跳到主要内容
目录

AI Native SDLC 重构开发:四份报告深度解读

本文交叉比较四份行业材料:Google《The New SDLC with Vibe Coding》、Anthropic《The AI-Native SDLC Playbook》、OpenAI《Building an AI-Native Engineering Team》、LangChain《The Agent Development Lifecycle》

AI 带来的真正变化,不是程序员少写了多少代码,而是企业必须重新设计从意图、实现、验证到生产反馈的整个软件生产系统。

过去一年,关于 AI 如何改变软件工程的讨论很多。但现在真正值得追问的,已经不是“AI 能不能写代码“,而是一个更深层的问题:

当代码能够被快速、规模化地生成,我们是否拥有同样强大的能力,去定义、验证、治理和维护这些代码?

为了回答这个问题,今天系统研究并交叉比较了四份来自 Google、OpenAI、Anthropic 和 LangChain 的代表性行业材料。它们讨论范围不完全相同,却逐渐汇聚到一个共同结论:AI 对软件工程最大的影响,不是提高某个开发环节的效率,而是迫使企业重新设计整个软件开发生命周期。

先把四份材料放进一个坐标系里,后面所有分析都建立在这个框架上:

机构材料视角核心贡献
GoogleThe New SDLC with Vibe Coding范式与认识论Context Engineering、Harness Engineering、Factory Model、Conductor → Orchestrator
AnthropicThe AI-Native SDLC Playbook组织流程intent/spec/plan.md 制品链、Skills vs Hooks、审批门
OpenAIBuilding an AI-Native Engineering Team团队分工Delegate / Review / Own 三种人机责任边界
LangChainThe Agent Development Lifecycle运行时运营Build → Test → Deploy → Monitor,Agent 专属可观测性

它们不是四个版本的同一套方法论,而是四个出发点不同的切片——这正是它们共同强调的内容更值得重视的原因。


一、代码更快了,为什么项目不一定更快?

AI 编码工具最容易制造的一种错觉是:代码生成速度提高了,整个项目自然也会同比加速。

但软件交付从来不是单一环节,而是一条完整的价值流。只加速其中一个阶段,通常只会把瓶颈推向其他地方。

当实现工作从数周压缩到数小时,规划、测试、代码审查、发布审批和安全治理仍然以人的速度运行。如果这些环节没有同步升级,团队就会面临两个结果:

  • 一方面,Agent 生成的变更大量堆积在审查队列中,工程师从“编写代码的瓶颈“变成“审核 AI 输出的瓶颈“;
  • 另一方面,为了追求速度,团队可能降低审查标准,让未经充分验证的代码进入生产环境。

这也是为什么 AI 带来的局部生产率提升,未必会自动转化为组织层面的交付能力。

真正需要衡量的,不是 Agent 生成了多少代码,而是从一个意图提出,到可靠结果进入生产环境,整个系统花费了多长时间、经历了多少返工、消耗了多少人工注意力,并带来了多大的后续维护成本。

换句话说,AI Native SDLC 的目标不是提高代码产量,而是提高“从意图到经过验证的业务结果“的整体吞吐量。


二、从 AI 辅助开发到 AI 原生开发

目前大多数团队所处的阶段,更准确地说是 AI-assisted development,也就是 AI 辅助开发。

工程师在 IDE 里使用代码补全,通过对话生成函数或测试,遇到报错时再把错误交给模型。AI 提升了某些局部任务的效率,但需求传递、架构设计、测试、代码审查、发布和生产治理仍然按照原来的方式进行。

AI Native SDLC 则意味着重新设计这套系统。两者之间至少存在五个本质区别。

第一,意图成为正式工程输入。 传统流程中,需求往往分散在会议记录、即时通信、工单和人的记忆中。Agent 得到的通常只是其中一个经过多次转述的片段。在 AI Native 流程中,意图必须被结构化和版本化——说明问题是什么、为什么值得解决、影响哪些用户和系统、有哪些约束、哪些内容不在范围内、怎样才算成功。AI 可以帮助提出问题、发现遗漏,但不能替组织决定优先级和业务价值。

第二,组织知识变成可执行上下文。 过去,代码规范、架构原则、安全要求和常见错误可能存在于 Wiki、文档或资深工程师的经验中。对新员工来说难以发现;对 Agent 来说甚至完全不可见。AI Native 团队会把这些知识转化为规则文件、Skills、工具定义、检索系统、代码示例和验证命令,让 Agent 在执行任务时得到与成熟工程师相近的工作背景。

第三,验证与生成同时发生。 传统测试经常位于实现之后。AI Native 开发要求 Agent 在把结果交给人类之前,先运行构建、测试、lint、静态分析和必要的视觉检查,并根据真实结果自行迭代。“完成“不再意味着 Agent 停止生成,而意味着它能够提交可检查的证据。

第四,治理发生在行动时。 安全和合规要求不能只写在政策文件或 Prompt 里。哪些目录不可修改、哪些凭据不可读取、哪些网络不可访问、哪些生产操作必须审批,都需要由权限、沙箱、Hook、CI 和身份系统强制执行。

第五,生产反馈重新进入开发循环。 生产事故、用户反馈和 Agent 运行轨迹不再只是事后分析材料,它们需要转化为新的需求、回归测试、Eval 样本、规则或监控信号,进入下一轮开发。

这使软件开发从一条“需求到上线“的单向流水线,转变为一个持续学习的闭环:

Intent → Spec → Plan → Build → Verify → Review → Deploy → Observe → New Intent

三、从 vibe coding 到 agentic engineering

Vibe coding 的价值不应该被低估。对于原型、个人工具、一次性脚本和探索性工作,它能够显著降低创造软件的门槛。开发者可以用自然语言表达想法,在极短时间内得到一个可运行的结果。

问题在于,生产软件不能只满足“看起来可以运行“。支付、身份认证、数据基础设施和企业核心业务需要回答更严格的问题:边界条件是否完整?错误是否被正确处理?依赖是否真实存在?系统是否遵循既有架构?权限是否符合最小化原则?未来的团队是否能够理解和维护这些代码?

Agentic engineering 与 vibe coding 的区别,并不在于使用哪个模型或工具,而在于 AI 输出周围存在多少结构、约束和验证。

一个周末原型可以依赖“运行一下,看起来没问题“;一个生产系统则必须拥有正式规格、测试与 Evals、确定性门禁、审计记录和明确的人类责任。

这不是非黑即白的选择。不同任务可以位于不同的风险等级:

  • 原型和探索可以允许较高自由度;
  • 普通业务功能可以由 Agent 实现并自测,但由工程师批准计划和合并;
  • 身份、支付、数据和基础设施变更则需要更严格的架构、安全和生产审批。

真正成熟的团队,不会要求所有任务采用同一种自治程度,而是根据风险、可逆性和验证能力动态决定人机边界。


四、新的软件生产链:从意图制品到生产反馈

Anthropic 提出的制品链提供了一种很有代表性的 AI Native 工作方式:

intent.md → spec.md → plan.md → 代码与测试 → PR 与审查记录 → 事故记录 → 新 intent.md

文件名不是重点。重点是每个阶段都会产生一个既能被人理解,又能被 Agent 继续处理的正式制品。

规划:让最初的意图少经历几次转述。 传统需求经常经历多层交接:业务人员提出问题,产品经理整理需求,分析师补充细节,工程师再把它解释成技术方案。每次转述都可能造成信息损失。在 AI Native 流程中,最初提出问题的人可以直接与 Agent 对话,将问题、目标、约束、影响范围和开放问题整理成意图制品。Agent 还可以结合代码库判断哪些服务会受影响、现有能力能否复用、需求中是否存在明显矛盾。但优先级、商业价值和战略方向仍然必须由人决定——Agent 可以分析“能否做“和“可能怎样做“,不能替组织决定“是否应该做“。

设计:在代码产生之前处理风险。 获得明确意图后,Agent 可以结合代码库、设计系统、安全政策和历史架构,生成初步规格,列出实现方案、依赖关系、风险和待决事项。这会改变政策应用的时间点:过去安全、合规或架构问题可能在数周后的审查中才被发现;现在相关政策可以在规格产生时就被读取和应用。但一致性与可用性、短期速度与长期维护、复杂度与扩展性、构建与采购等架构取舍,仍然依赖业务背景和组织战略——AI 可以扩大方案空间,却不能替组织承担选择的后果。

构建:先审查计划,再生成代码。 传统开发中,工程师往往直接开始实现。会修改哪些文件、采用什么顺序、如何证明功能正确,可能只存在于个人脑中。AI Native 开发更强调“先计划,后实现“:Agent 先阅读意图、规格和代码库,形成实现计划,说明哪些文件和模块需要变化、实施顺序是什么、存在哪些风险和集成点、哪些方案被考虑过但没有选择、哪些测试能够证明功能正确。工程师在代码产生之前修正计划,因为此时改变方向的成本最低。计划被接受后,Agent 才开始实施;如果实现偏离计划,相应制品也需要同步更新。这样,代码审查就不再只是阅读一个突然出现的巨大 diff,而是可以判断实现是否忠于意图、是否遵循计划,以及偏离是否合理。


五、测试正在从阶段变成语言

在 AI Native SDLC 中,测试不仅用于检查代码,也成为向 Agent 表达意图的一种方式。

自然语言很容易产生歧义,而可执行测试能够更精确地说明系统在给定条件下应该怎样表现。这使测试的重要性进一步提升:生成能力越强,团队越需要一个不可轻易误解的事实来源。

Agent 可以阅读需求和实现,提出边界案例、故障路径和属性测试;它也可以运行测试,根据失败结果进行修复。但这并不意味着测试可以完全交给 Agent。

如果同一个 Agent 同时编写实现和测试,它可能把同一个错误假设带入两者。更危险的是,Agent 可能通过删除失败测试、降低断言强度或使用 Stub,让结果“看起来通过“。

因此,生产级流程需要建立独立验证:

  • 在实现前确定关键验收条件;
  • 验证新测试在功能实现前确实会失败;
  • 将实现与最终验证放在不同会话或不同 Agent 中;
  • 禁止修复任务删除或弱化失败测试;
  • 对 UI 工作加入截图或浏览器验证;
  • 对模型、Prompt、Skill 和工具更新运行回归 Evals;
  • 将生产事故转化为永久回归案例。

验证系统的意义,不只是发现错误,更是降低人类审查每一行代码的必要性。机械证据越充分,人类越能把注意力放在意图、架构和风险上。


六、普通软件需要测试,Agent 产品还需要 Evals

这里必须区分两种常被混为一谈的 AI Native:

  • 一种是使用 Agent 开发普通软件;
  • 另一种是开发的软件本身就是 Agent。

对于普通软件,测试主要验证确定性行为:输入是否产生预期输出,状态是否正确变化,接口是否符合契约。

Agent 产品则存在更多非确定性。它可能最终给出一个看似合理的答案,却在过程中调用了错误工具、跳过了审批、使用了不可靠数据,或者执行了大量无效步骤。

因此,Agent Development Lifecycle 除了传统测试,还需要:代表真实任务的数据集、标准和评分规则、多轮交互模拟、完整工具调用轨迹、人工与模型评审、用户反馈和行为信号、版本间对照实验、对成本延迟和工具使用效率的监控。

对 Agent 来说,“服务没有报错“并不等于“任务成功完成”。一个客服 Agent 可能正常返回了 HTTP 200,却错误批准退款;一个研究 Agent 可能生成了流畅报告,却引用了不存在的依据;一个编码 Agent 可能通过了基础测试,却跳过安全检查。

传统可观测性回答系统是否正常运行,Agent 可观测性还必须回答:它做了什么、为什么这样做,以及做得是否正确。


七、真正决定效果的,往往不是模型,而是 Harness

团队采用 Agent 时,容易把所有成功或失败都归因于模型能力。模型升级了,Agent 似乎就更聪明;任务失败了,就认为模型还不够强。

这种判断过于简单。模型只是推理引擎。让它能够完成实际工程任务的,是包围在模型之外的一整套 Harness:

  • 项目指令和规则文件;
  • 代码库、架构和领域知识;
  • 工具、API 和 MCP 服务;
  • 会话状态与持久记忆;
  • 沙箱和执行环境;
  • 权限、身份和凭据;
  • 任务分解与 Agent 编排;
  • Hooks 与审批门禁;
  • 日志、轨迹、成本和质量监控。

许多所谓的模型错误,实际是 Harness 设计错误:上下文不完整、工具描述模糊、反馈信号不足、权限过大,或者上下文窗口被无关信息占满。

这也是为什么 Prompt Engineering 正在进一步演化为 Context Engineering。好的上下文工程不是向模型提供尽可能多的信息,而是在正确时间提供完成任务所需的高信号信息。

必须始终遵守的项目规则可以放入基础指令;只与特定任务有关的知识应当按需加载;反复使用的组织流程可以封装为 Skills;不能违反的要求则必须由 Hook、权限和 CI 强制执行。

上下文过少,Agent 会反复犯错;上下文过多,则会造成噪声、成本、注意力稀释和数据暴露风险。因此,成熟团队需要像管理代码一样管理上下文:明确所有者、版本、审查流程、适用范围和回归测试。


八、Skills 告诉 Agent 应该做什么,控制系统决定它不能做什么

AI Native SDLC 的一个关键原则是:治理不能只存在于政策文档和 Prompt 中。

Skills 适合编码组织知识,例如安全审查步骤、API 设计规范、品牌要求和文档流程。它们能显著提高 Agent 遵守规则的概率,但本质上仍然属于建议性控制。

如果某条规则必须始终成立,就需要确定性机制:

  • 受保护路径禁止 Agent 修改;
  • 凭据、个人数据和生产秘密不能进入上下文;
  • Shell 命令只能在隔离环境中运行;
  • 网络访问采用域名白名单;
  • Agent 使用独立身份和短期凭据;
  • 所有代码变更必须通过 Pull Request;
  • Agent 不能自行批准自己生成的代码;
  • 生产部署必须获得命名责任人的明确授权;
  • 所有允许、拒绝和覆盖行为都要留下审计记录。

治理的目标并不是让 Agent 什么都不能做,而是定义一条清晰的行动边界:在开发环境中,Agent 可以自由构建和测试;在预发布环境中,它可以执行更多操作,但需要留下证据;在生产环境中,它可以准备发布、分析状态、提出回滚建议,甚至触发预先批准的 Runbook,但不能越过明确的生产门禁。

真正成熟的治理,不是增加更多会议,而是把政策嵌入行动发生的时刻。


九、工程师不会消失,但工作的重心正在变化

OpenAI 提出的 Delegate、Review、Own,为 AI 时代的人机分工提供了一个实用框架。

  • Delegate 指适合交给 Agent 的工作:边界明确、重复、风险较低并且可以自动验证,例如脚手架、常规接口、测试初稿、依赖维护、文档更新和日志关联。
  • Review 指 Agent 可以提供第一版,但需要人类检查其完整性和影响的工作,例如设计方案、性能分析、测试覆盖、代码审查和故障诊断。
  • Own 指组织必须由人承担责任的事项,包括产品方向、核心架构、风险接受、重大安全决策和生产授权。

这比笼统地说“Human in the Loop“更有价值,因为它明确了人在回路中究竟负责什么。

随着实现工作越来越多地交给 Agent,工程师的角色正在转向:定义意图和成功标准、设计架构和工程边界、分解与调度 Agent 任务、维护上下文与 Harness、设计测试 Evals 和反馈机制、审查例外并接受剩余风险、对最终结果承担责任。

这种变化不意味着工程基础能力不再重要。恰恰相反,如果工程师缺少调试、安全、性能和架构判断,就更难识别那些“看起来正确“却包含隐蔽错误的 AI 输出。

AI 放大的不是工具本身,而是团队原有的工程文化。拥有清晰架构、良好测试和健康审查机制的团队会得到更大收益;基础薄弱的团队则可能更快地产生技术债务。


十、多 Agent 并不天然等于高效率

当一个工程师可以同时启动多个 Agent 时,团队很容易把并行度当作成熟度。

但并行 Agent 增加的是在制品数量,不一定增加最终吞吐量。如果多个任务修改同一批文件,就会产生冲突;如果规划不足,Agent 会在不同方向上重复工作;如果审查能力没有同步增加,大量结果会堆积在工程师面前。

因此,并行度的真正上限不是平台允许启动多少 Agent,而是团队能够认真评估多少结果。合理的做法是:

  • 只并行处理文件和依赖相对独立的任务;
  • 为每个任务使用独立分支或 Worktree;
  • 将研究、验证、代码简化等重复工作交给职责明确的子 Agent;
  • 限制同时在制的任务数量;
  • 将审查质量和返工率与并发数一起观察。

如果并发增加后,变更量上升但返工、事故和审查等待也同步增加,这不是效率提升,只是把成本推迟到了价值流的下游。


十一、AI Native SDLC 的经济账,不能只看 Token

Vibe coding 看起来拥有极低的启动成本:一个订阅、一段 Prompt,几分钟后就能得到可运行结果。

但低生成成本可能隐藏高昂的长期成本:反复提示和修复造成的 Token 浪费、不一致代码带来的维护负担、缺失测试导致的生产缺陷、安全问题的后期整改、工程师理解陌生 AI 代码所需的时间、模型和工具升级后的行为漂移。

Agentic engineering 则需要更高的前期投入:规格、测试、Evals、规则文件、Skills、沙箱、Hook、可观测性和共享基础设施。这些投入不会立刻表现为更多功能,却可能显著降低后续返工和事故成本。

不过,把这种差异简单描述为“高 CapEx、低 OpEx“仍然不够完整。企业需要计算的不只是 Token,还包括人工审查时间、基础设施、治理成本、上下文维护、供应商切换风险以及生产事故。

更合理的经济指标是“每个被接受变更的综合成本“,而不是单次模型调用价格。


十二、如何衡量 AI Native 转型是否成功

最危险的指标是代码行数、生成次数和 Pull Request 数量。它们奖励产量,却不代表价值。

更有意义的指标可以分为四组:

交付效率:从意图提出到验证通过的时间、从计划批准到 PR 合并的时间、部署频率、审批门等待时间、每名工程师可管理的并行工作量。

质量与可靠性:首次实现通过 CI 的比例、每次变更的返工轮次、严重问题在合并前被发现的比例、缺陷逃逸率、变更失败率与 MTTR。

Agent 质量:Eval 通过率及关键场景覆盖率、工具调用正确率、不必要调用和重复循环、人工纠正频率、生产事故进入回归集所需时间。

成本与治理:每个被接受变更的 Token 与基础设施成本、人工审查分钟数、Agent 越权和门禁阻止次数、审计轨迹完整率、政策覆盖率与例外数量。

这些指标必须组合观察。单纯追求速度,可能降低质量;单纯追求 Eval 通过率,也可能造成测试集过拟合。最终仍要回到业务结果、系统可靠性和总体拥有成本。


十三、企业应该从哪里开始?

AI Native SDLC 不需要一次性推翻现有流程。更稳健的方法,是让 Agent 自治程度随着团队的验证和治理能力逐步提高。

第一阶段:建立一个可验证的工作流。 选择范围清楚、风险较低但真实存在的任务,例如测试补充、文档更新、小型缺陷修复或依赖维护。为代码库建立精简的规则文件,将构建、测试和 lint 封装成 Agent 可以直接运行的命令,并记录 Agent 的执行轨迹、人工修改和失败原因。此时 Agent 只创建分支或 Pull Request,不直接修改主分支和生产环境。

第二阶段:建立制品链与确定性边界。 开始使用正式的意图、规格和计划制品,让 Agent 在实现前完成代码库分析和计划。将反复出现的组织知识封装为 Skills;对不可违反的安全和质量要求增加 Hooks、沙箱、CI 门禁、分支保护和最小权限。引入独立验证会话或审查 Agent,避免实现者完全验证自己。

第三阶段:形成持续评估和生产反馈。 建立初始 Eval 数据集,并在模型、Prompt、Skill 和工具变化时执行回归评估。将真实生产事故转化为测试案例和 Eval;允许 Agent 进行只读运维分析、日志关联和低风险修复建议。为开发、测试、预发布和生产设置不同的自治等级。

第四阶段:运行受控的闭环。 当验证、权限和审计基础成熟后,生产事件可以自动触发 Agent 进行诊断,生成新的意图或修复 PR。但闭环不等于无条件自治——高风险操作仍应通过确定性检查、独立评审和明确的人类授权。

组织应当始终能够回答:Agent 做了什么?它为什么这样做?使用了哪些数据和工具?哪些证据证明结果可以接受?谁或哪条政策授权了关键行动?失败后的影响范围是否受控?同类失败是否已经进入下一轮改进?如果这些问题无法回答,继续扩大 Agent 权限只会放大不确定性。


十四、我的补充:四份报告共同避开的三个问题

以上是对四份材料的忠实梳理。下面是我自己的判断,重点放在它们没有充分回答的地方——因为四份材料都来自模型和 Agent 平台提供方,带有各自的产品背景,不能视为完全中立的学术研究。

1. 坐标系:四份材料各占一格,恰好覆盖了完整问题空间

把四份材料放进一个 2×2 的坐标系,会发现它们的分工不是偶然的:

构建时(build-time)运行时(run-time)
个体 / 团队OpenAI(人机分工)—
组织 / 流程Anthropic(制品链与门禁)Google(范式)· LangChain(Agent 运营)

Google 提供的是认识论——一组概念词汇(Context Engineering、Harness Engineering、Factory Model),回答了“为什么“;Anthropic 提供的是组织流程蓝图,回答了“企业怎么落地“;OpenAI 提供的是团队分工,回答了“人机边界怎么划“;LangChain 提供的是运行时运营,回答了“Agent 产品怎么持续运行“。

四家竞争机构,从四个不同的商业动机出发,却独立收敛到同一句结论——代码生成正在从稀缺能力变成基础能力,瓶颈向需求、验证、审查和治理迁移。竞争对手之间的一致,比任何一家的单独论证都更可信。这是本文最值得记住的一点。

2. 最脆弱的一环,恰恰是四份材料都轻描淡写的“意图“

四份材料都默认了一件事:意图可以靠“直接和 Agent 对话“轻松结构化。但这是整条链上最没有被 AI 放大的环节。

代码生成被 AI 压缩了 100 倍,意图定义没有。一个人说不清自己要什么,Agent 再强也无济于事;一个人说错了优先级,后面所有自动化都只是在更高效地做错事。intent.md 是一切的原点,也是最可能断裂的地方——而四份材料对“如何让业务方产出高质量的意图“几乎都只是一笔带过。

这也意味着,未来最稀缺的能力不是写 prompt 或调 agent,而是把模糊的业务诉求收敛成一份无歧义、可验证、有明确成功标准的意图。这是产品经理、技术负责人和资深工程师的共同新战场。

3. “判断“是不可规模化的资源,这是吞吐量的真正天花板

四份材料异口同声地说“人的职责转向判断“。但它们都回避了一个推论:判断是不可规模化的。

代码可以靠加 agent 并行放大,判断不能。一个团队里能做高质量架构取舍、风险接受、质量把关的人,就那么几个,而且他们的带宽不会因为 agent 变多而变多。这解释了为什么“多 Agent 不等于高效率“——因为判断带宽没变,在制品再多也只是在排队等这几个人的注意力。

所以 AI Native 转型的真正天花板,不是模型能力、不是 harness 成熟度,而是“组织里能做出高质量判断的人的带宽“。任何没有把这一点算进去的规模化计划,最后都会撞上这堵墙。

4. 要警惕供应商的“卖货逻辑“与隐性成本

四份材料的共同结论是“代码免费了,但你需要更多工具和平台来做 harness、evals、治理“。这句话里,前一半是真实趋势,后一半是商业动机——它们都在卖同一个东西:让 agent 可靠工作的那一整套基础设施。

但“把组织知识、安全政策、质量标准变成 Agent 可读的工程系统“,是一个持续、昂贵、且没有直接产出的工程。谁来为它付费、谁拥有它、它如何随业务演进,四份材料都含糊其辞。落到真实组织里,这往往是第一个被砍预算、第一个被“等有空再做“的部分——而它恰恰是 AI Native 的根基。


结语:生成不再稀缺,判断才是

AI Native SDLC 揭示的,并不是一个“AI 替代程序员“的简单未来。它揭示的是一个长期被代码生产成本遮蔽的事实:真正决定软件质量的,从来不仅是代码本身,而是代码之前的意图、代码周围的约束、代码之后的验证,以及组织是否愿意为最终结果负责。

当代码生成变得充裕,验证、判断和方向就成为新的稀缺资源。

未来最有竞争力的团队,不一定是拥有最多 Agent、生成最多代码的团队,而是最早学会把组织知识变成可执行上下文、把质量标准变成自动反馈、把安全政策变成技术边界、并把人类注意力集中到真正需要判断的地方的团队。

AI Native SDLC 的实质,不是让 AI 更自由地写代码,而是建立一个让 AI 能够可靠工作、让人类能够有效负责的软件生产系统。

成熟度的真正分界线也不是“团队是否使用了 Agent“,而是:当 Agent 出错时,团队能否及时发现错误、限制影响、解释原因,并确保同类错误不再发生。

如果不能,这仍然只是速度更快的 vibe coding。如果能够,组织才真正开始走向 agentic engineering,以及完整意义上的 AI Native SDLC。


系列阅读:本文是「AI 原生 SDLC」三篇系列的终篇,横向比较四份报告。前两篇分别深入拆解了 Anthropic 手册:《从 intent.md 到闭环》,和 Simon Willison 的个人方法论:《智能体工程模式:代码免费时代的软件工程实践》。

赞赏

如果这篇文章帮到了你,欢迎请我喝杯咖啡。

  • 微信赞赏二维码,用微信扫一扫

    微信支付

  • 支付宝赞赏二维码,用支付宝扫一扫

    支付宝

金额随意,感谢支持

赞赏

如果这篇文章帮到了你,欢迎请我喝杯咖啡。

  • 微信赞赏二维码,用微信扫一扫

    微信支付

  • 支付宝赞赏二维码,用支付宝扫一扫

    支付宝

金额随意,感谢支持