AI 上的 SDLC：开发自动化的 5 个提示

AI 智能体驱动的 SDLC 流程：从需求到部署的五个阶段

基于 Claude Code 的 AI 智能体可在 3-4 小时内自动化整个开发周期，替代一周的手动工作。通过五个命令链逐步处理任务：需求澄清、设计、实现、验证和文档编写。人工仅需在阶段间进行监督和调整。该方法已在采用 AWS、.NET 和 Angular 的无服务器应用上测试验证。

随意编码的陷阱及其解决方案

针对大型任务的标准提示会导致代码重写、API 幻觉和需求忽略。原因包括：需求不明确、缺乏分解、模型上下文有限。解决方案是将任务细分为多个阶段并进行验证。

流程的关键原则：

• 在规范中明确、可测试的需求。
• 包含文件和合约细节的逐步计划。
• TDD 方法：红-绿-重构。
• 多级审查与并行智能体。
• 自动更新项目文档。

技术栈示例

无服务器 Web 应用：AWS CDK 用于基础设施，.NET Lambda 采用三层架构（数据-领域-API），Angular SPA 搭配 Syncfusion，Playwright 用于端到端测试。数据存储在 DynamoDB，静态资源托管在 S3。

示例任务：隐藏 Task 的颜色编辑功能，在后端与父级 Trade 同步，将颜色选择器替换为 256 色自定义调色板，将网格切换为行选择模式。

功能草案（draft.md）：

需要改进 SoW 的颜色选择器。
1. 颜色选择器仅对 Trades 可用。
2. 颜色仅显示给 Trades。
3. Tasks 颜色：
- 不在 UI 中显示
- 一旦创建 - 颜色设置为与相关 Trade 相同
- 如果 Trade 颜色更改 - 所有相关 Tasks 的颜色随之更改
- 所有颜色操作 - 在后端进行。
4. 改进 Trades 的颜色选择器：使用包含经典 256 色的自定义调色板
5. 配置 Trade 网格不选择单元格 - 仅选择行

AI 智能体设置

Claude Code 搭配来自 awslabs/mcp 的 MCP 服务器和插件。前端：Syncfusion Angular Assistant、Angular CLI MCP。AWS：api-mcp-server、documentation-mcp-server、cdk-mcp-server、dynamodb-mcp-server 等。测试：Playwright MCP。插件：code-review、typescript-lsp、aws-serverless。

自定义命令（/clarify、/design 等）协调流程，从 CLAUDE.md 文件加载上下文。

阶段 1：/clarify — 规范生成

分析 draft.md 和 CLAUDE.md。阶段包括：上下文收集、模糊点澄清、模板形成。

模板包含：

• 可测试的需求。
• 端到端测试的用例。

规范保存至仓库供手动编辑。

阶段 2：/design — 详细计划

生成包含文件、行号、API/DTO 合约的步骤。使用清单进行自我审查：需求覆盖度、避免过度复杂化。

计划涵盖单元/端到端测试、基础设施、数据模式。通过明确定义的合约，各层保持独立。

阶段 3：/implement — 实现

遵循 TDD：测试 → 最小化代码 → 重构。预测测试结果，并与实际比较。MCP 用于库文档，CLAUDE.md 用于约定。

实现可以逐层进行或一次性完成。

阶段 4：/verify — 多级审查

检查：

• 构建、单元/端到端测试。
• 死代码分析。
• 并行审查：代码审查、类型检查、覆盖率、安全性（IAM、注入）。
• 与规范对比验证。
• 文档漂移。

结构化报告。

阶段 5：/document — 文档更新

更新 CLAUDE.md 以供未来迭代。功能准备就绪可合并。

方法的局限性

适用于粒度变化（占上下文的 15-50%）。稳定的架构是必需的。不适用于遗留系统或需要命令更新的新框架。

关键要点

• 粒度化： 分解为多个阶段最小化上下文错误。
• 控制： 手动编辑规范和计划。
• 自动化审查： 并行智能体减少人为错误。
• 文档： CLAUDE.md 是流程稳定的基础。
• 效率： 3-4 小时对比手动 15-20 小时。

— Editorial Team