2026/8/28 5:19:16
FEATURED · 精选文章 
系列导语Anthropic 出过一份叫《The AI-Native SDLC Playbook》的手册讲的是当 AI 把写代码提速十倍后研发流程该怎么重做。这份手册信息密度极高、全是能直接抄的模板但原文偏操作手册体。本系列把它拆成 7 篇用大白话 可落手的动作讲清楚方便在团队里一篇篇消化。今天是第 1 篇先搞懂瓶颈到底在哪。《The AI-Native SDLC Playbook》相关文章链接https://blog.csdn.net/justlookxia/article/details/164093318你有没有这种感觉给团队配上 Claude Code 之后单个功能啪一下就写出来了。可真要上线还是得排期、等人审、等测试、等发布窗口。AI 把写那一下变快了但从想法到上线整体好像没快多少。问题不在 AI在你周围那套流程。代码早就不是瓶颈了传统研发流程是为写代码最慢的年代设计的。所以流程里塞满了各种控制手段需求要过委员会设计要出 spec代码要逐行人审上线要等发布窗口。那套重流程是为了在人写得慢、错得多的前提下保可控。现在 Claude Code 这类 agentic coding 工具把构建这一段的耗时砍掉了一大截。于是你突然发现瓶颈转移了——堵在构建前后的人类速度环节规划、评审、测试、部署。逐行人审跟不上了——agent 一口气吐出大半个 diff你真的一行行看吗看不过来。治理反而更贵了——例外情况还是得等周会、月会的委员会来拍板。最典型的是安全团队。安全团队是按人类产出配的人手。一旦 agent 把代码量翻倍要么队列积压、要么带病上线——对受监管的组织这两条路都走不通。结论只有一句安全与策略检查必须和 agent 同速。传统 SDLC 各阶段耗时对比AI 把写代码压缩到几小时但 Plan / Test / Deploy 等人类速度阶段依旧漫长——瓶颈已从编码转移到人类环节真正的变化从瀑布到循环AI-native SDLCAI 原生软件开发生命周期做的事不是换个更快的编辑器而是把旧的控制目标和新执行方式揉到一起流程不再是线性瀑布而是循环AI 嵌进每一个节点阶段与阶段之间的交接和触发下一步由系统自动完成。它把研发分成六个阶段每个阶段结束时都向版本控制提交一个制品artifact——早期是intent.md、spec.md这类文档构建后是代码和记录。下一个阶段直接读上一个阶段的产出。这条提交链本身就是审计追踪。人只需要在有判断力的决策上拍板。六个阶段长这样阶段传统痛点AI-native 做法核心制品Plan想法过 backlog/故事/估算才动发起者 Claude 脑暴出intent.mdintent.mdDesign分析师写 spec几周后才评审单会话压缩需求与设计用 skills 约束spec.mdBuild手写测试/代码、事后补文档AI 生成 机构知识存CLAUDE.md/skillsplan.md、CLAUDE.md、SKILL.mdTest阶段边界才做 QA 门持续 evals 贯穿实现agent-evals.ymlDeploy人审每一行、周期治理分层 agent 评审 hooks 批准门REVIEW.mdMaintain人盯生产agent 监控 写回intent.mdbands.yaml以上工具名如 Claude Code / Claude Tag / MCP 均保留原文品牌方便你对照自己的工具链做类比。AI-native SDLC 从瀑布变循环Plan→Design→Build→Test→Deploy→Maintain 首尾成环AI 嵌入每个节点阶段间靠 intent.md / spec.md / plan.md / PR / incident 等产物流转这一篇你先记住三句话AI 提速的是构建卡住你的是构建之外的人类环节。控制手段要从人肉逐行升级成机器同速的自动门。每个阶段留一份版本化的制品下一阶段接着读——这才是可审计的 AI 原生流程。下篇预告第 2 篇我们钻进第一个阶段Plan为什么想法不该等人写文档以及一份能直接抄的intent.md模板长什么样。系列文快链【AI原生研发转型·第1篇】为什么你的AI写码很快团队却还是慢【AI原生研发转型·第2篇】想法不该等人写文档用intent.md把意图一次性钉死【AI原生研发转型·第3篇】需求与设计合体一次会话出spec.md04-08待发布原文出处https://claude.com/blog/the-ai-native-sdlc-playbook Louis Claxton, 2026-08-21, Anthropic系列索引① 总论本篇· ② Plan · ③ Design · ④ Build · ⑤ Test · ⑥ Deploy · ⑦ Maintain · ⑧ 番外本系列基于 Anthropic《The AI-Native SDLC Playbook》改写保留原品牌名仅供团队学习交流。
【AI原生研发转型·第1篇】为什么你的AI写码很快，团队却还是慢？
系列导语Anthropic 出过一份叫《The AI-Native SDLC Playbook》的手册讲的是当 AI 把写代码提速十倍后研发流程该怎么重做。这份手册信息密度极高、全是能直接抄的模板但原文偏操作手册体。本系列把它拆成 7 篇用大白话 可落手的动作讲清楚方便在团队里一篇篇消化。今天是第 1 篇先搞懂瓶颈到底在哪。《The AI-Native SDLC Playbook》相关文章链接https://blog.csdn.net/justlookxia/article/details/164093318你有没有这种感觉给团队配上 Claude Code 之后单个功能啪一下就写出来了。可真要上线还是得排期、等人审、等测试、等发布窗口。AI 把写那一下变快了但从想法到上线整体好像没快多少。问题不在 AI在你周围那套流程。代码早就不是瓶颈了传统研发流程是为写代码最慢的年代设计的。所以流程里塞满了各种控制手段需求要过委员会设计要出 spec代码要逐行人审上线要等发布窗口。那套重流程是为了在人写得慢、错得多的前提下保可控。现在 Claude Code 这类 agentic coding 工具把构建这一段的耗时砍掉了一大截。于是你突然发现瓶颈转移了——堵在构建前后的人类速度环节规划、评审、测试、部署。逐行人审跟不上了——agent 一口气吐出大半个 diff你真的一行行看吗看不过来。治理反而更贵了——例外情况还是得等周会、月会的委员会来拍板。最典型的是安全团队。安全团队是按人类产出配的人手。一旦 agent 把代码量翻倍要么队列积压、要么带病上线——对受监管的组织这两条路都走不通。结论只有一句安全与策略检查必须和 agent 同速。传统 SDLC 各阶段耗时对比AI 把写代码压缩到几小时但 Plan / Test / Deploy 等人类速度阶段依旧漫长——瓶颈已从编码转移到人类环节真正的变化从瀑布到循环AI-native SDLCAI 原生软件开发生命周期做的事不是换个更快的编辑器而是把旧的控制目标和新执行方式揉到一起流程不再是线性瀑布而是循环AI 嵌进每一个节点阶段与阶段之间的交接和触发下一步由系统自动完成。它把研发分成六个阶段每个阶段结束时都向版本控制提交一个制品artifact——早期是intent.md、spec.md这类文档构建后是代码和记录。下一个阶段直接读上一个阶段的产出。这条提交链本身就是审计追踪。人只需要在有判断力的决策上拍板。六个阶段长这样阶段传统痛点AI-native 做法核心制品Plan想法过 backlog/故事/估算才动发起者 Claude 脑暴出intent.mdintent.mdDesign分析师写 spec几周后才评审单会话压缩需求与设计用 skills 约束spec.mdBuild手写测试/代码、事后补文档AI 生成 机构知识存CLAUDE.md/skillsplan.md、CLAUDE.md、SKILL.mdTest阶段边界才做 QA 门持续 evals 贯穿实现agent-evals.ymlDeploy人审每一行、周期治理分层 agent 评审 hooks 批准门REVIEW.mdMaintain人盯生产agent 监控 写回intent.mdbands.yaml以上工具名如 Claude Code / Claude Tag / MCP 均保留原文品牌方便你对照自己的工具链做类比。AI-native SDLC 从瀑布变循环Plan→Design→Build→Test→Deploy→Maintain 首尾成环AI 嵌入每个节点阶段间靠 intent.md / spec.md / plan.md / PR / incident 等产物流转这一篇你先记住三句话AI 提速的是构建卡住你的是构建之外的人类环节。控制手段要从人肉逐行升级成机器同速的自动门。每个阶段留一份版本化的制品下一阶段接着读——这才是可审计的 AI 原生流程。下篇预告第 2 篇我们钻进第一个阶段Plan为什么想法不该等人写文档以及一份能直接抄的intent.md模板长什么样。系列文快链【AI原生研发转型·第1篇】为什么你的AI写码很快团队却还是慢【AI原生研发转型·第2篇】想法不该等人写文档用intent.md把意图一次性钉死【AI原生研发转型·第3篇】需求与设计合体一次会话出spec.md04-08待发布原文出处https://claude.com/blog/the-ai-native-sdlc-playbook Louis Claxton, 2026-08-21, Anthropic系列索引① 总论本篇· ② Plan · ③ Design · ④ Build · ⑤ Test · ⑥ Deploy · ⑦ Maintain · ⑧ 番外本系列基于 Anthropic《The AI-Native SDLC Playbook》改写保留原品牌名仅供团队学习交流。 
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
