AI原生工程实践：AI工程师与前沿部署工程师如何利用Claude Code、Codex和Gemini进行开发
内容提要
本文介绍AI原生软件开发生命周期（SDLC）框架，涵盖计划、设计、构建、测试、部署、维护六阶段。核心是通过意图、规格、计划等文档驱动开发，将瓶颈从编码转向审查。文章对比Claude Code、Codex和Gemini CLI三种工具的实现，并展示单人工程师如何利用该模式覆盖五人团队工作，强调自动化测试、分层审查和监控反馈闭环的重要性。
延伸解读
瓶颈转移：从编码到审查
文章指出，当AI代理能快速生成代码时，开发瓶颈从编码转向计划、审查/测试和部署。这意味着团队需要重新分配精力，加强这些环节的工程严谨性，否则快速构建反而可能因计划模糊或审查不足而带来风险。
工具趋同与差异
Claude Code、Codex和Gemini CLI在核心机制上趋同：都有记忆文件、可复用提示系统、审批模式和CI Action。但差异在于Slack集成：Claude和Codex有官方应用，而Gemini CLI缺乏，这影响维护阶段的自动化响应，需提前规划替代方案。
文档驱动开发的价值
框架强调通过intent.md、spec.md、plan.md等文档驱动开发，形成可审计的轨迹。这有助于减少误解，使审查更高效。但需注意，文档本身不能替代人类判断，尤其在涉及关键代码时，仍需人工审批。
Q&A
什么是AI原生软件开发生命周期（SDLC）？
AI原生SDLC是Anthropic Applied AI团队在2026年提出的框架，它保留了传统SDLC的六个阶段（计划、设计、构建、测试、部署、维护），但核心是工件驱动开发：每个阶段产生一个可版本控制的文档（如intent.md、spec.md、plan.md），供下一阶段读取。该框架强调当AI能快速编写代码时，瓶颈从编码转移到计划、审查和部署等人类速度的环节。
AI原生SDLC中，瓶颈如何从编码转移到其他环节？
在传统SDLC中，构建（编码）是最耗时的部分。但在AI原生SDLC中，AI代理能快速生成代码，因此瓶颈转移到构建阶段左右两侧的步骤：计划、审查/测试和部署，这些步骤仍以人类速度运行。如果计划模糊、测试和审查未扩展、部署仍手动，快速构建会导致错误快速传播、审查成为新瓶颈或部署无法跟上。
Claude Code、Codex和Gemini CLI在实现AI原生SDLC时有哪些主要差异？
三者都提供记忆文件（CLAUDE.md、AGENTS.md、GEMINI.md）、可复用提示系统（子代理/技能、技能、扩展）、审批模式（权限模式、沙箱+审批策略、审批模式）和GitHub Action。主要差异在于：Claude Code和Codex有官方Slack集成，而Gemini CLI没有；Claude Code有本地钩子（Hooks）用于持续测试，Codex和Gemini CLI更依赖CI；Gemini CLI的扩展机制更一体化。
在AI原生SDLC中，如何编写有效的intent.md文件？
intent.md应包含：请求者信息、原始请求（不清理）、解决的问题、为什么现在做、已知约束、明确不在范围内的事项。关键是区分“他们说了什么”和“这解决什么问题”，并记录触发原因（如生产事故）。这样能减少误解，并为后续设计提供清晰依据。
AI原生SDLC中，测试阶段如何实现持续验证？
测试阶段强调“持续评估贯穿实现”，而不是单独的阶段。Claude Code通过Hooks在每次文件编辑后自动运行测试，失败则阻止代理继续。Codex和Gemini CLI主要通过CI中的代码审查（如/review、自动审查）来验证。此外，可以使用Git pre-commit钩子作为本地替代。测试结果应附加到具体提交，以便追溯。
在AI原生SDLC中，部署阶段如何实现分层审查？
部署阶段采用“分层代理审查，人类审查保留给受监管和关键代码”。所有三个工具都提供GitHub Action（如anthropics/claude-code-action、openai/codex-action、google-github-actions/run-gemini-cli）在PR上运行代理审查。此外，Claude Code有Code Review服务，Codex有/review命令和自动审查，Gemini Code Assist通过配置文件进行五维审查。人类审批应基于变更影响范围，关键变更（如数据库迁移、支付）必须人工批准。
AI原生SDLC中，维护阶段如何闭环到计划阶段？
维护阶段通过监控带（bands.yaml）定义指标的可接受范围，当指标超出范围时，触发操作（如打开事故）并设置write_intent: true，自动生成新的intent.md，链接到事故记录，从而启动新的计划周期。这实现了从监控到计划的闭环，而不是传统的事后复盘。
单个工程师如何利用AI原生SDLC覆盖五人团队的工作？
文章提到，通过AI原生SDLC，单个工程师可以覆盖传统五人团队的工作。具体方法包括：使用工件驱动开发确保清晰的需求和设计，利用AI代理快速构建，通过自动化测试和分层审查保证质量，以及通过监控闭环自动触发新工作。文章还提到GitHub Octoverse报告显示近80%的新开发者使用AI，但未详细展开单人实践案例。
