snowelfchow

[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

[lifcc @mylifcc]

我去！德国独立实验室 Empero刚把新出的 Qwen3.8-Flash-Next 挂成免费 API，随便用。

接口：https://t.co/zA53i1vuaG
兼容 OpenAI SDK，任意 API Key 都行，客户端非要填的话写 free
号称不限 token
模型名：Qwen/Qwen3.8-Flash-Next-FP8（也认 qwen3.8-flash-next 这类别名）
这不冲？

[小互 @xiaohu]

Anthropic FDE（前沿部署工程师）面试指南：

Anthropic 正在招聘一批有些反常的工程师

他们不只在模型公司内部写代码，还要进入客户的系统，和银行、医疗机构、政府部门及大型企业的团队一起工作。

Anthropic 当前美国 FDE 岗位列出的年薪是 28 万至 32 万美元，另有股权。

这份 FDE 面试指南看似是在告诉候选人如何准备招聘流程，真正透露的却是一项更重要的变化：

当模型能力越来越强，AI 落地最稀缺的已经不是“会调用模型的人”，而是能把客户混乱的工作流程改造成可评估、可控制、可上线系统的人。

https://t.co/TsHmw0GkSc

[Charlie Hills @charliejhills]

You installed Claude Code and stopped there.

35 add-ons that turn it into a company (links below):

If you're new to Claude Code.
Start here → https://t.co/YbdDKUJsSM

A SENIOR ENGINEER

1. superpowers
→ https://t.co/tGNwFVYsEa

2. agent-skills
→ https://t.co/n3GAaErDOH

3. karpathy-skills
→ https://t.co/z0R8ozhtmb

4. gstack
→ https://t.co/XPJ0gmpOIx

A PRODUCT DESIGNER

5. ui-ux-pro-max-skill
→ https://t.co/54NvwKmBix

6. taste-skill
→ https://t.co/gFud3Sa93j

7. impeccable
→ https://t.co/fFDkTq8wQR

A QA TESTER

8. Codex
→ https://t.co/PPPmwl9F1p (paid)

9. playwright-mcp
→ https://t.co/C9b2nZxiTF

10. skills
→ https://t.co/iR9fyxUFvL

A DOCS TEAM

11. markitdown
→ https://t.co/nJzODQKIDl

12. skills
→ https://t.co/Nj47wymxJR

13. frontend-slides
→ https://t.co/cjLcONPQIT

A MARKETER

14. marketingskills
→ https://t.co/ZyoMWfvgf8

15. claude-seo
→ https://t.co/h481BlnvgB

16. humanizer
→ https://t.co/3a9HKsFIYX

17. Apify
→ https://t.co/yn7rQKdnnz (paid)

A SOCIAL MANAGER

18. social-media-skills
→ https://t.co/ZwNtoUTdVm

19. ManyChat
→ https://t.co/vBo70XUjQK (paid)

20. GPT Image 2 →https://t.co/Ptbm54A58B (paid)

A MOTION DESIGNER

21. HiggsField
→ https://t.co/B3eLcc2Kn0 (paid)

22. hyperframes
→ https://t.co/ogS5d5ityj

23. OpenMontage
→ https://t.co/H8lDc70xNW

24. OpenCut
→https://t.co/9YLKSKYHCt

A RESEARCHER

25. Agent-Reach →https://t.co/1mFzc91H9X

26. last30days-skill
→ https://t.co/TdrSYOFQsT

27. NotebookLM
→ https://t.co/8ZW2a795nX (free)

AN OPS MANAGER

28. Notion MCP →https://t.co/OmXaT3B4iE (free)

29. github-mcp-server
→ https://t.co/ITX95VKOZJ

30. claude-mem
→ https://t.co/emHpdPtiUO

31. mem0
→ https://t.co/snaZn591kH

THE WHOLE AGENCY

32. agency-agents
→ https://t.co/9XD1C4BsmQ

33. awesome-claude-skills
→ https://t.co/hI8v1hrMkb

34. agents
→ https://t.co/0LNt2gpXGH

35. claude-skills
→ https://t.co/SqRj6vAzYh

What each one does is on the graphic.

Every repo is free. Five of the tools are paid.

Seven are ones I already run.

The rest are the ones I keep sending people.

[青稞社区 @qingke_ai]

近期最火的一个词，当属 RSI，全名为 Recursive Self-Improvement。简单来说，就是让 LLM / Agent 不仅完成任务，还能利用自己产生的经验、数据、反馈甚至代码，迭代地改进自己。

实际上类似的术语非常多：self-evolve、self-play、self-refine、self-reward、self-distill……这些概念存在大量交叠，但背后的闭环程度和“被改进的东西”其实不同。

https://t.co/4369MxI8FW

[Ren @Ryrenz]

✨ 太强了，一套从零手写 AI Agent 的中文教程，16 章一路带到你能跑起来的项目

GitHub 上已经 7.4 万 star，Datawhale 社区出品

想入门 Agent 的人多半卡在同一个地方：ReAct 的论文看懂了，不知道怎么接检索；框架一会儿有人说用 Dify，一会儿有人说用 LangGraph，也没人讲清楚差在哪。资料东一篇博客西一个视频，学到第三周还在原地。

这套教程把基础理论、开发实践、高级技术、综合案例和毕业设计连成一条线，推理范式、主流框架和 RAG、MCP、A2A、SFT、GRPO 这些都在同一条路径上讲。跟到最后手里是三个能跑的东西：智能旅行助手、自动化深度研究智能体和一个赛博小镇。

配套代码、在线阅读和 PDF 都有，内容按知识共享的非商业协议放出来，自己学和团队内部用都没问题。

学完不是知道 Agent 是什么，是手里有三个跑得起来的东西。

GitHub：https://t.co/clmKahMcVB

[Jimmy Revived @JimmyRevived]

想年薪 50W+ 的 FDE 预备人员，看过来。👀

很多人以为 FDE（Forward Deployed Engineer）就是“高级程序员”。

其实远不止。

FDE 更像是：
懂业务 + 懂技术 + 懂 AI + 能落地交付

从：

业务命题 → FDE 驻场 → 企业本体建模 → AI Agent → 应用交付 → 反馈迭代

这张图把一套完整的 FDE 企业落地架构讲清楚了。

真正值钱的，可能不是你会写多少代码。

而是你能不能把企业里的一个真实问题：

变成 AI 能理解、能执行、能交付、还能持续迭代的系统。

AI 时代，FDE 可能会成为一个越来越重要的岗位。

准备转 FDE 的，建议收藏这张图。🔥

[Mr. Buzzoni @polydao]

Anthropic engineer just dropped a 2-hour workshop on "Graph Engineering" for agentic systems:

"80% of our engineers are using self-improving loops. Now everyone is building agentic graphs"

• 04:43 - Introduction to RAG and graphs
• 26:30 - Core of graph engineering (nodes, edges)
• 01:09:11 - Agents data indexing in Graphs
• 01:30:50 - Three layers of Graphs for agents
• 01:48:15 - Adaptive RAG for self-verification
• 02:16:37 - The future of graph engineering

two hours here cover more ground than most $750 agentic memory courses do

watch it now, then the article below walks you through actually becoming a graph engineer

[Ken W @kenw_2]

卡卡采访13岁的独立AI开发者吕思彤，她利用AI工具开发了超过100个产品，接的AI商单从几万元到几百万元，这不就是妥妥的普通叉友么？要理科有AI，要AI有学霸。

[0x鸣人 @LuBtc888]

只要你练一次，你就该富一辈子。

死嗑这5件事，60天练出商人视角，走到哪儿都能看见钱。

你不是不懂商业，你是被教成了一台优秀的消费机器。

[产品经理老王霸 @laowangbabababa]

https://t.co/4sOG6N3ZZm

[小弟调调 @jaywcjlove]

v2s：原生开源 macOS 实时翻译字幕小工具

👉https://t.co/JTLaYPr3tV

[知识分享官 @knowledgefxg]

实用小工具推荐：WhisperSubTranslate
一个免费的本地桌面工具，把视频拖进去就能从音频自动生成 SRT 字幕，再一键翻译成多种语言。语音识别全程离线不上传，Windows下解压就能用，经常要给外语视频配中文字幕,或者反过来要把内容做成多语言版本,这个工具省了不少来回上传下载、找翻译工具的功夫。

[Kimberly @king1818888]

当下研究AI Agent，很多人都会陷入信息过载的困境，海量资料摆在眼前，很难梳理出清晰的起步方向。

Claude Code、Codex、Hermes Agent、MCP、Skills、RAG、Memory、Multi-Agent……层出不穷的新概念与新项目持续涌现。

分享一个实用开源项目 awesome-agentic-ai-zh，很值得收藏。
它整合240+ AI项目、77+ MCP与Skills资源、23套实操案例，形成一套完整的Agentic AI学习路线图。

整体规划两条学习主线：
偏向实操，日常运用各类Agent工具 → CLI实战使用者
希望深度自研，从零搭建智能体 → Agent开发者

整套路线循序渐进，覆盖LLM基础、提示词工程、工具调用，再拓展到RAG、记忆模块、MCP协议、多智能体体系、设备操控能力。

这份清单最大的优势，在于梳理好了循序渐进的学习次序，能够明确每个阶段的学习重点，不用漫无目的地搜集技术名词。

链接放在评论区。
正在深耕 Claude Code、Codex、AI Agent 的朋友，可以保存下来慢慢研究。

精简备选版本
当下研究AI Agent很容易被海量信息淹没，难以理清学习顺序。
Claude Code、Codex、MCP、RAG、多智能体等新技术持续更新，入门门槛无形中抬高。

开源项目 awesome-agentic-ai-zh 整理了一套完整学习地图。
汇总240+项目、大量MCP工具以及实战案例，区分工具使用者、自研开发者两条路线。
知识点由浅入深，规划好学习先后顺序，帮大家避开盲目搜集资料的问题。

研究AI Agent可以收藏

https://t.co/m1rjFFOfIB

[Dipanshu Kushwaha @Dipanshu_AI]

Anthropic just released a 4-hour course to getting a $500k AI engineering job:

00:15 - The right way to prompt Claude
33:21 - What makes Claude act dumber on your code
01:33:39 - How Anthropic use Claude every day
02:50:56 - The fix that makes Claude way smarter This

4-hour Anthropic free course replaces about 10 paid engineering courses.

Watch it today, then read the step-by-step guide on building loops below.

[娜美知识库 @fhwofjow51260]

A 股玩家可以收藏了，这个开源项目有点猛。

一个本地面板直接搞定：全 A 选股 + 实时盯盘 + 策略回测 + AI 复盘。

内置 18 种策略，MA、MACD、RSI、KDJ 一键扫全市场；回测连 T+1、手续费、滑点、止损都算进去，盘后还能自动扒出连板梯队、概念轮动、炸板翘板。

更爽的是，日 K 不填 Key 也能用，AI 还能接 DeepSeek、通义、Ollama。

🔗：https://t.co/a48giCESEI

[小马 | 商业生存指南 @VibePonyAI]

马云在湖畔大学内部讲课的内容，
现在国内网上已经找不到了。

当年入学学费 28 到 36 万，
还得是企业 CEO 才能报名。

[马佳彬 @majiabin]

教你用WorkBuddy开发自己的微信小程序

[启航 @qihang_zeng6688]

谁下次再给你说Github不能搞钱

把这8个仓库甩他脸上！

先收藏再看，离搞钱更近一步！

1、https://t.co/bNRpCO54j4
这个网站主要是关于各种赚钱的信息差，涵盖AI副业赚钱、初创公司0-1避坑、赚钱认知等等干货内容。

2、https://t.co/pwK8WxTGt9
这个牛的！做闲鱼的朋友必须要去看，闲鱼智能监控仓库，可以实时监控闲鱼商品、价格，还可以多账号运营，专业闲鱼玩家必看！

3、https://t.co/4NXtBo0rTw
数字游民必备，这个仓库里面收集了上百个远程工作招聘网站，支持5种语言，还有面试、租房等等一系列干货内容。

4、https://t.co/43ZfMOWUH6
不会用TG的看过来！仓库里面有10000+ 优质Telegram群组、Telegram频道推荐，让你轻松玩转Telegram。

5、https://t.co/gSLDroWmeW
这个网站主要是关于收集创作内容，获取灵感，可以一键获取别人整理好的选题、内容、素材等等，帮助你快人一步做内容！

6、https://t.co/SvcTV33UVh
n8n自动化工作流平台，提供专业的AI自动化解决方案，涵盖9000+工作流模版，1500+工作集成，帮你提高工作效率，节省工作时间！

7 https://t.co/WHHFXmf5r1
超厉害的量化交易仓库，40多种量化交易策略，97个有关交易的仓库和软件包，还有大量适合学习量化交易的数据，新手友好！

8、https://t.co/30BPf2IUUf
超级优质的公共信息来源，项目由上海交大的陈夏明博士创建，致力于收集整理各个领域的高质量、主题明确的信息，更新频率高。

[Bojie Li @bojie_li]

送给大家的七夕礼物：《深入理解 AI Agent》开源书发布 2.0 版了！最近一周修订了大量内容：
1. 把第四章中的异步和第九章的多模态重组为第六章，交互：观察和动作空间的扩展。原有第六至八章顺延，实验也重新编号了。
2. 加入了包括 DeepSeek Harness、Anthropic 最新研究在内的新实战案例。
3. 评估、后训练、agent 持续进化章节用根据线上 bad case 自动调优 agent 的例子来贯穿。
4. 后训练补充 mid-train、数据构造和模型蒸馏的内容。
5. 修正了大量不准确的表述，改进了中文表达。

感谢社区增加了希伯来语翻译。

https://t.co/6VBSv9Mete