|
1 | 1 | --- |
2 | | -title: 代码生成快如闪电,为什么交付依然难如登天? |
| 2 | +title: 当代码生成快如闪电,为什么你反而陷入了“开发地狱”? |
3 | 3 | date: 2026-08-29 23:00:00 |
4 | 4 | updated: 2026-08-29 23:00:00 |
5 | 5 | categories: gallery |
|
9 | 9 | - Agent |
10 | 10 | - Engineering |
11 | 11 | featured_image: /gallery/ai-native-sdlc-running-system/cover.jpg |
12 | | -description: 当 AI 厨师一分钟出菜,为什么你的团队还是觉得“慢”?深入探讨 AI 原生时代软件开发运行系统的重构。 |
| 12 | +description: 针对专业程序员与 AI 编程新手,深度解析如何构建 AI 原生时代的软件开发运行系统,夺回对创造的掌控权。 |
13 | 13 | --- |
14 | 14 |
|
15 | | -想象一家餐厅突然雇佣了十位出菜极快的厨师。过去需要十分钟的炒菜,现在一分钟就能端上柜台。 |
| 15 | +最近,软件开发领域正陷入一种诡异的悖论。 |
16 | 16 |
|
17 | | -然而,餐厅并没有因此快上十倍——门口依然排着长队,服务员在焦头烂额地确认忌口,传菜员正对着桌号发呆,而经理正忙着处理送错菜的投诉。当厨房的火力不再是瓶颈,原本被掩盖的交接、审核与验证,成了新的堵塞点。 |
| 17 | +如果你是**专业程序员**,你可能正被 AI 淹没:AI 每天能产出比你以前一周还多的 PR,但你却要花数倍的时间去 Review 那些“看起来很对但跑起来有坑”的代码。你不是在写代码,你是在给 AI 擦屁股。 |
18 | 18 |
|
19 | | -这正是当前软件开发领域正在发生的剧变。Anthropic 在其最新的 Playbook 中提出了一个振聋发聩的判断:**“Code is no longer the bottleneck(代码不再是瓶颈)”**。 |
| 19 | +如果你是**刚通过 AI 接触编程的新手**,你可能正处于崩溃边缘:刚开始 AI 帮你写出了漂亮的网页,你惊为天人。但随着功能增加,你发现 AI 开始“胡言乱语”,修好一个 Bug 又带出三个。你守着几千行没人能看懂的代码,像在泥潭里挣扎。 |
20 | 20 |
|
21 | | - |
| 21 | +Anthropic 最近发布的《AI-Native SDLC Playbook》揭示了一个残酷的真相:**当“写代码”不再是瓶颈,传统的“人肉交接”流程已经彻底崩塌了。** |
22 | 22 |
|
23 | | -当 Coding Agent 把实现速度压缩到极致,耗时开始集中到需求整理、设计、测试、审核、发布和维护。如果周围的组织流程继续按照人的产出来设计,PR 会堆积,安全审核会堆积,审批也会堆积。**软件团队的核心挑战,正从“如何写出代码”转向“如何管理注意力”。** |
| 23 | + |
24 | 24 |
|
25 | | -## 从人工交接,到 Artifact 驱动的循环 |
| 25 | +## 别在泥潭里狂奔:从聊天驱动转向 Artifact 驱动 |
26 | 26 |
|
27 | | -在传统模式下,开发是一串“人工交接”。而在 AI 原生时代,Anthropic 提出了一套完整的**「Agent 驱动工作循环」**。其核心灵魂是 **Artifact(中间产物)**。 |
| 27 | +很多新手最容易犯的错,就是把开发当成“聊天”。“帮我改下这个按钮”、“再加个登录功能”。 |
28 | 28 |
|
29 | | -每一段工作不再是随意的聊天,而是产生一个人类和机器都能读取的成果: |
| 29 | +在 AI 看来,聊天是廉价且模糊的。当项目超过一定规模,AI 就会丢失上下文。**专业人士的做法是:把每一个决定固化为 Artifact(中间产物)。** |
30 | 30 |
|
31 | | -| 阶段 | 主要 Artifact | Agent 做什么 | 人主要做什么 | |
32 | | -| :--- | :--- | :--- | :--- | |
33 | | -| **Plan** | `intent.md` | 将原始问题整理为机器可执行意图 | 修正理解,决定是否进入设计 | |
34 | | -| **Design** | `spec.md` | 根据安全、品牌等规则生成完整方案 | 判断方案是否解决原问题 | |
35 | | -| **Build** | `plan.md`、代码、测试 | 阅读代码库、制定方案、实施、验证 | 审核方案和高风险选择 | |
36 | | -| **Test** | tests、eval results | 自己运行测试、构建、截图比较,循环修复 | 定义什么叫通过 | |
37 | | -| **Deploy** | PR、review findings | Review、修复评论、准备发布、操作工具 | 决定风险是否可以接受 | |
38 | | -| **Maintain** | incident、下一份 `intent.md` | 发现异常、诊断、执行有限动作 | 处理升级事项和最终授权 | |
| 31 | +1. **Intent (意图)**:不是随口一说,而是明确的问题描述和预期结果。 |
| 32 | +2. **Spec (规约)**:在写代码前,先让 AI 出一份方案。人审方案,而不是审代码。 |
| 33 | +3. **Plan (计划)**:明确要改哪些文件,怎么改。 |
39 | 34 |
|
40 | 35 |  |
41 | 36 |
|
42 | | -在此模式下,一个 Artifact 被接受,就可以成为下一段的 Trigger。`intent.md` 被接受,触发 Design;`spec.md` 被接受,触发 Plan;PR merge 后触发部署。它已经很接近一个「由文件、状态和事件驱动的 Agent Runtime」。 |
| 37 | +## 秩序的基石:物理门锁优于文字指令 |
43 | 38 |
|
44 | | -## 组织经验:从 Prompt 到 Harness |
| 39 | +你是不是经常在 Prompt 里求爷爷告奶奶地让 AI “不要改动核心逻辑”?结果它转头就给你重写了。 |
45 | 40 |
|
46 | | -很多团队试图用一段长长的 Prompt 来约束 AI,但这就像对着司机喊“请安全驾驶”。Anthropic 将其分得更细,提出了**“分层治理”**的思想: |
| 41 | +Anthropic 告诉我们:**指令(Prompt)是建议,门锁(Harness)才是强制。** |
47 | 42 |
|
48 | | -1. **CLAUDE.md (项目地图)**:保存一个新工程师加入项目时应该了解的信息,例如架构、命令、约定、Agent 经常犯的错误。告诉 Agent:**「这个项目是什么」**。 |
49 | | -2. **Skill (组织经验)**:保存组织中需要反复执行的规则,例如 API 安全规范、UX 标准、品牌要求。告诉 Agent:**「碰到这种事情应该怎么处理」**。 |
50 | | -3. **Hook / Permission / Sandbox (红绿灯)**:负责真正强制执行。告诉 Agent:**「这些动作禁止做,这些必须先得到批准」**。 |
| 43 | +你需要为 AI 建立三道防线: |
| 44 | +- **CLAUDE.md**:项目的“说明书”,告诉 AI 这里是什么,规矩是什么。 |
| 45 | +- **Skill**:通用的“驾驶经验”,比如 API 必须带 Token。 |
| 46 | +- **Hook & Permission**:真正的“刹车”,直接从物理层面禁止 AI 访问某些目录或执行危险动作。 |
51 | 47 |
|
52 | 48 |  |
53 | 49 |
|
54 | | -单纯把安全规则写进 Prompt 或 Skill 是不够的,真正需要强制执行的规则必须进入 Harness(运行环境)。物理意义上的“门锁”比文字指令更可靠。 |
| 50 | +## 反馈回路:别让 AI “自圆其说” |
55 | 51 |
|
56 | | -## 反馈回路:别让 Agent “自我感觉良好” |
| 52 | +新手最怕听到 AI 说“我已经修好了”,结果一运行还是老样子。专业程序员则更倾向于相信**“可验证的结果”**。 |
57 | 53 |
|
58 | | -Agent 写完代码以后不能直接告诉人“完成了”。它必须拥有自我修正的反馈回路。 |
| 54 | +一个可靠的 Agent 必须具备:**执行 → 观察 → 验证 → 修正** 的闭环。它写完代码,必须自己运行测试,甚至自己截图对比 UI 差异。如果它没法证明自己是对的,那它就是错的。 |
59 | 55 |
|
60 | 56 |  |
61 | 57 |
|
62 | | -执行 Agent 长时间工作以后容易接受自己的假设,因此 Anthropic 建议将 **Verifier Agent(检查者)** 与普通执行者分开。由另一个开启新 Context 的 Agent 检查实际结果,能极大提高可靠性。这正如我们在餐厅里,厨师盛盘并不代表结束,他得亲自尝一口味道,或者由主厨进行最后把关。 |
63 | | - |
64 | | -## 持续评测:事故即测试用例 |
65 | | - |
66 | | -当你修改了 Skill、Hook 甚至模型版本,Agent 的行为可能会发生不可预知的变化。因此,Agent 的配置也需要“回归测试”。 |
| 58 | +## 结语:这不只是开发,这是你的个人运行系统 |
67 | 59 |
|
68 | | -Anthropic 提出 **Continuous Evals**:从过去的真实工作中找 20 到 50 个任务,给每个任务定义接受条件,然后在 CI 中自动运行。**更有意思的是:每次生产事故,都应该变成新的 Eval Case。** 重新运行事故案例,保证旧错误没有在未来的 Harness 修改中重现。 |
69 | | - |
70 | | -## 结语:从开发流程到通用个人系统 |
71 | | - |
72 | | -如果我们把“写代码”换成任何脑力劳动,一套**通用个人工作系统 (Personal Harness)** 的骨架就浮现了。 |
| 60 | +无论你是老手还是新手,AI 时代的竞争已经变了。**你不是在管理代码,你是在管理一套“运行系统”。** |
73 | 61 |
|
74 | 62 |  |
75 | 63 |
|
76 | | -让正确的信息,在正确的时机,以正确的粒度进入上下文。这听起来不像什么神奇的“念咒”技巧,但它正是我们从“使用 AI”转向“与 AI 共生”的关键。我们终于可以少花点时间研究如何与 AI 斗智斗勇,而多花点时间,把工作本身想清楚。 |
| 64 | +让正确的信息,在正确的时机,以正确的粒度进入上下文。把那些重复的坑变成 Eval Case(评测用例),确保它们永远不会再出现。 |
| 65 | + |
| 66 | +当我们不再为 AI 的胡言乱语而头疼,不再为堆积如山的 PR 而焦虑,我们才真正夺回了对创造的掌控权。 |
77 | 67 |
|
78 | 68 | --- |
79 | | -*本文基于 Anthropic 2026 年 8 月发布的 [The AI-Native SDLC playbook](https://claude.com/blog/the-ai-native-sdlc-playbook) 创作。* |
| 69 | +*本文基于 Anthropic AI-Native SDLC 原则创作。* |
0 commit comments