原文：Threads（asgard_ai_platform 分享）；另見 Threads（ericwu0324 分享，同一份 Anthropic guide）。官方出處：claude.com/blog/the-ai-native-sdlc
摘要
Anthropic 提出一套「AI-native SDLC（軟體開發生命週期）」手冊，核心主張是：在 AI 協作時代，寫程式已經不再是最大瓶頸，真正卡住效率的是規劃、審查、部署這些人類主導的環節。手冊把開發流程拆成六個階段，每一階段都設計成「AI 做例行工作、人類守關鍵決策點」的分工，並讓整條 commit chain 成為審計軌跡。
重點
- Planning（規劃）：把需求寫進
intent.md，作為與 Claude 協作的意圖文件——先講清楚「要做什麼、為什麼」。 - Design（設計）：用公司內部的 skill（可重用的 AI 指令包）產生規格書 spec。
- Development（開發）：先用 plan mode 驗證做法方向，確認無誤再進實作，避免 AI 一頭埋進去做錯方向。
- Testing（測試）：讓 agent 先跑一輪初步驗證（自我檢查），再交給人類 review，減少人看的量。
- Deployment（部署）：用 hooks 攔截、擋掉未經核准的動作——把「不該做的事」用機制卡死，而非靠人盯。
- Operations（維運）：偵測到的異常自動轉成新的 intent，形成「異常 → 意圖 → 修正」的回饋迴圈。
- 核心哲學：人類保留最終決策責任，AI 處理例行任務；人的注意力集中在被標記的檢查點（flagged checkpoints），整條 commit 鏈當作可追溯的稽核紀錄。
- Sequential Output Protocol（另一種分法）：
Intent → Spec → Plan → Code → Eval → Deploy，每一步的產出都是下一步的 context——把整個 SDLC 重構成一條「agent 讀得懂、執行得了、驗證得到、稽核得回」的鏈。 - 平行度的真正上限：能同時跑多少工作流，取決於一個人能 review 幾條，而非開了幾個 AI model；審查能力才是新的瓶頸。
- 知識沉澱進 repo：團隊經驗、限制、踩過的雷應該嵌進 repository（而非只留在個人腦袋），agent 才能讀到並延續。
- 自主驗證：agent 必須能自己測試、觀察結果、修正問題；沒有可靠的回饋機制，再強的模型也會偏離目標。
個人洞見
這套框架和 「先用 workflow，別急著上自主 agent」 的精神一致：不是把整條流程交給 AI 全自動，而是把 AI 嵌進既有的人類決策節點之間，用 intent.md、plan mode、hooks 這些具體機制把「人該把關的地方」明確化。對照我自己用 Claude Code 的習慣，最值得抄的是把「意圖」文件化（intent.md）與「用 hooks 擋危險動作」——這正好呼應這個知識花園本身用 skill + git commit 當工作流的做法。