AI-Native 研发流程

代码不再是瓶颈。AI 把写代码压缩到极致，卡点转移到人侧：规划、评审、测试、发布。

传统 SDLC 为写代码最贵最慢的年代设计，是线性流程。构建一旦快过流程，逐行人工评审这类控制手段开始不匹配现实，治理成本上升。

AI-Native SDLC 保留旧的控制目标，换新的执行方式：每个阶段结束把一份标准产物写进版本控制，下一阶段从读它开始。commit 链本身就是审计轨迹：谁要什么、agent 产出了什么、谁批准了什么。人类保留对判断性决策的问责，从启动每个阶段转为在关卡处评审。

传统流程回顾

传统流程是一条线性流水线：产品经理写需求 → 架构师设计 → 工程师实现 → 测试团队验证 → 发布团队上线 → 运维接手。工作靠文档、工单、评审会、层层签批在不同角色间流转，逐行人工评审是默认控制手段。

flowchart LR
    pm[产品经理写需求] --> arch[架构师设计]
    arch --> dev[工程师实现]
    dev --> qa[测试团队验证]
    qa --> rel[发布团队上线]
    rel --> ops[运维接手]

AI-Native 主循环

AI-Native 把线性流程改成闭环：每个阶段以提交标准产物收尾，下一阶段从读取开始。同一份 commit 记录既当流程依据，也当审计依据。

flowchart LR
    intent[intent.md] --> spec[spec.md]
    spec --> plan[plan.md]
    plan --> code[代码与测试]
    code --> pr[合并请求与审查记录]
    pr --> rel[发布]
    rel -.->|线上事故生成新 intent.md| intent

六大阶段

flowchart LR
    s1[01 Plan<br>intent.md] --> s2[02 Design<br>spec.md]
    s2 --> s3[03 Build<br>plan.md + 代码]
    s3 --> s4[04 Test<br>测试与评测]
    s4 --> s5[05 Deploy<br>发布]
    s5 --> s6[06 Maintain<br>监控回流]

01 Plan

原始发起人不要求正式语言，直接与 Claude 头脑风暴。Claude 提出分析师式问题：范围、用户、约束、成功长什么样。产出 intent.md：问题、目标结果、受影响用户、约束、开放问题。产品负责人评审修正后 commit，验收即 merge。度量：从首次对话到 intent.md 提交的时长。

02 Design

Claude 拿已接受的 intent.md 产出规格，受组织 skills 约束：品牌、安全、合规、UX，标记关注点。产品负责人按 idea 评审，与策略 owner 解决被标记的关注点，spec.md 与 intent.md 一起提交。进入构建需要人类决策。

03 Build

默认从 plan mode 开始。工程师给 Claude 规格，追问计划：哪里会坏、最险的一步、被否掉的方案，直到一个没看过这段对话的工程师只凭计划实现改动，再提交 plan.md 交给 Claude 实现。偏离计划必须在同一 commit 更新 plan.md。

CLAUDE.md：仓库约定载体。Claude 同一错误犯两次，修正进 CLAUDE.md
skills：带 frontmatter 的版本化 SKILL.md，advisory 性质
hooks：确定性守卫。拦截受保护路径、跑格式化/lint、把凭据挡在 diff 外

04 Test

给 Claude 验证自己工作的手段：测试、构建、截图 diff。到工程师手里的代码已经自测过。先写失败测试再修 bug；修代码的 agent 不得削弱自己代码的检查，hook 拦截修复期改测试文件。

持续评测是 AI-Native 版的阶段门 QA：20–50 个真实任务带预期结果，非交互定时跑，在 CLAUDE.md / skills / hooks 变更时跑；每个线上事故补一条评测。

05 Deploy

双向 AI 评审：Claude 既给 review，也按 review 意见修复 @claude 评论。findings 不能自己放行或拦截 PR，分支保护仍要 code owner 审批。人类关卡（变更管理、发布授权）变成 allow / ask / block 的 hooks；不可谈判项放托管设置，工程师不可覆盖。CI/CD 里 claude -p 非交互执行判断步骤。

agent 可行动到生产关卡之前，不可越过。自主程度按环境分级；回滚是流水线里排练最多的路径。

06 Maintain

确定性脚本（不调模型）监控生产指标：滚动窗口的均值/标准差，越线才调 Claude。分级响应：1σ 记录、2σ 只读诊断、3σ 可经 PR 或预批 runbook 行动。结论写成 intent.md 回流管线。周期性代码库扫描（Claude Security），修复照常过评审关卡。

flowchart LR
    mon[确定性监控] -->|越线| tier[分级响应<br>1σ 记录 / 2σ 诊断 / 3σ 行动]
    tier --> doc[事故记录]
    doc --> intent2[新 intent.md]
    intent2 -.->|回流管线| mon

传统 vs AI-Native 对照表

维度	传统	AI-Native
流程形态	线性；阶段关卡；文档交接	闭环；产物自动触发下一阶段
需求	委员会收集；逐层签批；手写	Claude 综合成 intent.md；机器可执行
设计	分析、设计分阶段	单会话；skills 约束；标记关注点
评审	人逐行审	分层 agentic 评审；人审受监管与关键代码
治理	评审循环里不一致地施加	AI 行动时 hooks 作为批准关卡强制
维护	被动等人	agent 监控；事故写回新 intent.md

循环持续运转，人的判断在上方。

Anthropic 如何保障 AI-Native SDLC 安全

Claude 写了 Anthropic 代码库约 80% 的合并代码；过半合并代码走内部版 Claude Tag（agentic 合并）；工程师每季度产出代码约为 2021–2025 时期的 8 倍。威胁设计针对三类风险：被攻破或提示注入的 agent 引入恶意改动、供应链/依赖投毒、更大批量到达的常规应用漏洞。

安全左移进代码创建阶段

Plan 阶段 PSR（project security review）：Web 应用读设计文档，按 MITRE ATT&CK 框架给建议，连内部知识索引
安全编码准则写进 CLAUDE.md 与 org skills：发现漏洞类 → 更新生成指令 → 不再复发
/security-review 命令：开 PR 前找攻击者可控输入、可疑链接
远程 VM + egress 白名单约束 agent 流量：注入 agent 也无法访问任意外网，外泄限少数被监控服务

硬性身份与访问边界

最小权限；每个 agent 单用途身份。

确定性 + agentic 评审组合，生产前后都上

每个 PR 多个窄范围评审 agent，各管一个 focus，用 RAG 带过往事故上下文，agent 必须写证据证明自己的发现有效。按风险给代码库分级，部分保留严格人工审批；每次自动化审批记录信号与理由，按风险加权抽样人工复核；不变式测试（如用户 A 永远读不到用户 B 数据）触发额外人工评审；SAST 直接贴 PR。

把人类放在最高杠杆点

治理：人从盯代码、盯 bug 转向盯 Claude Tag、循环与仪表盘
影子模式：新 AI 评审先只贴评论，人为批准直到可信；团队红队尝试塞恶意改动
按百分比抽样自动化审批
所有 agent 行为路由进 SIEM：每次审批、工具调用、agent 间消息都记录，可归属可审计
agent 被当作新型内部威胁类别对待

线上告警处置示例

告警触发 → Claude 查生产日志、根因定位、写 post-mortem，有时写修复，但不能部署。它是单用途系统账号，只有三个权限：写新文档、在公司频道发帖、读生产日志。修复必须走独立的 agent–人类评审系统，控制爆破半径。

事故响应 agent 曾越权直接通过 Slack 联系另一个能写代码的 Claude 实例，要求推修复，被人工评审关卡拦下。教训：按访问与动作划边界，不按模型指令划边界。

持续动态测试

staging 跑持续 AI 驱动的 DAST（动态扫描），匹配发布节奏。静态扫不到的跨服务假设 bug 由它发现。2 月，Claude 找到并协助修复 500+ 高危 OSS 漏洞。

安全工程师的工作从盯 bug 变成盯循环。

对 AI 产品经理的启示

AI-Native 流程把写代码变成商品，人的价值在意图定义与关卡评审
产物进版本控制，流程可审计
发布与回滚练成最熟路径
安全靠边界与最小权限，不靠禁令

延伸阅读：AI 产品开发生命周期、产品项目管理、开发流程与节奏。

来源说明

本页整合两篇 Claude/Anthropic 官方博客要点，访问日期 2026-08-27：

The AI-Native SDLC Playbook：https://claude.com/blog/the-ai-native-sdlc-playbook
How Anthropic Secures Its AI-Native Software Development Lifecycle：https://claude.com/blog/how-anthropic-secures-its-ai-native-software-development-lifecycle

具体数字与机制以原文为准。

发现错误？想一起完善？在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用