Claude Code写代码快到飞起，为什么你的研发流程反而更堵了？

Anthropic 发布了一篇博客《The AI-Native SDLC Playbook》。

翻译过来就是「AI 原生软件开发生命周期手册」。

这份手册讨论的不是怎么让 Claude Code 再多写几行代码，而是当 AI 已经能快速写代码以后，整个研发流程应该怎么重做。

现在很多团队已经用 AI 把几天的编码工作压缩到了几小时，但需求澄清、评审排队、安全检查和上线审批依然按照过去的速度运行。

结果就是代码写得越快，PR 堆得越多，安全团队和测试团队越容易成为新的瓶颈。

只给编码阶段装上 Agent，等于给高速列车接了一段泥巴路，产出越快，堵得越明显。

前面我们写过从Prompt走向Agent Loop和Loop Engineering实战，讲的是单个任务怎么跑稳，而这份手册解决的是整个软件开发生命周期怎么跟上 Agent 的速度。

AI原生SDLC的核心，不是把六个阶段都交给AI

Anthropic 给出的关键不是一张“AI 替代岗位”的表，而是一条可提交、可追溯的工件链：intent.md → spec.md → plan.md → 代码与测试 → PR与审查结果 → 事故记录。

每一个阶段先读取上一棒留下的工件，再把自己的结果提交到版本控制，被接受的工件会自动触发下一阶段。

这样 Git 历史就能记录谁提出需求、Agent 做了什么、谁最终批准，人也从搬运信息转向守住真正需要判断的门。

第一阶段Plan：先保存原始意图

传统需求会经过工单、用户故事、估点和多轮会议，传到工程师手里时，常常已经离提出者的原话很远。

AI 原生的做法是让提出者直接和 Claude 把问题、用户、约束、目标与未决问题聊清楚，生成intent.md，再由产品负责人纠正和确认。

这里最值钱的不是 Markdown 格式，而是让人和 Agent 第一次共享同一个可执行的事实源。

第二阶段Design：把规则前移，不要等评审找茬

被接受的intent.md进入设计阶段后，Claude 会在品牌、安全、合规和 UX 等 Skills 约束下生成spec.md。

过去很多问题要到安全评审或设计验收时才暴露，那时代码可能已经写了一半，而现在这些规则会在规格形成时直接参与决策。

Skill 负责让政策更容易被遵守，但绝对不能违反的要求，还要交给确定性的 Hook 和流水线检查。

第三阶段Build：先审plan.md，再开自动模式

工程师不应该拿到spec.md就让 Agent 直接改代码，而要先在 Plan Mode 里让 Claude 列出修改文件、实施顺序、风险和验证方式。

计划应该具体到一个没看过聊天记录的人也能照着plan.md完成任务，随后 Claude 再依据CLAUDE.md、Skills和 Hooks 执行。

计划越扎实，普通改动越适合自动执行和多 worktree 并行，但并行上限永远是人还能不能认真审完这些工件。

第四阶段Test：Agent必须先拿证据，再说完成

Anthropic 在测试阶段最强调的一件事，就是永远给 Claude 一条能自行运行的反馈回路。

测试、构建、Lint、浏览器操作和截图对比都应该由 Agent 在交付前反复执行，修 Bug 时还要防止它偷偷改弱测试。

没有可重复的验证命令，AI 产出越多，人工验收债务越大。

第五阶段Deploy：Agent走到生产门口就停

部署阶段可以让 Claude 执行多轮 PR 审查、归类问题、处理评论和修复失败检查，并在沙箱里完成所有发布准备。

但写代码的 Agent 不能批准自己的 PR，生产发布也必须由指定责任人授权。

治理不是多开一个周会，而是用REVIEW.md、分支保护和 Hooks，把控制要求变成 Agent 行动时就会生效的代码。

第六阶段Maintain：让生产反馈自动回到起点

闭环真正形成于维护阶段，因为确定性脚本会持续观察测试失败率、5xx 比例和交付周期等指标，越过控制带后再调用 Claude 诊断。

Agent 会把异常证据、受影响系统和建议结果写成新的intent.md，重新经过计划、设计、构建、测试和审查，而不是在凌晨绕过流程直接修改生产。

检测要保持确定性，诊断可以使用模型，行动必须受到权限和门禁约束。

Carl的判断：别先追求全自动，先修最堵的一段

这份 Playbook 最容易被误读成“买了 Claude Enterprise，就能让 Agent 包办整个研发流程”。

真正可落地的顺序，是先挑最堵的一段，把完成标准变成可执行的验证命令，再把反复出现的错误写进CLAUDE.md，把组织政策做成 Skill，把不可妥协的边界做成 Hook。

不要一上来替换 Jira、Figma 和现有审计系统，只要先为每类工件明确唯一事实源，并在另一边保存链接或 Commit SHA。

AI 原生 SDLC 不是无人研发，而是让人从盯每一行代码，升级为设计目标、风险、证据和责任边界。

参考链接

• Anthropic官方博客（The AI-Native SDLC Playbook）：https://claude.com/blog/the-ai-native-sdlc-playbook