AI智能体与ai-sdlc:用决策门禁把规格变成可交付契约

ai-sdlc AI智能体 项目概念

当一个团队把AI智能体放进成熟代码库,为什么任务越多、返工也越多?本文围绕ai-sdlc这个公开项目,梳理它如何把AI智能体执行开发流程变成可声明、可评审的契约。下面用一个明确标为假设的场景贯穿:中型团队、成熟仓库、一个待派发任务,看看框架把哪些决定前置、哪些风险留给采用者。

成熟代码库里,AI智能体为何越执行越乱?

假设一个中型团队已有成熟代码库,积压任务里有一个待开发任务 AISDLC-42。产品经理、架构师和开发者对边界、验收标准、回滚方式各有想法,却把决定留到编码中途。AI智能体接到模糊任务后只能边猜边写,返工和评审成本随之上升。README 引用 METR、GitClear、DORA 和 Stack Overflow 的数据描述这种张力,并把它归结为编排问题,而不是单纯代码质量问题。

成本不对称是作者的核心论点:操作者在前期有完整上下文、思考时间和相关方,此时做决定便宜且多半正确;执行中途由上下文最少的角色做决定,代价高且容易错。AI-SDLC 把自身定位为面向规格驱动 AI 工作流的决策引擎。它要做的不是让 AI智能体多写代码,而是让智能体按写清楚的契约确定性执行。这个假设场景将贯穿下文,用来看它如何把决策前置。

ai-sdlc 管的是契约之后,而不是点子之前

ai-sdlc 是一个公开的声明式治理框架,作者把它放在规格驱动开发栈的执行与治理半边。它不负责从点子生成规格,而是从规格工件变成待办任务、再推进到交付。README 明确说,AI-SDLC 覆盖规格驱动漏斗中从契约到交付的一半。像 GitHub Spec Kit 这类前置工具覆盖从点子到契约,两者在“规格成为可进入 DoR 的待办任务”这个接缝处组合。这里的 DoR 指 Definition-of-Ready,即任务派发前必须满足的就绪定义。

作者用“决策引擎”描述项目身份:操作者先把承重决策前置,框架再据此调度执行。它不是又一个代码生成器,而是把契约、角色、质量门、自治策略和适配器绑定都声明出来的治理层。理解这个边界很重要:如果你的问题还在“想法如何变成规格”,它不解决;如果问题是“规格如何被可靠执行并留下证据”,它才进入射程。

DoR 门禁怎样拦住“还没决定”的任务?

在假设场景里,AISDLC-42 最危险的状态不是“没人写”,而是“看起来可派发,关键问题却没定”。作者为此设置就绪定义门(DoR gate):就绪定义门会拒绝派发操作者尚未真正决定的任务。配套的 Decision Catalog(决策目录)把操作者的开放问题队列当作一等资源,按杠杆大小排序,路由给合适角色,并附带框架建议、反方论证和子决策图。

框架只建议,操作者做决定,派发会话执行。 这样,模糊问题不会在执行中途才暴露。这里的“决策”不是所有小选择都上收,而是承重决策:会影响范围、验收、风险或回滚的那些。作者还强调决策目录要“该出现时出现,其余时候让路”。对团队来说,这意味着需要有人担任决策管家,定期清空高杠杆问题,而不是把 AI智能体当成能自行补齐业务判断的黑箱。DoR 门禁把“是否真的准备好”从口头判断变成可检查的派发条件。

ai-sdlc 从依赖图到 PR:会话层级如何派发任务? 机制示意

从依赖图到 PR:会话层级如何派发任务?

任务通过 DoR 后,会话层级负责把它送进执行。作者描述的 `cli-hierarchy up` 会启动一个规划器、一个派发会话和最多五个执行器。每个执行器是一个 Claude Code 会话,各自跑在独立的 tmux 会话里。派发会话沿依赖图行走,用阻塞、进行中、DoR 和可派发性等过滤器筛选任务,再把任务交给执行器。

执行器在隔离的 git worktree 中工作;worktree 可理解为从同一仓库分出的独立工作目录,避免并行改动互相踩踏。随后执行器跑 Step 0-13 流水线:开发代理执行、配置的评审者评审、签名证明、打开 PR。操作者的工作是监控,而不是逐行输入。这个设计把并行度、隔离和依赖顺序放在框架层处理。假设 AISDLC-42 依赖另一个任务未完成,派发就会等依赖解除;如果它已就绪,就进入某个执行器的隔离工作区,而不是直接改主工作树。

跨执行框架评审如何避免“自己审自己”?

评审是这套流程的信任支点。作者配置的评审者集合写在 `.ai-sdlc/review-policy.md` 和 `reviewer-set-flag` 中,每次变更并行运行。DSSE 信封带有 `harness` 字段,用于标识每次评审背后的执行框架。DSSE 可理解为一种带签名和载荷的信封格式,用来封装可验证的声明。`verify-attestation` 据此强制“构造性独立”:如果 Claude 实现,Claude 不能同时担任代码或测试评审。Codex 审 Claude 的工作,反之亦然。

作者称评审者串通在机制上不可能。这里要区分设计声明和独立验证:README 给出的是机制描述,不是第三方审计结论。对假设场景中的团队来说,这意味着评审策略不能随便填,独立层级要按风险配置;否则“并行评审”可能只剩形式。另一个关键点是证明:触及源码的代码 PR 在 main 上需要评审链签名的 DSSE 信封,纯文档 PR 可绕过。

哪些团队适合把智能体放进治理壳?

适用场景要围绕“规格已经存在、需要可靠执行”来判断。作者把框架拆成五根支柱:决策引擎、会话层级、跨执行框架评审、操作者界面和声明式治理,并称可以增量采用。对假设团队来说,如果已有较稳定的任务分解和验收标准,只是缺少派发、隔离、评审和证明链,这套结构更贴近问题;如果还在探索产品方向,前置的规格工具可能更合适。

作者还称框架不绑定特定智能体,可接 Claude Code、Codex、Cursor、Copilot、Aider 或 OpenAI 兼容 API。这是作者声明,本文未逐一验证。采用方可以声明合规态势,框架据此派生门禁默认值。README 举例提到 EU AI Act、NIST AI RMF、ISO 42001。质量门可按建议、软强制、硬强制逐级收紧。对受监管或需要审计痕迹的团队,这种“先声明姿态、再派生门禁”的思路有吸引力;对只需要偶尔生成代码的团队,则可能显得重。

v1alpha1 规范与未实测边界意味着什么?

限制要先说清楚。规范当前为 `v1alpha1`,`v1beta1` 要经过 9 个月弃用窗口。这意味着资源模型和策略语义仍可能变化,采用者要预留迁移成本。README 描述了 tmux、Claude Code 会话、git worktree、DSSE 证明和评审策略等依赖,但本文没有独立运行这套流程,因此不判断其性能、安全或平台兼容性。

作者给出的 METR、GitClear、DORA 等数据是问题背景,不是对本项目效果的实测。评审独立性、证明链和门禁强度都是作者所述设计,是否在真实组织中成立,取决于配置、密钥管理、评审者模型和操作纪律。还有一个现实风险:如果操作者不认真清空决策队列,DoR 门禁会变成新的瓶颈;如果评审策略配得过松,跨框架评审也可能退化为盖章。README 没有提供支持平台矩阵的完整验证,相关能力尚待确认,不能据此断言不存在。

引入前先确认哪几项治理配置?

使用前的判断可以落成几项检查。先读 `VISION.md` 和 `CLAUDE.md`;项目把 `CLAUDE.md` 定义为任何代理或贡献者在本仓库工作时的操作约定。再确认评审策略和独立策略:哪些变更必须评审、需要什么独立层级、谁能签证明。合并权限也要先看:合并遵循 `.ai-sdlc/agent-role.yaml` 中的 `governance.allowMerge`;当角色允许合并时,唯一路径是 `cli-merge-if-eligible`,不能运行原始合并命令。

还要理解 Pattern C:父工作树只读,代码工作都在 `.worktrees/<task-id>/` 里进行。建议先用一个边界清楚的任务小范围试跑,观察决策队列、派发过滤、评审独立性和证明链是否符合团队流程,再决定是否扩大。不要把它当成收益承诺;它更像一套需要运营的治理基础设施。

本文仅依据README资料整理,未独立实测。对于假设场景中的团队,先小范围验证决策队列、派发隔离、评审独立性和证明链,再判断是否扩大采用。

参考来源

本文仅据固定版本 README 整理,未独立实测;仅作技术介绍,不构成安全审计或投资建议。

采集时间:2026-10-29T19:12:26.857Z;424 Star 快照。相对 2026-10-28T19:10:27.242Z,实际间隔 24.03 小时净变化 1 Star;不是自然日新增。

ai-sdlc-framework/ai-sdlc README · d2f6ae1e24870b01816bac1e307dd131b24e8b56

GitHub 仓库及采集时元数据

标签 AI智能体ai-sdlcAI Agent智能体工作流

本文基于公开媒体报道整理,仅作信息参考,不构成任何投资依据,内容以原文为准。

相关阅读

同分类「人工智能」的其他稿件

更多人工智能 →