AI Native SDLC

AI-native SDLC — жизненный цикл обычного программного продукта, в котором агент переносит работу между стадиями через версионируемые артефакты, а человек принимает решения на границах риска. Это не ADLC: там выпускают агентную систему, здесь агент участвует в выпуске любого ПО.

Узкое место переезжает, а не исчезает

Когда генерация кода ускоряется, ограничением становятся формулировка намерения, проверка, выпуск и управление изменениями. Поэтому простое добавление агента в этап Build только увеличивает очередь на review. Процесс становится AI-native не от доли сгенерированного кода, а от того, что каждая стадия оставляет следующей проверяемый вход.

Артефактная цепочка

Минимальная форма цикла:

intent.md → spec.md → plan.md → diff + tests → review findings → incident → новый intent.md
Артефакт Что фиксирует Кто ставит gate
intent.md проблема, ожидаемый результат, ограничения и метрики владелец продукта
spec.md поведение, интерфейсы, политики и критерии приёмки продукт и архитектура
plan.md затрагиваемые файлы, порядок, риски и способ доказать результат инженер
diff + tests реализацию и исполнимое свидетельство CI и reviewer
review findings принятые риски и незакрытые замечания человек на релизном gate
incident record наблюдённое последствие и доказательства эксплуатация

Переход заканчивается принятым и версионированным артефактом в его канонической системе, а не сообщением в чате. Следующий агент читает устойчивый контракт и durable linkage между стадиями. В Git-first процессе цепочка коммитов становится аудитом движения от намерения к последствию; при внешнем источнике эту роль выполняет связка record ID ↔ commit/PR (Evidence Spine).

plan.md проверяется простым тестом: сможет ли другой исполнитель реализовать его, не видя исходный разговор. Если во время реализации план изменился, изменение синхронизируется с артефактом — иначе план превращается в ложное свидетельство.

Источник истины выбирается по виду артефакта

Не обязательно переносить весь процесс в Git. Для каждого вида артефакта нужен один источник истины: например, intent живёт в трекере, а plan и diff — в репозитории. Между системами хранится двусторонняя минимальная связь: ID записи ↔ commit SHA/PR. Копия без такой связи быстро расходится с оригиналом.

Мягкий контур не заменяет жёсткий

Skills и файлы инструкций применяют политики в момент проектирования и сборки, но остаются советующим контуром. Критические инварианты принуждаются детерминированно: hook, permission, branch protection, CI, изоляция среды или ручной gate (Agent Harness).

Особый конфликт интересов возникает в цикле починки: агенту, который исправляет реализацию, нельзя позволять ослабить тест или evaluator, заставивший её упасть. Проверяемый артефакт замораживается на время цикла либо его изменение выносится в отдельный review (Generator Evaluator).

Эксплуатация замыкает разработку

Рабочая схема on-call начинается с детерминированного сигнала и только затем включает агента для сбора фактов и гипотез. Агент не должен сам создавать себе полномочия на исправление: read-only расследование, подготовка proposal/PR и выпуск — разные роли.

Инцидент не заканчивается постмортемом. Его след превращается в:

  • новый intent.md, если требуется изменение продукта;
  • регрессионный тест или eval-кейс;
  • уточнение политики или инструмента только после доказанного повторяемого пробела (Skill Change Control).

Так Maintain становится входом следующего цикла, а не хвостом линейной схемы.

Что в playbook является примером, а не нормой

Рекомендации вроде 20–50 задач в eval-наборе, двух-трёх параллельных сессий и границ 1σ/2σ/3σ полезны как стартовые иллюстрации, но не переносятся без калибровки. Anthropic описывает собственный продукт и клиентскую практику; методики независимого сравнения и универсальных порогов публикация не даёт.

Связано с

  • ADLC — жизненный цикл самой агентной системы, а не разработки с помощью агента
  • Agent First Repository — почему договорённость должна стать доступным агенту артефактом
  • Agent Harness — где мягкая инструкция превращается в исполнимый gate
  • Evidence Spine — сквозная связь намерения, решения, действия и последствия
  • Generator Evaluator — внешний критерий и защита evaluator от генератора
  • Skill Change Control — почему инцидент сначала создаёт evidence и proposal