目录

当 AI 缩短了编写代码的时间,规划、评审、测试和发布就会左右整个开发流程的等待时间。本指南的要点是,围绕 AI 重新审视 SDLC,并建立由人逐项判断交付物的机制。

要点#

  • 用交付物串联从规划到维护的六个阶段,取代人工交接。
  • 对 intent.md、spec.md、plan.md 进行版本管理,保留决策和变更记录。
  • 通过 CLAUDE.md 和技能共享组织知识,通过钩子强制执行必守规则。
  • 让 AI 执行测试和评审,人则专注于意图、风险等需要判断的部分。
  • 先在一项任务中试用,记录耗时和返工情况,再扩大范围。

用交付物串联六个阶段#

在 AI 原生 SDLC 中,每个阶段都会读取上一阶段的交付物。规划阶段以 intent.md 为核心,设计阶段以 spec.md 为核心,构建阶段以 plan.md 和代码为核心,测试阶段以执行结果为核心,部署阶段以评审记录为核心,维护阶段则以事件记录为核心。

将这些内容放入代码仓库,就更容易追溯变更历史。使用 Jira 或需求管理工具的组织,应确定哪个系统作为正式记录来源,并从另一方链接过去。即使一开始保留双重管理,也要在交付物中记录记录 ID,在现有系统中记录提交 SHA。

每个阶段都由人审批,并将审批通过作为下一项工作开始的条件。机制完善后,可以考虑自动执行后续工作,例如根据已批准的 intent.md 生成规格文档。

从意图到实施计划#

首先,由想法的提出者与 Claude 对话,编写 intent.md。写明问题、期望结果、受影响的用户和系统、约束以及尚未解决的问题,就能在正式需求文档完成前开始讨论。产品负责人在提交前检查内容,判断能否进入下一阶段。

批准后,Claude 根据组织规则编写 spec.md,由产品负责人评审。随后,工程师使用 Claude Code 的计划模式编写 plan.md,其中包括要修改的文件、工作顺序、测试方法和风险。工程师批准计划后,再进入实施阶段。

按照这个顺序,可以在开始编写代码前发现设计问题。如果实施偏离计划,就要同时更新代码和计划,以便之后与变更差异核对。

让组织知识贴近代码#

在 CLAUDE.md 中写明构建和测试命令、重要的设计规范,以及智能体容易出错的地方。不要原样保留 /init 生成的内容,而应仅保留开始工作时有用的信息,并通过代码仓库共享。如果 Claude 反复犯同样的错误,就可以考虑补充纠正说明。

组织的安全和 API 设计规则可以整理成技能。不过,技能只是给 AI 的指令,并不能保证规则一定得到遵守。对于阻止包含凭据的变更、禁止编辑受保护文件等必守规则,还应通过钩子或 CI 检查。

如果要并行工作,应为每项任务使用独立的 Git worktree。起初控制在 2~3 个会话左右,再根据评审能力逐步增加,会更切合实际。

加快测试和评审#

让 Claude 能在工作过程中执行测试、构建和 lint 检查。明确写出完成条件,并要求在报告中包含结果,就能在人检查前修复问题。修复缺陷时,可以先编写一个会失败的测试来复现问题,再在修复后保持测试不变并使其通过。

修改 UI 时,将截图与已批准的设计稿进行比较。本指南建议以修改 2~3 次为参考。比次数本身更重要的是,建立一个能根据测试和界面对比结果持续改进的循环。

还可以在 CI 中加入检验 Claude 配置的评估。从实际工作中收集 20~50 项任务,记录提示词和通过条件。在模型、技能、钩子等发生变更时运行评估,检查导致通过率下降的变更。将生产事件也加入评估后,就更容易检测同类问题是否再次出现。

在发布和维护中引入人工判断#

在 PR 中,AI 按照组织规则进行评审,并按严重程度汇总问题。人无需以同样的深度阅读每一行,而可以重点关注变更意图、风险和重要问题。对于受监管的代码或影响较大的变更,仍需保留人工审批。

合并后,将生产环境的监控结果用于后续改进。调查偏离管控标准的事件,必要时将其纳入新的 intent.md 或回归测试。这样,维护就不再是独立的终点,而是回到下一轮规划的循环。

可以通过规格编写耗时、首次实施即可合并的比例、CI 首次通过率、评审时间、返工次数等指标跟踪效果。也请记录引入前的数值,对比相同指标。除了数值变化,还要检查评审质量和事件情况。

下一步#

选择近期的一项小改动,编写 intent.md 和 plan.md,连同测试结果一起记录到代码仓库,并测量从规划到合并的时间和返工次数。

来源: https://claude.com/ja/resources/articles/the-ai-native-sdlc-playbook

目录