 轨迹视图（Trajectory View）： 开发者可以按来源查看信息流，并基于同一份事件流实现以下功能： * 恢复与回放： 重新审视或恢复特定的运行状态。 * 分叉（Forking）： 从特定节点开启新的实验分支。 * 检索： 对过往会话进行高效的信息提取。 快速上手与生态愿景 DeepSeek Harness 目前处于 v0.1 的早期阶段，致力于通过开源合作探索智能上限。 安装与启动 * 快速体验： 支持通过 Node.js 工具链一键启动： npx @deepseek-ai/dsh web * 源码安装： 开发者可以通过 GitHub 仓库（deepseek-ai/deepseek-harness）获取完整源码进行深入开发。 未来展望 DeepSeek 团队强调，当前版本是构建开源、开放、可复用基础设施的起点。未来将通过快速迭代改进核心插件与基础接口，并号召全球开发者共建 DSH 插件生态，共同推动 Agent 能力的演进。