AI 编程研讨·SDD 工作流笔记

研讨会笔记

AI 编程研讨
SDD 工作流手记

基于「新因子」理论的 AI 驱动开发框架 · 2025

核心框架

SDD 工作模式循环

① 所有需求（业务 + 技术）写入 features 目录，不维护
② 制定 standards（代码/建表/API/命名/安全规范），作为 AI 的「宪法」
③ 用 features + standards 指导 AI 制定 plan，只追加不刷新
④ 启动 TDD 流程：先写单元测试，再补代码实现
⑤ 不刷新 plan，让 AI 持续迭代，叠加形成「事实方案」
⑥ 新需求→回到第①步循环

features → standards → plan → TDD → 事实方案

业务规则可写进 Excel 放入 features，让 AI 直接读取

核心概念

过程方案 vs 事实方案

过程方案：按时间维度更新（plan 只追加不刷新）

事实方案：系统最终设计现状（当前 API、数据库现状），每轮迭代后刷新

AI 环境下刷新事实方案成本极低，这是与传统开发模式最本质的区别。

吸引子（新因子）

源自动力系统的「吸引子」概念——状态空间中一个稳定的目标区域，长期演化趋势像引力场方向。

Goal 是一个局域化的点；吸引子 是一个区域、一种趋势。

计算不可压缩性

AI 难以一次性完成所有交叉引用的一致性维护，遗漏会造成逻辑断点，须在后续轮次补上——这是智能本身的内在问题。

「计算的总量在这里，你不太可能通过这种方式来压缩它。」

Plan 模式设计要点

① Plan 定义验收标准，而非待办清单——「不能说做了就打勾，要验证做完了才打勾。」

② 用 独立子 agent 审查，非自我审查——「让 AI 自己审查自己，上下文已经被污染了。」

③ 执行后仍需独立子 agent 审查——防止指令遵循性弱的模型漏步骤。

④ Plan 文件结构：状态purposebaseline 现状非目标验收标准closure gate来源出处

多轮审计流程

写完代码 → AI 审计发现逻辑断点
下一轮计算补上断点
反复直到一致性达成
执行 Plan 2.0 → 独立子 agent 审查 → 纠正遗漏 → 达成共识

文档体系原则

信息组织

静态信息（只保留最新权威说法）与时效性信息（带日期/编号）分离
用脚本检查 Markdown 引用路径，发现孤立文件
让 AI 模拟系统使用者评估路由系统（agent index.md）质量
拓扑关系不能被打破——信息可以自由转化形式，但点与点之间的宏观关系必须保持

效果验证

1周

EPIC 任务开发周期

一夜

AI 全流程跑完

第二天测试 Bug

前提：plan 和 API 测试设计需人工 review

工具与生态

Dripper 5 MCP skills open code Claude Code big pic AGENTS.md

Dripper 5：将 AI 软工分为 5 个弱阶段（design / discover 模式不修改代码）
.agent 目录与 AGENTS.md 正趋于标准化，claude code 等均兼容
无论放哪个文件，核心是「内核定义」（描述 + 索引），位置不重要
工作流（Claude Code workflow）可将多 agent 多步骤串成标准，形成可复用资产

实践中的坑

三个使用障碍（约三周）

① 部署新目录后命令 AI 检查漏洞，迭代 50+ 轮被迫终止
② 审核时间过长无法忍受
③ 重启后让 AI 执行旧任务，AI 重复查资料十余轮仍找不到

应对策略

先在 GPT-5.1 等高质量模型上走通流程、记录轨迹，再迁移到低模型
低模型受限于计算量，必须拆解成多步，不能一步到位
固化可自动化逻辑到工具层（自动调 AI 审查、自动跑测试），减少低模型自行判断
计划执行不好→让 AI 反向分析缺什么信息，强化注入 / 强化 execution criteria / 独立子代理反复审查

低代码场景落地

不开放源码时：整理使用文档、规范性规定和原则
记录轨迹，用高模型分析文档是否到位、是否存在内在矛盾
落地流程：input → discussion 需求分析（人工审计）→ architecture → AI 写代码和测试
将可抽象的 discussion 沉淀为通用提示词，推进到 BA 先按审计提示词处理再交接

团队推广建议

找愿意用的人，准备好条件（如分配 Copilot），用示范项目和范例使上手更容易——不是说服所有人。

金句摘录

· 关于 Plan「传统规划是待办清单，我的体系里 Plan 定义的是验收标准——你不能说做了就打勾，而是验证它做完了才打勾。」

· 关于审查「让 AI 自己审查自己，上下文已经被污染了，必须用独立子 agent 反复审查。」

· 关于吸引子「Goal 是一个局域化的点，吸引子是一个长期演化的稳定区域——它像引力场一样，沿着方向就走到这里了。」

· 关于形式「形式不重要，真正重要的是信息本身——AI 接入后，生产力释放的来源就是破除了信息表达形式的依赖。」

· 关于故障排查「不是模型不聪明，是你没讲清楚。你的信息有没有冲突、是不是用最合适的方式整理，决定了模型输出质量。」

要点总结

跳过 design 阶段（与 plan 合并），开发心智负担降到「操作工」级别
每天只需做需求分析
AI 不是基于 task 中心，而是基于整体系统向哪里收敛
「形式可以自由转化，但信息的拓扑不能被打破」
「不要陷入工具思维：skill 是工具，A级是长期面向过程的信息组织方式」

AI 编程研讨SDD 工作流手记

AI 编程研讨
SDD 工作流手记