user458

hello world

[Viking @vikingmute]

今天看到一个非常有用的 SEO tips，现在 AI 生成的内容越来越多，假如你使用 AI 写的内容还想被收录的话，就要需要让 AI 阅读 谷歌官方今年的一系列文档关于内容质量的文档然后写成一份 只覆盖自己 niche 的 guidelines.md

prompt 可以这么写：“去打开 Google 现在挂在网上的官方说明，读完再写一份 guidelines.md

这份文档只要讲清楚四件事：
1 Google 明确会处罚什么
2 google 说的写给人看 对人有用的文章到底长什么样
3 E-E-A-T 四个字分别是什么，页面上怎么体现
4 发文章前创建一个 checklist，看看是否通过
”
保持一段时间更新一次，因为这个文档经常在更新，然后创建一份自己的 guidelines 文档，这样在每个项目要写类似文章的情况下都可以用。

我觉得这个非常非常实用，大家做 SEO 用 AI 写文章的时候可以特别注意下。

[宝玉 @dotey]

OpenAI 内部的 AI 模型已经基本能自动化新实验模型的训练流程了——包括编写 GPU 内核代码（GPU kernel，即直接控制显卡进行高性能计算的底层程序）和优化训练代码。

据 The Information 报道，研究人员现在只需给 AI 一个优化示例，它就能自己花几周时间去实现和测试类似的改进。更值得注意的是，OpenAI 内部的多个 AI 智能体已经开始互相协作解决问题，不再需要人类参与。

这种能力在过去几个月里进步显著。再加上 OpenAI 拥有的算力持续增长，以前可能需要几年才能完成的实验，现在大约一周就能跑完。

[宝玉 @dotey]

Claude Code 的 Projects 改版：Claude Tag 的架构 + Slack 的 Thread 功能

以前就有人说现在 ChatBot、Agent 的交互就是借鉴自 Slack 的，现在看起来一点不假，Anthropic 今天重做了 Claude 的 Projects 功能，先在 Claude Code 里上线测试版，终于把我最喜欢的 Thread 功能也抄进来了。

以前的 Project 是个文件夹，放资料和指令，对话还是一个个分开的。新版变成一个持续的主对话：你在里面说要做什么，Claude 自己拆任务，分给多个并行的 Thread 去干，检查结果后汇总给你。关掉电脑，活儿还在云端继续跑。

【用 Slack 的 Thread 来理解】

用过 Slack 或飞书的人都熟悉 Thread（飞书里叫“话题”），有时候在频道里要就某一个话题深入讨论，就可以在某个消息下评论开个 Thread，相关讨论都收在这个 Thread 下面的回复里。主频道保持干净，想看细节再点进去。

新版 Projects 就是这个形态。

我还没资格使用这个新功能，看了一些视频和介绍，Boris Cherny 晒了自己项目的截图：他在主对话里丢了一张截图，说“启动 cc cli 总弹这个提示”。Claude 回了句“在查了”，随即在这条消息下面开出一个 Thread，标题是“iTerm 启动时的配置变更警告”。

点开 Thread，右侧面板里是完整过程：查出是 5 月加的一个 iTerm2 功能每次启动都去改终端配置，提了修复 PR（代码合并请求）#69807，PR 已合并，Thread 标记为“已解决”，需要时可以重新打开。这件事在主对话里只占一张卡片，下面写着“11 条回复”。

接着他又发了句“unship this”（把这个功能撤掉），Claude 再开一个 Thread 去办。Boris 说他已经不再管理会话了，想到什么就发什么，拆分交给 Claude。

【背后是多智能体】

结构上是一个协调者加一群干活的。主对话里的 Claude 是协调者，负责理解需求、派活、跟进和验收。每个 Thread 是一个独立的 Claude Code 云端会话，有自己的代码分支和仓库副本，互不干扰。两个 Thread 改到同一段代码时，按普通的合并冲突处理。单个 Thread 内部还能继续拆，调用子智能体（subagent）并行处理，让大任务更快完成。

过去想让几个 Claude Code 同时干活，得自己开多个终端或云端会话，自己分工，最后自己把结果拼起来。现在这层调度交给了协调者。官方的说法是，像给幕僚长交代工作一样跟它说话，几件事一起说、顺序随意都行。

【和 Claude Tag 什么关系】

Claude Tag 是 Anthropic 6 月 23 日推出的产品，面向 Enterprise 和 Team 客户测试。它让 Claude 作为团队成员加入 Slack 频道，频道里任何人都可以 @Claude 派活，它把任务分阶段做完，在 Thread 里回复结果，还会记住频道里的相关信息。Anthropic 当时就说，Claude Tag 是 Claude Code 演进的开端。

Thariq 也有推文解释：Projects 把 Claude Tag 的架构带进了 Claude Code，每个项目有一个智能体管理记忆，再按任务派出子智能体，还可以让它主动做事、定时做事。

所以两者是同一套架构装在不同的地方。Claude Tag 住在 Slack 里，面向团队，一个频道所有人共用一个 Claude。

新版 Projects 在 Claude 自己的产品里，面向个人，Pro 和 Max 订阅就能用，不需要公司买企业版，也不需要 Slack。

【记忆和资料库】

项目里所有 Thread 共享一份记忆，干活时既读也写。官方举的例子：发布日期改到了周五，导出功能为什么砍掉，动计费服务之前要先问谁。这些事说过一次，后面新开的 Thread 都知道，不用每次在提示词里重新交代。多久汇报一次、汇报写多细，也可以直接跟它说，它会记住。

另有一个资料库（library），收着你上传的文件和 Claude 产出的文件。顶部的 Overview 面板列出哪些事在等你拍板，手机上也能查看和指挥任何一个 Thread。

【适合什么场景】

适合一次回复搞不定、又能拆成几块并行的活。官方给了两个例子。

一是给项目定个目标“降低结账环节的 p75 延迟”（75% 的请求能在这个时间内完成），让 Claude 在并行的 Thread 里逐个接口做性能分析、试优化方案、提 PR。

二是同时连上 API、网页端、移动端三个仓库，目标是下线一个废弃的 v1 接口。Claude 给每个仓库开一个 Thread，迁移调用方、跑测试、提 PR，最后告诉你哪个要先合并。

Boris 截图里的用法也很典型：日常维护一个代码库，bug、小需求、临时想法随手丢进去，每件事自动变成一个可追踪的 Thread。改一行代码、问一个问题这类小事，开普通会话就够了。

【限制和上手】

每个 Thread 都是一个完整的 Claude Code 会话，几个同时跑，用量额度消耗得更快。项目里可以查看用量，也可以给协调者和干活的 Thread 分别选模型和推理强度。Boris 截图里主对话用的是 Fable 5.1，强度设为 Low。

Thread 目前只在云端运行，碰不到你电脑上的文件、本地工具和公司内网。Anthropic 说本地运行很快会支持。

测试版今天起开放给部分 Pro 和 Max 用户，条件是在 Claude Code 里使用云端会话，且网页和桌面端没有已建的旧项目。未来一周扩大到更多 Claude Code 用户，之后才轮到聊天、Cowork 以及 Team、Enterprise 套餐。旧项目照常可用，后续统一升级。没拿到资格的可以去 https://t.co/5MmQZJA55N 排队。

[Viking @vikingmute]

彻底被最近很火的 typsafeAI 的 system-one 颠覆了认知
https://t.co/0T5hiwWY4r

给软件做封闭的 可执行的判断，聪明的 if 描述它非常的贴切， mind blowing，现在每天都是各种概念日新月异，真的是伟大的时代。

[Lu Flyan(苏小凡Channel) @FlyanLu]

让输入法开发再次伟大，推荐一下类似理念的青简输入法，让语言学习融入每一次输入：https://t.co/uat2Hig7zY

[徹言 @iamcheyan]

一个挺有意思的输入法，RUST的，内置了一个 50 MB 级别的 decoder-only Transformer 语言模型，作为本地的候选词重排序器：拼音/双拼输入 → 生成候选词 → 本地 Transformer 结合上下文给候选打分 → 重新排列候选顺序。
https://t.co/x4DWY6Jdhk

[小互 @xiaohu]

Anthropic 放了个视频
演示 CLaude Tag 怎么帮工程师值夜班…..

晚上 11点，支付接口的出错率冲破 2%，值班工程师被报警叫醒

结果她还没打开电脑，CLaude 已经在查了

CLaude Tag就在工作群里（ SLack 里），全程是这样：

• 报警一响直接开查：拉监控数据、对比最近几次上线、翻功能开关的改动记录

• 15 分钟找到原因：新功能里负责重发的程序没限制并发数，把队列冲爆了

• 列出两个修复方案，推荐一个，然后 ＠ 工程师拍板

• 工程师只回了一句“加上限，功能保持开着"，它才去改代码，一共4行

• 上线后自己盯 10分钟出错率，稳住了才宣布修好，还给下次留了条备注：“先查功能开关"

不只是自动瞎搞，权限有边界，能查问题、能提改代码的申请，但合并和上线必须有人批准

一种自动化值班方案...

[Viking @vikingmute]

假如是工程师的想快速提升一下的话 可以看 tailwind.css 作者的 《Refactoring UI》那本书 ，里面大多数都是实操，里面图很多，半天能看完，做做笔记几天就能差不多学习理解完，算是一个捷径：https://t.co/es9mzJ6ZxO
如果想整体提升设计的认知或者对美的感知，那么可以看原推的这本。

[宝玉 @dotey]

《Reverse Engineering Linear's Sync Engine: A Detailed Study》这篇文章写的很好，但有些难懂，突然想到一个使用 GPT-6 Astra 的案例：
让它把这篇文章做成一个循序渐进的互动式教学网页，一步步把内容由浅入深分解，帮我搞懂文章内容。

还别说，跟着网页内容一节一节学习，好懂多了。

提示词：

> 帮我把这篇文章的内容，做成一个互动的循序渐进的教学网页，一步步通过互动的方式让初学者理解这篇文章中的核心概念 https://t.co/EYElCkfmnJ

网页地址：https://t.co/CCfTykxWxx

[宝玉 @dotey]

这个 AI 转型变化仔细想想合理的：

1. 无法拥抱 AI 的技术负责人会拖累整体开发速度

2. 当开发不是瓶颈，那么决定做什么会更重要，所以需要更多产品经理。
如果一部分开发能兼做开发和产品经理可能更好，未来既懂产品又有开发基础会很吃香。

3. QA/测试没看到变化，理论上来说 QA 可以用 AI 辅助写更多自动化测试，提升测试效率，但另一方面 AI 加速了开发，但同时也会让质量更加不稳定，测试工作量可能更多了。

公司能增加产品经理说明业务还是拓展了的，否则只是维持业务的话产品经理不需要增加。

[宝玉 @dotey]

基本上你只要让 Fable 指挥其他 Agent 干活，这两个进度条就能持平。

大部分任务你选 Fable + High（或者Medium，千万别Max及以上），然后后面加一句：
> 注意你的主要任务是分析、编排和验证，具体任务尽可能交给 subagent（Opus 或 Sonnet）去执行。自己只做需求澄清、方案拆解、任务分发和结果验收，实现类工作（读大量代码、写代码、跑测试、批量修改）一律用 Agent 工具派给 subagent 执行。

[Alex Xu @alexxubyte]

MCP vs RAG vs AI Agents

[AYi @AYi_AInotes]

Google 这篇新发布的论文简直就是一篇神文，如果要给你的Agent建一个skill库，请务必收藏！

感觉这篇论文把 99% 做 Agent 和个人知识库的人全骂了一遍哈哈，
你以为越记越多是在进步，其实把执行记录、复盘认知和操作手册混在一坨，根本不可能产生复利，
好手册能让 9B 小模型直接干翻 27B 裸跑，
但弱者写的一身笨补丁，能把顶级大模型活活毒死

Google 团队在 WikiSkill 里给出了极其残酷的几组真相:

1️⃣ 战术可以失败回滚，但对失败的理解必须永久焊死:
真正厉害的系统必须物理拆成三层: 原始轨迹只读归档、复盘认知只增不减、执行手册随时修补回滚，
前人把探索教训散落在对话框里，每次遇到问题都像失忆一样重新踩坑，
打法验证变差可以撤回，但踩坑认知必须留下，复利才会真正爆发；

2️⃣ 小模型靠手册逆袭，大模型吃手册更狠:
9B 模型配上进化出的结构化手册，表现直接干翻 27B 裸跑，
而在复杂表格任务上，27B 模型加上手册更是直接从 40% 狂飙到 81%，
程序性知识的差距，早就超越了单纯堆参数的裸智力差距；

3️⃣ 弱者的妥协是强者的毒药:
小模型为了防止自己翻车写的一堆单行脚本和保守补丁，直接把顶级 Gemini Flash 从 50% 砸到了 18%，
你在低水平阶段摸索出的避坑套路，强行套给高手往往是一副要命的枷锁；

4️⃣ 开卷小抄练不出真本事:
实验证明，模型在实战练习时如果直接偷看全套知识库，最后进化出来的手册反而大退步，
因为靠小抄蒙混过关的过程，会把最致命的逻辑漏洞给彻底掩盖掉

别再把所有笔记和日志混在一堆乱炖了，
原始记录、提炼认知、可执行手册是三码事，
把失败变成资产，学习的飞轮才会真正转起来啊

[QingYue @YuLin807]

泪目！在 小火箭中配置 Taiscale，我终于做到了！

起因：我现在大量使用moshi，但是用moshi就要用到 Taiscale 也就以为着你不能使用shadowrocket，所以bot干活的时候只能刷小红书不能来推特和大家交流学习！

经过：今天我终于在grok bot 的指导下搞定了这个配置过程，接下来我就逐步讲解。

1.打开 Taiscale 页面，点击Generate auth key，生成密钥，然后拿好它准备下一步。不知道去哪里找的我把直达链接放评论区。

2.拿着这个密钥去小火箭中，打开设置，点击Taiscale，然后在认证密钥的地方输入刚才生成的Key，点击右上方的启用，其余地方保持内容不变。

3.点击配置，点击本地文件，点击编辑配置，点击通用，在通用中找到TUN 旁路路由，然后删掉100.64.0.0/10删掉，如图三。

4.返回通用，在右上角的➕点击，添加以下两条规则：
规则1:

类型 IP-CIDR，策略Tailscale，域名输入100.64.0.0/10。

规则2:

类型 DOMAIN-SUFFIX，策略也是 TAILSCALE，域名填写 https://t.co/5tvVsWrSrv。

这两条搞定之后，关掉Tailscale 打开小火箭，然后你就会发现 Taiscale 和 shadowrocket 终于不用一起抢 Vpn 通道了。yeah 🎉完结撒花。

[码农暖爸 @Delroy715]

如果你平时也让 Cursor、Claude Code 画架构图，最烦线乱连、导出还要自己修

今天继续给兄弟们 分享一个超好用的 agent skill：Archify

开源才四个多月，已经 2.6 万星了
专给 AI 编程工具用的架构图生成器：

五种图都能画：架构、工作流、时序、数据流、生命周期
先写出一份带类型的 JSON，再编译成能直接打开的HTML，而不是随便生成一张图
暗色浅色都能切换，PNG、SVG、WebM 也能导出

PR 里还能对比 Before / After，哪些节点加了、删了、路由改了都能看出来
同时支持 npx skills add tt-a1i/archify -g 装到 Cursor、Claude Code、Codex、OpenCode 里
装完直接跟模型说：用 archify 把这个仓库的运行时架构画出来

体验地址已放评论区👇
喜欢的兄弟点赞收藏，防止用的时候找不到

[meng shao @shao__meng]

AI Engineering Skills Map 系列之「软件工程基础」

吴恩达老师的 AI 工程技能图谱第二篇详细展开：
1. 构建与部署 AI 应用
2. 软件工程基础（本文主题）
3. 使用 Coding Agent
4. 塑造构建方向

吴恩达老师认为：Agentic Coding 降低了"写代码"的门槛，但抬高了"懂软件"的价值。 会用 AI 写代码 ≠ 会做软件工程；真正的竞争力在于你能否驾驭 Agent 做出正确的工程权衡。

论证链条非常清晰
现象：编程 Agent 可以替你写所有代码，语法记忆类知识正在贬值。
问题：纯 "vibe coding" 的新手能做出简单应用，但 Agent 会在延迟、可用性、一致性、可靠性、可维护性、简洁性、成本等维度上做出糟糕的默认权衡——而开发者根本不知道这些权衡存在，自然无从纠偏。
结论：软件工程基础并没有被取代，只是从"手写能力"转变为"决策与驾驭能力"——你得知道有哪些权衡，才能引导 Agent 做出符合你应用场景的选择。

# 五大核心能力

1. 构建全栈应用
变化：Agent 让前端、移动端等"专才"可以快速扩展为"全栈通才"。
不变：你仍需理解 UI 组件、缓存、页面渲染、API 设计、认证、状态/会话管理、异步处理、数据持久化、测试、安全、可访问性等关键概念——否则你无法判断 Agent 生成的方案是否合理。
本质：Agent 补的是"熟练度"，补不了"判断力"。

2. 数据管理（全文最重点论述的部分）
单独强调数据，原因有三：
数据是地基，且最难改：代码可以重构，数据架构一旦定型，迁移成本极高（即使有 Agent 辅助）。
数据决策高度依赖人类上下文：存什么、存多久、选什么存储模型（关系型/文档/KV/图）、事务与并发、数据生命周期——这些都需要业务理解。
对 AI 应用有双重重要性：你的 AI 系统直接从数据源获取上下文，数据架构错了，AI "不知道自己不知道什么"，错误会被静默放大。
前瞻性提醒："为 Agent 而建的数据基础设施"（区别于为人类/传统软件而建）是快速演进的新领域，最佳实践需要持续更新。

3. 系统架构设计
架构 = 在理解全栈组件 + 数据之后，把它们组装起来的决策：前后端边界、系统拆分、状态放置、单体 vs 微服务、技术栈选型。
关键洞察：正确的架构是移动靶。原型期、首个生产系统、规模化阶段，各阶段的最优架构不同。架构能力 = 随阶段演进架构、持续做出更好权衡的能力。
这需要"技术深度 × 业务上下文"的双重知识——恰恰是 Agent 最缺的部分。

4. 安全与可靠性
可靠性：测试策略（单测/集测的比例、框架、覆盖率）、面向失败设计（限流处理、优雅降级、缩小爆炸半径）。
安全："Shift Left"——安全前置到开发生命周期早期。趋势是所有开发者都在变成"半个安全工程师"。
辩证看待 AI 安全工具：AI 可以扫漏洞、查供应链注入、审云配置，但用好这些工具本身需要安全知识——工具放大能力，不替代能力。

5. 规模化与生产运维
覆盖完整 SDLC：部署环境、发布策略、CI/CD、IaaS。
生产运维三件套：可观测性、告警、事故管理。
规模化手段：理解真实负载、水平扩容、负载均衡、数据层扩展（分片、索引、复制）。
加上"软"工程实践：版本控制、Code Review、依赖维护、技术债管理——这些决定了系统能否长期演进。

吴恩达老师的深层思想表达
· 知识价值从"记忆型"迁移到"判断型/决策型"
· Agent 优化的是"能跑"，不是"适合你的场景"；上下文只能由人提供
· AI 系统的错误是静默的，比传统软件的 bug 更危险
· 工程能力的核心不是"选对一次"，而是"持续演进"
· AI 时代的工程师画像是"广度扩张 + 决策深化"

给咱们的启发和建议
· 用 Agent 写代码，但用自己的大脑做决策：每个 Agent 生成的方案，追问自己"它在延迟/成本/一致性上做了什么取舍？"
· 优先投资数据与架构知识：这是最不可逆、最依赖人类上下文的两个领域。
· 把安全和测试前置：让 AI 安全扫描工具进入你的工作流，但先建立基本的安全认知框架。
· 按阶段演进架构：原型期容忍简陋，但要有意识地规划向生产架构的迁移路径。

[meng shao @shao__meng]

Skills 构建完整指南（33页）

这是 26 年看过最完整全面、质量最高的 Skills 构建指南，虽然是 26.01 发布的，应该还有朋友没看过。

强烈建议保存备用，时常拿出来系统学习一遍，会对 Skills 的构建、验证和使用过程有更深更系统的理解。

The Complete Guide to Building Skills for Claude
https://t.co/KqPV5yK4Ng

[Xudong Han @Xudong07452910]

Anthropic 内部这个 Claude Code 用例，我觉得比很多 Demo 更能说明 Agent 真正落地业务以后是什么样子。

他们的市场人员 Adam Ward 用 Claude Code 搭了一套销售简报系统。

Claude Code 通过 MCP 接入 BigQuery，再结合 CRM 和 Slack 里的信息，每周一自动给每位销售生成一份完全不同的简报。

里面会直接告诉他这周最值得做的三件事、哪些客户适合参加什么活动、哪些内容值得跟进。

然而这套系统不是写完 Prompt 就结束了。

他们先找 10 个销售试用，再把真实反馈一条条变成规则。比如 Claude 曾经给没有链接的活动编了一个看起来很真的 URL，于是后来直接加上硬规则「绝不编造 URL」。

第一周结束时，Prompt 里已经沉淀了 9 条这样的规则。

后面这套流程推广到了整个销售团队，每周一自动运行。甚至 Adam 去休假，它也可以自己正常发出去。

有一场 executive dinner，因为更准确地把活动推给了对应销售，一周内报名量直接翻倍。

Claude Code 在这里几乎没怎么「写代码」，更像一个让非工程团队自己搭业务 Workflow 的工具。

懂业务的人把问题讲清楚，接上公司的真实数据，再通过一轮轮反馈把规则磨出来。

这种 Agent 落地方式，我觉得比单纯展示模型有多聪明更值得看。

https://t.co/sXGA68DgfB

[meng shao @shao__meng]

Anthropic 官方 AI 原生 SDLC 实战手册（六阶段改造路径）

# 基本判断：写代码不再是软件研发的瓶颈！

随着 Codex、Claude Code、Cursor 等 Coding Agents 能力的不断提升，编写代码的能力和速度都有极大提升，传统 SDLC 中围绕代码建立的流程——审批闸口、评审、交接、制度——却仍按"人速"运转，反而抵消了 AI 带来的生产力收益。

这导致了三个后果：
1. 瓶颈向构建阶段的两侧移动：规划、评审/测试、部署仍以人速运行；
2. 旧控制手段与现实脱节：逐行人工评审在智能体产出大部分 diff 时已不可行；
3， 治理成本上升：例外事项仍要排队等每周/每月的会议和委员会。

# AI 原生 SDLC 的本质：从线性流程到"工件链闭环"

全文最关键的设计思想，可提炼为三点：
1. 流程从直线变成环：AI 嵌入每个阶段，阶段间自动交接、自动触发下一阶段。
2. 每个阶段以"提交一个版本化工件"结束，下一阶段以"读取该工件"开始：intent.md → spec.md → plan.md → diff 与测试 → 带评审结论的 PR → 事故记录。前期以 Markdown 为主（产品负责人和智能体都能读懂并执行），构建之后以代码及其记录为主。
3. 这条提交链同时就是审计链：谁提的需求、智能体产出了什么、谁批准的，全部留痕。人类的注意力从"逐行干活"上移到"把守闸口"——评审智能体标记的内容，而非从零开始每个阶段。

# 六个阶段的具体打法

1. Plan —— 用 intent.md 捕获意图 想法不再排队等产品经理代笔。发起人用自己的语言与 Claude 头脑风暴，产出包含问题、预期结果、受影响方、约束和待决问题的原型规格，提交到版本库。无需任何前置条件，是最适合起步的 Play。度量：从首次对话到提交 intent.md 的时间（目标：数周 → 数小时）及产品负责人的采纳率。

2. Design —— 需求与设计压缩进一次会话 Claude 基于已批准的 intent.md，在组织级技能（品牌、安全、合规、UX）约束下产出 spec.md，并主动标记风险点。产品负责人只评审不执笔；策略在撰写规格时即被应用，而非数周后在评审中被发现。是否进入构建，始终由人决定。

3. Build —— 无批准计划不动工
· 计划模式为默认起点：工程师先让 Claude 在只读的计划模式下产出 plan.md（改动哪些文件、顺序、风险、验证方式），迭代到"一个没看过对话的工程师也能照此实施"才批准提交；
· CLAUDE.md：把新人第一天需要的知识（命令、约定、架构、常犯错误）固化为智能体每次会话必读的文件。经验法则是"同一个错误犯两次，就把纠正写进去"，并保持在一页以内；
· Skills：把必须一致执行的制度性知识（如 API 安全标准）做成版本化、可中央更新的技能。但技能只是劝导性控制——必须无例外成立的策略，需要确定性的 hook 兜底。"技能让违规变少，hook 让违规近乎不可能"；
· Hooks 作为构建期护栏：拦截受保护路径的编辑、编辑后自动跑格式化、防止凭证进入 diff。构建期的 hook 不该要求人工审批，否则人又被拉回并行会话的关键路径；
· 并行会话与子 agent：一名工程师用 git worktree 同时驱动多个独立会话，重复性工作封装为子 agent。工程师的角色从"写代码"转向"编排与评审"，实际上限是一个人能认真评审多少条工作流。

4. Test —— 先自验，再给人看
· 反馈回路：始终给 Claude 验证自己工作的手段（测试、构建、截图对比），让它迭代到通过为止。修 bug 时先写复现失败测试并提交，且用 hook 禁止智能体修改测试文件——"修复前就存在、且智能体无法改写的测试，才是 bug 已修复的证据"。同时要保护回路本身不被削弱；
· CI 中的持续 evals：这是 AI 原生版的阶段门 QA。收集 20–50 个真实任务及其可接受结果组成评估套件，每当 CLAUDE.md、技能、hook 或模型变更时运行——因为驾驭智能体的配置本身，值得享受和代码同等的回归测试。每次生产事故都要沉淀为一个永久性 eval。

5. Deploy —— 双向评审 + 行动时即治理
· PR 评审闭环：Claude 既评审别人的 PR（按 REVIEW.md 定义的 bug、安全、合规三个 pass，按严重度分级），也处理自己 PR 上的评审意见并推送修复。人类评审聚焦意图与风险。职责分离被保留：写代码的智能体无权批准代码，分支保护仍要求代码所有者批准。评审中重复出现的问题回流到 CLAUDE.md；
· Hooks 作为审批闸口：allow / ask / block 三态，不可协商的闸口放在平台团队管控的 managed settings 中，工程师无法关闭。文中给出了一份受监管企业的完整托管配置示例（权限白黑名单、沙箱、凭证隔离、仅允许托管 hook/MCP/插件市场、最低版本强制），并提醒应按仓库数据分级裁剪而非照抄；
· CI/CD 集成：以 claude -p 非交互方式在流水线中承担需要判断力的环节（分流失败构建、起草 changelog），沙箱执行、短期限定凭证、部署能力通过 MCP 按环境开放。核心原则是：智能体可以做生产闸口之前的一切，且不能越过闸口；回滚路径必须是流水线中演练最充分的一条。

6. Maintain —— 闭环
· 自动闭环：确定性脚本（均值/标准差 + Western Electric 规则，不含模型）监控生产指标，越带即触发 Claude：1σ 仅记录，2σ 只读诊断，3σ 才允许行动——且行动路径仅限开 PR 进评审闸或触发预批准的 runbook。诊断结果写成 intent.md 重新流入第一阶段。人的角色从"启动工作"变为"分诊与批准"；
· Claude Tag：事故从 Slack 等协作渠道直接进入，Claude 以独立身份成为频道成员担任第一响应者，频道本身就是审计轨迹，事后把复盘写入版本化的经验文件供未来调查读取。

# 贯穿全文的治理思维

· 人始终对需要判断力的决策负责，但人的位置从流水线上移到了闸口；
· 治理在智能体行动时强制执行（hook、沙箱、托管配置），而不是事后评审周期；
· 与遗留系统共存：每类工件指定唯一事实源——要么仓库为权威、遗留系统引用提交，要么 Jira/需求工具为权威、Markdown 为工作副本（通过 MCP 回写），底线是双向链接（记录 ID <-> commit SHA）；
· 采纳顺序 ≠ 阶段顺序：Play 是模块化的，按依赖图采纳，无前置依赖的 Play（如 intent.md、CLAUDE.md）可任意起步。

# 原文地址
https://t.co/QJH2wo1TA7

[小互 @xiaohu]

Anthropic 发布：
AI 原生 SDLC（软件开发生命周期）实施指南

指南按 Plan、Design、Build、Test、Deploy、Maintain 六个阶段，讲解怎样把 Agent 接入软件开发生命周期。

它来自 Anthropic Applied AI 团队的日常实践，也吸收了客户项目经验。

推荐阅读 https://t.co/3KHaayEDIu