Skip to content

Commit 2928a86

Browse files
IchenDEVIchenDEV
authored andcommitted
docs: rewrite SDLC article targeting pros and beginners with emphasis on order
1 parent 02cae8a commit 2928a86

1 file changed

Lines changed: 29 additions & 39 deletions

File tree

Lines changed: 29 additions & 39 deletions
Original file line numberDiff line numberDiff line change
@@ -1,5 +1,5 @@
11
---
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”?
33
date: 2026-08-29 23:00:00
44
updated: 2026-08-29 23:00:00
55
categories: gallery
@@ -9,71 +9,61 @@ tags:
99
- Agent
1010
- Engineering
1111
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。
1313
---
1414

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。
1616

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。
1818

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。
2020

21-
![软件开发运行系统](/gallery/ai-native-sdlc-running-system/running-system.jpg)
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。**
2222

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+
![软件开发运行系统](/gallery/ai-native-sdlc-running-system/running-system.jpg)
2424

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
2626

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”。
2828

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)。**
3030

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。
3934

4035
![Artifact 驱动](/gallery/ai-native-sdlc-running-system/handoff-artifact.jpg)
4136

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
4338

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。
4540

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。**
4742

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。
5147

5248
![AI 需要说明书和刹车](/gallery/ai-native-sdlc-running-system/manual-brake.jpg)
5349

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”
5551

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”**。
5753

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。
5955

6056
![会自检的 Agent 更可靠](/gallery/ai-native-sdlc-running-system/self-check.jpg)
6157

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
6759

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”。**
7361

7462
![个人工作系统](/gallery/ai-native-sdlc-running-system/personal-harness.jpg)
7563

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。
7767

7868
---
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

Comments
 (0)