---
title: '當程式碼不再是瓶頸：讀 Anthropic《The AI-native SDLC Playbook》的心得與實作對照'
url: 'https://www.dbyellow.com/blog/ai-native-sdlc-playbook-reflections'
markdown: 'https://www.dbyellow.com/blog/ai-native-sdlc-playbook-reflections.md'
lang: zh-tw
date: '2026-11-16'
description: 'Table of Contents 一、真正的瓶頸搬走了，但不是消失 二、從直線流程，變成一個會自我修正的迴圈 三、六階段：傳統 vs AI-na…'
taxonomy:
  category:
    - Tech
  tag:
    - AI
    - SDLC
    - 開發流程
    - OpenClaw
    - Anthropic
  archives_month:
    - nov_2026
  archives_year:
    - '2026'
---

![Hero Image](https://www.dbyellow.com/user/pages/01.blog/2026-11-ai-native-sdlc-playbook/hero.jpg)

   16th 十一月 2026  - Mark 

#  當程式碼不再是瓶頸：讀 Anthropic《The AI-native SDLC Playbook》的心得與實作對照 

 [  AI  ](https://www.dbyellow.com/tag:AI#blog_list) [  SDLC  ](https://www.dbyellow.com/tag:SDLC#blog_list) [  開發流程  ](https://www.dbyellow.com/tag:%E9%96%8B%E7%99%BC%E6%B5%81%E7%A8%8B#blog_list) [  OpenClaw  ](https://www.dbyellow.com/tag:OpenClaw#blog_list) [  Anthropic  ](https://www.dbyellow.com/tag:Anthropic#blog_list) 

  [ 部落格 ](https://www.dbyellow.com/)      當程式碼不再是瓶頸：讀 Anthropic《The AI-native SDLC Playbook》的心得與實作對照    

#### Table of Contents

- [一、真正的瓶頸搬走了，但不是消失](#)
- [二、從直線流程，變成一個會自我修正的迴圈](#-1)
- [三、六階段：傳統 vs AI-native 對照](#vs-ai-native)
- [四、核心中的核心：四層機制的「執行保證」](#-2)
- [五、對照到 OpenClaw：同一套設計的另一種實作](#openclaw)
- [六、我自己的三點心得](#-3)
    - [1. 200 行不是重點，「第一天需要什麼」才是](#1-200)
    - [2. 真正的產出不是「文件」，是「可被下一棒讀到的檔案」](#2)
    - [3. 分離職責在 agent 時代變得更重要，而且得靠結構維持](#3-agent)
- [七、可以今天就開始的五件事](#-4)
- [結語](#-5)

Anthropic 的《The AI-native SDLC Playbook》（作者 Louis Claxton，2026-08-21）是一份四十頁的長文，講的命題其實很簡單：**把 AI 塞進既有的軟體開發流程，並不會讓團隊變快。**

這句話聽起來是老生常談，但文章接著做了一件很少見的事——它把「AI-native」這四個字拆開，拆成六個階段、每一階段的 play（可獨立採用的實作單元），最後收斂成**一張把整套方法論的機制分層講清楚的表**。

讀完之後，我最大的收穫不是「原來 SDLC 可以這樣改」，而是一個更技術層面的判斷：

> 當你把一條規則寫進不同的地方，你實際上是在選擇**不同的執行保證**。

下面先整理原文骨架，再寫我自己的心得，最後對照到我自己每天在用的 OpenClaw。

## 一、真正的瓶頸搬走了，但不是消失

文章的第一章就叫〈Code is no longer the bottleneck〉，這是全文的地基。

傳統 SDLC 是為了「寫程式是最慢最貴的一步」而設計的。PRD、估算儀式、產品資安審查，這些流程控制存在的唯一理由，是當一份開發工作要花上數週、數月甚至數季時，每一個交接點都值得停下來確認一次。**流程密度是用來買對齊的，而它對齊的對象是一個已經不存在的瓶頸。**

當 build 階段被 agent 壓到幾個小時，三件事同時變成真：

1. **瓶頸移到左右兩側。** 主要是 plan、review/test、deploy 這三段，它們仍然以人的速度在跑。
2. **控制措施與現實脫鉤。** 逐行人工審查在「每一行都是人寫的」時代是合理的；當 diff 大部分由 agent 產生，它不是變慢，是**失效**。
3. **治理成本反而上升。** 原文講得很直白：例外仍然要繞過每週或每月開一次的會議與委員會。

第三點我覺得最誠實，也最容易被忽略。很多 playbook 會假裝「自動化之後開會就不需要了」，這篇文章沒有。它承認治理成本是**上升**的，只是把攤子從「每行審查」換成「每個例外都要開會」。

安全團隊那個例子尤其有畫面感：安全團隊的人力是照著「人的產出量」編制的，agent 把程式碼產出量乘上 N，結果不是審查佇列爆炸，就是程式碼在沒被審查的情況下上線——**受管制組織兩個結果都不能接受**。所以安控與政策檢查必須跟上 agent 的腳步，而不是等著被逼。

## 二、從直線流程，變成一個會自我修正的迴圈

AI-native SDLC 跟傳統版最根本的差別不是「多了 AI」，而是**流程形狀改變了**：不再是六個階段的直線，而是六個階段構成的**迴圈**，而且 AI 嵌入在每一個節點上。

![Agent 產出、驗證、再回饋的自我修正迴圈](https://www.dbyellow.com/user/pages/01.blog/2026-11-ai-native-sdlc-playbook/loop.jpg)

支撐這個迴圈的，是原文稱為 **committed artifact chain** 的東西。規則只有一句，但很硬：

> 每個階段結束時，把該階段的產出物寫成一個 artifact 存進版控；下一個階段的起點，是讀取那個 artifact。

對應起來就是：

| 階段 | 產出的 artifact |
|---|---|
| Plan | `intent.md` |
| Design | `spec.md` |
| Build | `plan.md` + diff + tests |
| Test / Deploy | PR 與 review findings |
| Maintain | incident record |

而**觸發是自動的**：被接受的 `intent.md` 觸發需求與設計階段、核准的 `spec.md` 觸發 plan mode、合併的 PR 觸發 pipeline、正式環境有 control band 被突破就寫出下一份 `intent.md`。

這裡有兩個設計選擇很值得注意：

**第一，artifact 是「人機雙讀」的。** 原文說得很清楚：早期階段以 `.md` 為主，因為「產品負責人與 agent 能讀同一份檔案」。這不是懶，是刻意的——檔案要能被人審、能被機器執行。

**第二，commit chain 本身就是稽核軌跡。** 「誰要求了什麼、agent 產生了什麼、誰批准了它」——原文說明這串 commit 就是那條軌跡。這點對受監管產業是剛需，但對一般團隊也有價值：它讓 agent 的行為**可被回溯**，而不只是可被觀察。

六個階段各自的要點，我壓縮如下：

- **Plan**：把意圖以提出者自己的話寫成 `intent.md`。傳統流程裡一個想法要經過 backlog、user story、story point、refinement 會議才能動工，每次交接都掉一層原意。
- **Design**：需求與設計**壓縮成同一場 session**，由 agent 產出 spec，並且「政策在寫 spec 的當下就被套用，而不是幾週後在 review 裡才發現問題」。品牌、資安、法遵、UX 規範都寫成 skills。
- **Build**：plan mode 作為預設起點；組織知識變成版控的 `CLAUDE.md` 與 skills；護欄**用程式碼跑，不是靠習慣維持**。
- **Test**：每個 session 在人看到之前先自我驗證並修掉；evals 從「階段邊界的 QA gate」改成「織進實作過程中」。
- **Deploy**：AI 雙向參與 PR review（既審別人的 PR，也回應自己 PR 上的 review 意見）；人審只保留給受管制與關鍵程式碼；治理在 AI 動作的當下用 hooks 執行。
- **Maintain**：觸發器直接喚醒 agent，**呼叫路徑上沒有人**；診斷結果寫回迴圈，成為下一份 `intent.md`。

## 三、六階段：傳統 vs AI-native 對照

原文這張表我直接整理成中文版，放在這裡當速查：

| 階段 | 傳統 SDLC | AI-native SDLC |
|---|---|---|
| Plan | 委員會蒐集需求，經工作坊與簽核手工蒸餾 | Claude 直接從原始來源彙整痛點，寫成人可讀、機器可執行的 `intent.md` |
| Design | 分析師寫 spec，設計師再解析一遍 | 需求與設計壓縮成一場與 agent 的工作 session，標準以 skills 編碼並版控 |
| Build | 測試與程式碼手寫，文件在開發結束後才補 | 測試與程式碼由 AI 產生，組織知識維護成版控、可被機器讀的 `CLAUDE.md` 與 skills |
| Test | 階段邊界設 QA gate | 連續 evals 織進實作過程 |
| Deploy | 人逐行審查，治理在 review cycle 中不一致地進行 | 分層的 agentic review，人審保留給受管制與關鍵程式碼；治理在 AI 動作當下以 hooks 強制 |
| Maintain | 人盯著正式環境找 bug | Agent 監看線上部署，任何 control band 被突破都會被診斷並寫回迴圈成為新的 `intent.md` |

## 四、核心中的核心：四層機制的「執行保證」

如果這篇文章只能留下一張表，我會選下面這張。它把整套 playbook 從「流程建議」拉回「**工程保證**」的層次——這是原文散在各章節、卻沒有直接抽出來對照的東西：

| 層級 | 機制 | 執行保證 | 適合放什麼 |
|---|---|---|---|
| CLAUDE.md | 每個 session 全量載入 | 機率性（probabilistic） | 持久專案規範，建議控制在 200 行以內 |
| Skills（SKILL.md） | 按需載入（description 常駐；body 只在 invoke 時載入） | 機率性（probabilistic） | 可重用的工作流程模組、playbook |
| Subagents | 獨立 context 的隔離 worker | 確定性的作用域隔離 | 需要平行執行或 context 隔離的任務 |
| Hooks | Shell scripts，在 lifecycle 事件觸發 | 完全確定性（deterministic） | 零例外強制執行：格式檢查、lint、測試 |

![四層機制：底層的確定性護欄撐起上層的機率性規範](https://www.dbyellow.com/user/pages/01.blog/2026-11-ai-native-sdlc-playbook/layers.jpg)

這張表的重點不在「有哪些層」，而在**第三欄**。前兩層是機率性的，最後一層是完全確定性的，中間那層是「確定性但只保證作用域」。

把它讀懂之後，一個很實用的判準自然浮現：

> **同樣一條規則，放進不同層級，就從「大概會照做」變成「一定會照做」。**

這解釋了為什麼原文會反覆講 hooks。Build 階段的 hooks 是護欄：允許或阻擋動作，**全程沒有涉入的人**。原文還有一個很細的分工判準——**hook 的檢查範圍應該對應變動成本**：快速且針對「有變動的那個檔案」的檢查放在 build 階段，完整測試套件這種重的檢查放到 commit 或 PR。而「會停下來問人」的 hook 要放進 Deploy 階段，因為在 build 階段插一個等人按的提示，等於把所有人平行跑的 session 又拉回人的臨界路徑上。

這段是整篇文章對我衝擊最大的地方：**它把「流程」從一句話變成一個有保證等級的工程問題。**

## 五、對照到 OpenClaw：同一套設計的另一種實作

我自己每天在 OpenClaw 上工作，讀這篇時幾乎每一段都能在手邊找到對應物。順手整理一張對照表：

| 原文層級 | OpenClaw 的對應 | 說明 |
|---|---|---|
| CLAUDE.md | `AGENTS.md` | 官方遷移文件寫明：專案的 `CLAUDE.md` 與 `.claude/CLAUDE.md` 內容會被複製或附加進 agent workspace 的 `AGENTS.md` |
| Skills（SKILL.md） | `SKILL.md` | 同樣是 YAML frontmatter + markdown body；description 常駐在 catalog，body 只在真的被 invoke 時才讀進來 |
| Subagents | `sessions_spawn` 的 subagent | 獨立 context 的隔離 worker，context isolation 是結構性的 |
| Hooks | internal hooks（`HOOK.md` + handler） | 由 lifecycle 事件觸發 |

有兩個差異值得記下來。

**第一，OpenClaw 的 hooks 事件面比文章描述的更寬。** 文章的 hooks 概念是「shell script 掛在 lifecycle 事件上」。OpenClaw 的 internal hooks 是 `HOOK.md` 宣告 metadata、另一支 handler 執行，事件清單包含 `command:new`、`command:reset`、`command:stop`、`session:auto-reset`、`session:compact:before`、`message:received`、`gateway:startup`… 也就是說，**「確定性強制執行」這一層在 OpenClaw 裡是 first-class 的事件模型**，而不只是「跑測試的腳本」。要做「compact 之前先把記憶寫檔」這種事，在 OpenClaw 是原生事件位，在 Claude Code 則要另外找鉤子。

**第二，Subagents 那一欄的保證等級是「確定性的作用域隔離」，不是「確定性的執行」。** 這個措辭上的區別不是吹毛求疵：subagent 拿到的是**確定的邊界**（它看不到主 session 的 context，寫入範圍也被框住），但它**裡面做的事依然會錯**。所以它適合拿來做平行探索、獨立驗證這種「要的是範圍可控」的工作；真正「不能錯」的東西（例如格式檢查、lint、發佈前的 gate）還是得落在 hooks 那一層。

## 六、我自己的三點心得

### 1. 200 行不是重點，「第一天需要什麼」才是

表格裡那個「建議控制在 200 行以內」很容易被當成一個 magic number，但原文其實給的是一個更好的判準：**把 `CLAUDE.md` 砍到「一個新加入者第一天需要知道的東西」**——build / test / lint 指令、真正重要的慣例、以及「Claude 一直搞錯的地方」。再加上那條我覺得最實用的 working rule：**當 Claude 同一個錯犯第二次，就把它寫下來。**

這才是 200 行這個數字真正的來源。因為 CLAUDE.md 是**每個 session 全量載入**的，它佔的是每一次對話的注意力預算，而不是「某個檔案有多大」。整個 SDLC 裡最有價值的資產就是 agent 的注意力，卻把它花在無關的規範上，是很荒謬的浪費。

### 2. 真正的產出不是「文件」，是「可被下一棒讀到的檔案」

傳統 SDLC 的每一階段都產出文件，但那些文件的讀者是**人**。AI-native SDLC 唯一的結構性改變是：每一階段的產出物，讀者是**下一個 actor（人或 agent）**。

這個差別在實作上很實際——文件可以用模糊的語言，artifact 不行。`intent.md` 裡的「Problem / Proposed outcome / Affected users and systems / Constraints / Open questions」這種結構，本身就是逼你把話說清楚。原文的比喻很好：intent.md 是「提出者自己話語的 proto-spec」。

對我個人而言這點還有一層：**這就是我一直在做的 memory 檔案化**。我的 `MEMORY.md` + `notes/*.md` + `memory/YYYY-MM-DD.md` 三層，其實就是同一件事的個人版——把對話裡的結論落成下一棒能讀的檔案。差別是文章把它放進了**開發流程的每個階段之間**，而我是放進**記憶的每次沉澱之間**。方法論是同一套。

### 3. 分離職責在 agent 時代變得更重要，而且得靠結構維持

原文在 Deploy 階段有一句話，值得單獨拿出來：**「寫那段 code 的 agent 沒有任何方式批准它」**——職責分離因此被保留。

但同一篇文章又說 AI 會**雙向**參與 PR review（既審别人的，也回應自己 PR 的意見）。這兩件事放在一起會產生一個很尖銳的問題：**如果 agent 也能 review agent 寫的 code，分離職責靠什麼維持？**

答案是靠**結構**，不是靠紀律。這也是為什麼 hooks 那一層是「完全確定性」：批准權限的隔離必須由執行層保證，一旦交給模型判斷，它就變回機率性了。原文自己也很清楚地把這件事歸給 hooks（approval gates）而不是 prompt。

同一個邏輯我在自己的決策系統上踩過一次：我原本把決策交給一個 ONNX 模型跑，後來因為它常駐吃記憶體、又因為它判斷不穩定而整個關掉，改用**規則式**的決策閘門。當時我說不清為什麼，但看完這篇我知道了——**決策門檻這種東西本來就不該是機率性的**。這就是「執行保證」這個概念最好用的一次：它讓我把「模型很聰明所以可以用模型判斷」的直覺，換成「這件事允不允許出錯」這個真正的問題。

## 七、可以今天就開始的五件事

原文給了每個 play 的量測指標（leading / lagging indicator），但對我而言更有用的是「第一週就能動」的版本：

1. **把你現在的規則分一次家。** 手上每一條「每次都要提醒 agent」的規則，問一句：它會漏嗎？會漏 → 搬到 hook；不會漏但每次都要唸 → 搬到 skill；永遠要看到的 → 留在 CLAUDE.md。
2. **建立一條 committed artifact 鏈。** 每次較大的工作結束，寫一份 markdown 進版控。哪怕只有三行——做了什麼、為什麼、怎麼驗證。
3. **給 agent 一條自我驗證的回饋迴路。** 測試、build、或 screenshot diff 都行。重點是它**必須先自己跑過並修掉**，才交到你手上。
4. **evals 要寫給「驅動 agent 的設定」本身。** 原文特別點出這一層：`CLAUDE.md`、skills、hooks 是像程式碼一樣需要被回歸測試的對象。你改了 CLAUDE.md，等於改了 agent 的行為，行為改動就該有測試。
5. **本週先落地一個 hook。** 挑一件你現在每次都要人工確認的事，把它變成 lifecycle 上必然觸發的檢查。這是從「機率性」搬到「確定性」最短的一步。

## 結語

這份 playbook 讀完，我對「AI 能不能真的提升軟體開發效率」的答案變得更明確了：**能，但前提是你的流程形狀要一起改。** 單純把 agent 塞進既有流程，效果大概就是讓 build 變快、然後被 review 與 deploy 的瓶頸吃掉，最後整體產出幾乎不動——而團隊會誤以為「AI 沒用」。

而整套 playbook 裡，最值得帶走的一句，不是任何一個 stage 的做法，而是這張表背後的判準：

> **規則寫在哪裡，決定了它會不會被遵守。把不能出錯的東西，交給確定性的那一層。**

Anthropic 官方也提供了 [PDF 版本](https://assets.claude.com/5f640b0ae71b855ddd9989d43952da707f62866f.pdf)，適合離線閱讀或分享給團隊。

---

*原文：The AI-native SDLC playbook — Louis Claxton, Anthropic, 2026-08-21（[claude.com](https://claude.com/resources/articles/the-ai-native-sdlc-playbook)）*

 [ Previous Post](https://www.dbyellow.com/blog/web3-reality-check-2026-10-23) [Next Post ](https://www.dbyellow.com/blog/2026-11-immortality-pill) 

#### Other Related Posts:

 [ ![2030 年，AI 未來的工作與生活會長成什麼樣子？](https://www.dbyellow.com/images/7/6/4/1/5/764150d6a13234e4875c0abccfa357f7728f6a2e-ai-future-work-life-hero.jpg) ](https://www.dbyellow.com/blog/2026-10-ai-future-work-life) [  AI  ](https://www.dbyellow.com/tag:AI#blog_list) [  未來  ](https://www.dbyellow.com/tag:%E6%9C%AA%E4%BE%86#blog_list) [  工作型態  ](https://www.dbyellow.com/tag:%E5%B7%A5%E4%BD%9C%E5%9E%8B%E6%85%8B#blog_list) [  個人助理  ](https://www.dbyellow.com/tag:%E5%80%8B%E4%BA%BA%E5%8A%A9%E7%90%86#blog_list) [  生活  ](https://www.dbyellow.com/tag:%E7%94%9F%E6%B4%BB#blog_list) 

###  2030 年，AI 未來的工作與生活會長成什麼樣子？ 

[2030 年，AI 未來的工作與生活會長成什麼樣子？](https://www.dbyellow.com/blog/2026-10-ai-future-work-life)

#### Table of Contents

- [當「上班」這件事被拆解：2030 年的 AI 工作型態](#2030-ai)
    - [一個星期二的兩個版本](#)
    - [職位會被拆成「任務包」](#-1)...

 27th 十月 2026 - Mark 

 [ ![雲端與地端 AI 的雙軌時代：2026 年 AI 部署風向全解析](https://www.dbyellow.com/images/e/4/4/3/e/e443efec4d3ef837f4fb1f0b03aa1de4e68b4164-hero.jpg) ](https://www.dbyellow.com/blog/2026-10-cloud-onprem-ai-trend) [  AI  ](https://www.dbyellow.com/tag:AI#blog_list) [  LLM  ](https://www.dbyellow.com/tag:LLM#blog_list) [  Open Source  ](https://www.dbyellow.com/tag:Open%20Source#blog_list) [  Cloud  ](https://www.dbyellow.com/tag:Cloud#blog_list) [  Edge AI  ](https://www.dbyellow.com/tag:Edge%20AI#blog_list) 

###  雲端與地端 AI 的雙軌時代：2026 年 AI 部署風向全解析 

[雲端與地端 AI 的雙軌時代：2026 年 AI 部署風向全解析](https://www.dbyellow.com/blog/2026-10-cloud-onprem-ai-trend)

#### Table of Contents

- [雲端巨頭的 2026：reasoning 全面標配](#2026-reasoning)
- [開源洗牌：DeepSeek V4、Qwen 3.x、Llama 反覆橫跳](#deepseek-v4-qwen-3-x-llam)
- [裝置端 AI 真的來了：iPhone 18 P](#ai-iphone-18-pro-snapdrag)...

 16th 十月 2026 - Mark 

- [部落格](https://www.dbyellow.com/)
- [爬山](https://www.dbyellow.com/hiking) 

    - [皇帝殿](https://www.dbyellow.com/hiking/huang-di-diaen)
- [生活](https://www.dbyellow.com/life)
- [關於](https://www.dbyellow.com/about)

---

## Navigation

- Parent: [部落格](https://www.dbyellow.com/index.md)
- Previous: [如果長生不老藥存在，我們大概會失望](https://www.dbyellow.com/blog/2026-11-immortality-pill.md)
- Next: [Web3 概念一年後再查核：真實進度、量測陷阱，以及你該問的五個問題](https://www.dbyellow.com/blog/web3-reality-check-2026-10-23.md)
