Anthropic发布The AI-native SDLC Playbook 指南(20–50)

[AI 干货] Anthropic 发布了《AI 原生 SDLC 手册》，供大家阅读。对于从事软件工程工作或正在团队中使用 Claude Code 的人来说，非常值得一看 🐱🔥

“代码不再是瓶颈”。如今，AI 写代码的速度已经快了很多，但问题在于其他流程仍然像以前一样缓慢，包括需求收集、设计、测试、代码审查和审批。即使 Claude Code 能在几小时内完成代码编写，但如果还需要等待数周的审查，也无法真正加快交付速度。

因此，Anthropic 建议调整整个 SDLC 流程，而不仅仅是用 AI 辅助编写代码。其中有许多值得尝试的技巧，例如：

1. 需求即代码：让 AI 帮助将想法转化为 intent.md 和 spec.md，并存储在 Git 中，以便人和 AI 都能准确理解需求，并跟踪变更。

2. CLAUDE.md + Skills：将团队的编码规范、架构和规则存储起来供 AI 共享使用，无需每次重复解释。如果 Claude 反复犯同样的错误，就将该经验教训添加到 CLAUDE.md 中。

3. 用于强制执行规则的 Hooks：通过 Prompt 写“禁止做”并不能保证 AI 总是遵守。例如，如果禁止修改某些类型的文件或禁止提交密钥，就应该设置 Hooks 或检查系统来真正强制执行。

4. AI 自我测试：让 AI 编写测试、运行 Build/Lint，并在提交人工审查之前自行修复错误。修复 Bug 时，应该先编写能复现该 Bug 的测试，然后再修改代码直到测试通过。

5. 持续评估：不仅要测试软件，还要测试 AI Agent。例如，保留 20-50 个示例用例，每次更改模型、Prompt 或 Skills 时进行测试，以查看 Agent 是否仍能正常工作。

6. AI 代码审查与部署：让 AI 帮助检查 PR 的 Bug、安全性和合规性，但对于高风险工作的合并或部署，仍需人工审批。

另一个有趣的点是，Anthropic 建议从交付周期、CI 成功率、缺陷和 DORA 指标来衡量结果，而不是仅仅看 AI 写了多少行代码。

我个人认为，关键不在于选择最强大的 AI 编程工具，而在于设计工作流程，让 AI 能够真正与开发人员、QA、安全和 DevOps 协同工作。因为如果 AI 生成代码的速度提高了 10 倍，但团队的审查和部署仍在按部就班地进行，我们只是将瓶颈转移到了其他地方而已。

如果有人正在组织中使用 Claude Code，建议阅读一下。里面有工作流程示例和配置可供参考。完整文章在评论中。

#Anthropic #ClaudeCode #AINativeSDLC #SoftwareEngineering #AgenticAI #AICoding #DevOps #SDLC #cattodata #AI干货