用这招，让你的 IT 组织变得 AI Native

前两天，我们在《别指望你的组织能变得 AI Native》提到：真正把 AI 用进日常工作流的人，比大多数人想象的少得多。

大多数公司里，真正在日常工作中高频使用 AI 的人不超过 10%。剩下的人不是不想用，是不知道怎么把 AI 塞进现有工作流程里。像你这样活跃使用 AI 关注 AI 的人，在任何公司里差不多都只有 5%-10%，而且永远只有这么多。

既然不能指望每个人都变成 AI 重度用户，那换个思路：能不能从流程本身下手，让组织相对整体变得 AI Native？

前几天，Anthropic 发了一份技术手册《The AI-Native SDLC Playbook》，给出了一套具体方案：如何把 AI 嵌入组织软件开发流程的每个阶段，逐步重构组织的 AI Native 整条链路。

以下为全文超级精校编译～部分内容略有删改。

代码已不再是瓶颈

企业已经在用 AI 写代码了。部分团队的代码产出量，在过去半年内翻了一倍以上。

但遗憾的是，代码开发相关的其他流程没跟上：评审、测试、部署还是老样子，反而成了 Claude Code 这类工具的堵点。

大多数组织都会遵循软件开发生命周期（SDLC）的六个阶段：规划、设计、构建、测试、部署和维护。

传统上，每个阶段都是独立的环节，由不同角色负责：

产品经理撰写需求文档，技术架构师将其转化为设计方案，工程师根据设计方案进行开发，QA 团队负责验证，发布团队完成交付上线，最后由运维团队监控系统运行状态。

大家的工作，靠文档、工单和签字确认在阶段间流转。

而它之所以这样的设计前提是：写代码是整条链路里最贵、最慢的环节；并且每个步骤都由人类执行。

但现在，这两个前提都不成立了。

当代码都不再是瓶颈，开发代码的阶段的速度，超出传统软件开发生命周期（SDLC）的容纳上限（如图）

此时，呈现出三个关键事实：

1. 瓶颈转移到了构建阶段前后的环节上。主要是规划、审查/测试和部署，这些工作仍按人工速度推进。

2. 调控手段逐渐脱离实际。代码是人写的时候，逐行审核很合理；但当 Agent 一天能产出过去一周的代码量，逐行审就变成了堵点。

3. 治理成本居高不下。因为例外情况仍需通过每周或每月召开的会议和委员会审批。

以安全瓶颈为例：安全团队的规模原本是按人工代码输出量配置的。一旦 AI 工具让代码产出量倍增，要么审核队列积压，要么代码未经充分审核就上线。

对许多成熟团队来说，两种结果都无法接受，所以安全和政策检查，必须跟上 Agent 的节奏。

AI 原生软件开发生命周期

AI 原生 SDLC 是一种全新的流程设计。

它保留了原有的控制目标，但引入了新的执行机制。这里最大的变化是开发流程形成循环结构：AI 嵌入到每一个环节中，阶段之间的交接由系统自动完成，不再靠人手动传递。

它依然分为规划、设计、构建、测试、部署、维护六个阶段，但每个阶段的样子都变了。

下面这张表是传统 SDLC 和 AI 原生软件开发生命周期（SDLC）的两极对比，大多数组织其实处在两列之间的某个位置：

这个流程里有一条贯穿始终的主线：每个阶段干完活，都要往版本控制里提交一个文件。

规划阶段交 intent.md，设计阶段交 spec.md，动手写代码之前先有 plan.md，然后是代码 diff、测试、带评审意见的 PR，最后是事故记录。下一个阶段的工作，就从读上一个文件开始。

文件一提交，下一环就被触发：

intent.md 被接受，进入需求与设计；spec.md 获批，进入规划模式；PR 合并，启动流水线；生产环境的指标突破控制带，就生成一份新的 intent.md——循环重新开始。

一开始这些触发靠人手动做，跑顺之后，循环可以自己独立运转。

有趣的是，这条提交流程，还顺带解决了两个老问题：

一个是沟通。前半程主角是 md 文件，产品负责人和 Agent 读的是同一份东西，谁也不用转述给谁；从构建阶段往后，主角才换成代码和它的记录。

另一个是审计。谁提的需求、Agent 写了什么、谁批的，全在 git 历史里存着。

当然，需要拍板的决定最后还是人来做。

只不过人的注意力不再放在整个流程上，而是跟着待审查的文件走了。

AI 原生 SDLC 的具体六个阶段

接下来，我们讲这六个 AI 原生开发生命周期具体的过程：

有什么变化、如何开始、具体步骤、怎么衡量效果。企业可以按自己的节奏，先改最痛的那个阶段。

第一阶段：规划，用intent.md捕获意图

传统流程里，一个想法要经过待办事项、用户故事、故事点和细化会议，每次交接换一次负责人，传到工程团队时早已面目全非。

AI 原生的做法是：发起者直接和 AI 头脑风暴，AI 像分析师一样追问范围、用户、约束和成功标准，然后按组织模板写成 intent.md（用发起者自己的话写成的原型规范）。发起者改掉理解偏差后提交，作者和时间戳进 git 历史，产品负责人从这里接手。

一份 intent.md 长这样（一家保险公司的理赔案例）：

第二阶段：设计，需求与设计合二为一

传统模式下，分析师写需求、设计师出方案，两个团队两个阶段，既慢又损耗信息。

AI 原生的做法是在一次会话里完成：AI 读取已批准的 intent.md，在组织 Skills（品牌、安全、合规、UX）的约束下生成 spec.md，产品负责人审核但不动手写。

这里的关键变化是：策略在写 spec 时就生效，而不是几周后的评审才发现冲突。

对前端来说这个变化更直观：产品负责人直接在 Claude Design 里基于 intent.md 出原型，满意后导出给 Claude Code 开发——从意图到可交互界面，中间不再经过单独的设计交付环节。

第三阶段：构建，计划获批之前，不许写代码

传统流程里，怎么改、改哪些文件只存在工程师脑子里，评审者第一次见到方案时已经是最终 diff，返工成本极高。

AI 原生工作流从 Plan Mode 开始：AI能读代码库但不能改，先出书面方案。

与此同时，工程师会追问：这会破坏什么？哪一步风险最大？为什么没选其他方案？反复迭代，直到一个没参与讨论的工程师也能照着这份方案执行，然后提交为 plan.md。

这里最重要的一点是：设计评审发生在写代码之前。这样，改方向只是改一份文档，而不是扔掉三天的代码。

整套流程跑顺之后，就可以切 Auto Mode：批准方案后让 AI 自动执行，人从「盯着每次编辑」变成「审最终交付物」。

这一阶段还有四个关键组件：

CLAUDE.md：Agent 的入职第一天，写团队约定、命令和常犯错误。实用规则：同一个错犯两次，就写进文件；控制在一页以内。

Skills：机构知识的载体，把安全标准、API 规范这类需要持续执行的规则写成技能文件，随代码发布。

Hooks：确定性防护层，阻止改受保护路径、编辑后自动跑格式化、挡住凭证进 diff。

并行会话与子 Agents：一个工程师可以同时跑多个会话（各自独立 worktree），重复性工作做成子 Agents。它的上限取决于一个人能认真评审多少。

当然，代码写完不是终点，接下来的问题是：怎么确认这些代码是对的？

第四阶段：测试，先检查自己，再交给人

传统流程里反馈信号来得很晚，导致一个问题：人不得不检查所有输出，自己成了瓶颈。

而 AI 原生测试流程，是让 Agent 在人查看前先自查：跑测试、跑构建、截图对比，通不过就自己修。

这个环节最有意思的是修 bug 的时候：先让 AI 把 bug 复现成一个失败的测试并提交，然后才允许它修——但是不允许碰测试文件。

另一条是持续评估：CLAUDE.md、skills、hooks 这些配置都在操纵 Agent 的行为，理应和代码一样过回归测试。

具体来说，是从近期工作挑 20-50 个真实任务做成评估套件，配置一改就跑；这样，每起生产事故就会变成一道永久的评估题。

第五阶段：部署，Agent 做到能发布为止

PR 评审双向进行：AI 既审别人的 PR，也处理自己 PR 收到的意见。

评审规范写在 Review.md 里，分 bug、安全、合规三档，重要意见只留给破坏功能、泄露数据、违反政策的发现，细枝末节每次最多报 5 个。

这个环节有两条铁律：

1. 写代码的 Agent，没有任何途径批准自己的代码；

2. Agent 的生产部署必须有发布授权，没授权的操作会被 hook 直接拦下。

第六阶段：维护，让 Agent 把循环合上

前面五个阶段都需要人启动，这一阶段让 AI 自己跑起来：

这里的监控脚本完全是确定性的：盯着一个指标（比如 CI 失败率），不碰模型，用具体规则判断是否偏离。

这里的响应方式，按标准差可以分成三档：第一档只记日志，第二档让 AI 进行只读诊断，只有第三档才允许行动：只能提 PR 或触发预先批准的回滚。

Agent 把诊断结果写成新的 intent.md，重新进入第一阶段。

修复发布后，如果有事故就会变成一道评估题，同一个错误的复发会越来越低。

这就形成一个完整的 AI Native 闭环：生产环境的异常自动生成新的意图，重新流经六个阶段，再回到生产。

循环一直在转，人始终在这个循环之上。

以上是 Anthropic 手册的核心内容。下面聊几点我们编辑部的看法：

很多人以为 AI Native 就是代码写得更快。

但代码写得越快，评审、测试、部署这些还按人的速度跑的环节，反而会把流程堵死，所以统计「AI 写了多少代码」没什么意义。

随着 Agent 生产力工具的能力不断提高，组织和流程需要跟着变，不然流程本身就成了最大的瓶颈。

AI Native 真正改变的是人的角色：人的角色不再是写代码和逐行 Review，而是审 Agent 的 intent、批  Agent 的 plan、管 Agent 的门禁。

具体来看，人的核心工作变成了两件事：把需求说清楚，以及判断 Agent 的产出物能不能上线。

人没被 Agent Loop 取代，但人的作用和位置变了。

这个过程中，人的判断力被存了下来，写进 CLAUDE.md、skills、hooks 里，下次不用再判断一遍：人把脑子里的经验，写成机器能照做的规则，这些经验就可以像资产一样复用了。

这才是真正的AI Native。

- 完 -