intent.md重塑SDLC：Anthropic发布AI原生开发手册

AI重构软件开发生命周期的核心逻辑

Anthropic的Boris Cherny（Claude Code创建者）及团队发布的《AI原生SDLC手册》揭示了一个关键洞察：代码编写不再是瓶颈，流程设计才是。

传统软件开发生命周期（SDLC）包含规划、设计、构建、测试、部署和维护六个阶段，构建阶段历来耗时最长。但AI Agent的介入将构建效率提升了2倍，真正的突破点在于如何用Agent优化其他阶段。

intent.md：连接人类意图与机器执行的关键文件

规划阶段的革命性变化

传统规划依赖需求会议、PRD文档和反复沟通。AI原生流程中，Anthropic提出通过Agent访谈生成intent.md文件：

1. Agent对用户进行结构化访谈，持续提问直到完全理解需求或Bug场景
2. 用户倾倒领域知识和上下文信息
3. Agent生成人类可读、机器可执行的intent.md文件

这个过程可以使用Cursor的requirements discovery、Matt Pocock的grill me等工具，或定制化discovery技能。关键是让Agent通过结构化提问提取隐性需求。

谁能创建intent文件

intent.md的创建者被称为"originator"（发起人），这个角色不限于技术人员：

• 客户提交Bug报告
• 产品经理提出功能构想
• 开发者记录改进点

所有intent文件存放在项目的intent/文件夹，由产品负责人审核排序。部分团队使用Agent自动分类和优先级排序，标注前端/后端、任务规模、紧急程度等标签。

工件链：从intent到spec再到plan的完整链路

Anthropic提出"artifact chain"（工件链）概念，从intent.md开始依次生成spec.md、plan.md等文档，形成完整开发上下文。

自动生成技术规格文档

intent签核后，系统通过Hook自动触发spec生成流程。Anthropic提供的提示词模板：

读取附加的intent.md并生成需求和设计规格。应用可用技能进行规划，符合品牌指南，并在spec.md中完整记录规格。

spec生成可使用Cursor/Claude Code的原生plan模式，或创建定制化技能匹配团队规范。关键是确保生成过程遵循组织的样式指南和最佳实践。

独立完整的计划文档

进入构建阶段后，工程师将intent和spec输入Agent生成plan.md文件。优秀的plan.md应包含：

• 需要修改的文件清单
• 工作顺序或任务清单
• 风险和约束条件
• 成功标准和验证检查点

核心原则：plan.md应该独立完整，即使没有阅读intent或spec，工程师也能据此实施变更。这是因为不同Agent/子Agent会处理不同阶段，需要完整上下文文档而非依赖对话历史。

构建阶段：并行化与自主化实践

Auto模式与权限管控

Anthropic建议在构建阶段启用Auto模式提升速度，但前提是建立完善的权限策略：

• 锁定Agent可访问的工具集
• 限制可引用的Web资源和包管理
• 在Cursor/Claude中配置细粒度权限

当环境足够安全后，Agent可在更大自主空间内工作，减少人工干预。

工作树实现并行开发

团队推荐使用Git worktree功能，允许多个Agent在不同分支上并行工作。优秀的Agent框架会自动将plan拆解为独立任务，并发执行可并行的子任务。

Hooks保障流程合规

构建阶段可设置多种Hook：

• 实现完成后自动更新plan.md
• 阻止Agent修改敏感文件夹
• 限制未经批准的依赖包升级

这些Hook是保持流程自主化和合规性的关键机制。

测试与部署：从被动响应到主动验证

Agent驱动的全面测试

传统SDLC中，测试常是瓶颈——开发完成后等待QA排期，反馈周期长。AI SDLC目标是让Agent在人类审查前完成尽可能多的测试：

1. 单元测试：Agent自动编写测试用例并验证通过
2. Linting：运行确定性的代码规范检查
3. 端到端测试：使用Playwright、TestSprite或Cursor Browser进行UI测试和截图
4. 构建验证：确保项目能成功编译无报错

Cursor的Cloud Agent能自动启动服务器、测试软件并生成屏幕录像，大幅减轻人工审查负担。

持续评估机制

Anthropic建议对技能变更或模型升级应用evals（评估）：

• 收集20个左右的历史问题及预期结果
• 在CI流程中运行测试用例
• 检测新模型/技能是否导致SDLC性能回退

自动化代码审查流程

Agent创建Pull Request后，另一个Claude实例自动介入审查：

• 对照安全策略和编码规范检查代码
• 异步生成审查意见
• 根据agents.md、skills.md和Hook策略决定是否通过

可设置发布门禁（release gate），要求特定人员批准或满足特定条件才能合并到主分支。

维护阶段：从被动响应到主动诊断

传统维护是被动的——凌晨收到告警或工单堆积无人处理。AI原生SDLC中，维护变得主动和异步：

1. 自动触发：服务异常、新工单、Slack消息或定时任务触发Claude
2. 自主诊断：Agent分析日志、指标和错误信息
3. 生成intent：Claude根据诊断结果自动创建intent.md文件
4. 提供方案：在工程师介入前给出修复建议或自动修复

例如，当API请求速率异常飙升或页面宕机时，Agent可以在你打开电脑前完成问题诊断并起草解决方案。

治理与版本控制：企业级实践要点

对于企业团队，治理机制至关重要：

• 版本追踪：保存intent、spec、plan的所有版本及修改者信息
• 指标监控：追踪DORA指标，量化AI对研发效能的影响
• 权限分层：区分低风险（修改单文件）、中风险（安装依赖）、高风险（生产变更）操作

Anthropic强调，这些实践能帮助企业证明AI的实际价值，并为流程优化提供数据支撑。

实施建议：根据团队情况灵活调整

虽然Anthropic提供了完整方法论，但实际应用需要根据团队情况调整：

• 小团队：从简单的plan模式开始，逐步引入intent和spec
• 成熟团队：可能已有Superpowers、be.mad等工具，不必全盘推翻现有流程
• 架构选择：从简单Loop到图工程、大型编排系统，甚至"文明工程"，都有各自适用场景

关键是标准化流程并保持稳定，让团队、Agent和技能库在统一工作流中协作成长。

人类角色的重新定义

AI SDLC的目标不是完全去除人类，而是减少人类在每个环节的时间投入，同时保留关键审查节点。根据项目关键性和团队成熟度，可以选择：

• 高度人工参与（每步审查）
• 混合模式（关键节点人工审查）
• 高度自动化（仅最终审查，适用于低风险项目）

Rob在视频中提到，他通过Switch Dimension课程帮助团队实现AI原生转型，强调没有一刀切的解决方案，需要根据实际情况调整策略。