您的代理上下文需要一个开发生命周期
内容提要
文章介绍了AI编程中的“上下文开发生命周期”（CDLC）框架，强调技能、代理配置等上下文资产需像代码一样管理。CDLC包含生成、评估、分发、观察四个阶段，但多数团队忽视评估和观察。文章提出通过减少人工干预和提升复用率来扩展规模，建议平台团队建立共享基础设施，以治理和工具支持上下文管理，最终实现更可靠的AI辅助开发。
延伸解读
上下文资产为何需要生命周期管理
文章指出，技能、代理配置、提示指令和规则文件等上下文资产，实际上决定了编码代理的输出质量，但多数团队并未像管理代码那样管理它们。这些资产会因模型更新或代码库演进而失效，却缺乏测试、版本控制和维护机制。将上下文视为代码，意味着需要引入生成、评估、分发、观察的完整生命周期，以应对回归、误报和过时假设等风险。
评估与观察：最易被忽视的关键环节
CDLC框架中，生成和分发是多数团队已具备的能力，但评估和观察常被跳过。评估类似测试驱动开发，需编写场景验证技能在不同模型下的表现；观察则监控技能使用率、开发者干预频率等信号。缺乏这两环，团队无法及时发现技能失效或错误触发，只能依赖开发者抱怨来被动修复，难以规模化提升上下文质量。
平台团队在上下文治理中的角色
文章建议平台团队将现有代码基础设施经验迁移到上下文管理，提供注册表、访问控制、评估基础设施、安全扫描和性能仪表板，并明确技能所有权。但平台团队不负责编写或修复技能，而是由领域团队负责。这种分工可避免“孤儿技能”问题，即开发者离职后技能无人维护，最终由平台团队被动承担。
衡量规模化成效的两个关键指标
文章提出两个超越传统DORA指标的度量：人工干预频率和复用倍数。人工干预频率越低，说明代理自主性越高，成本也越低；复用倍数则衡量单个技能改进能惠及多少开发者。这两个指标共同推动组织走向共享基础设施，因为只有通过共享、经过测试的上下文，才能减少人工干预并实现高复用，否则改进仅停留在个人层面。
Q&A
什么是上下文开发生命周期（CDLC）？
CDLC是一个框架，用于管理进入AI编码代理上下文窗口的上下文资产（如技能、代理配置、提示指令和规则文件）的质量。它包含四个阶段：生成、评估、分发和观察，类似于软件开发生命周期。
CDLC的四个阶段是什么？
CDLC的四个阶段是：生成（编写技能和配置）、评估（测试技能和配置）、分发（通过注册表或版本控制共享）、观察（监控使用情况和效果）。
为什么大多数团队在CDLC中跳过评估和观察阶段？
因为团队通常先关注生成和分发，而评估和观察需要额外投入。他们可能没有意识到这些阶段的重要性，或者缺乏工具和流程，导致技能未经测试就投入生产，直到出现问题时才被动应对。
如何衡量AI辅助开发的可扩展性？
通过两个指标：人工干预频率（human touch）和复用倍数（reuse multiplier）。人工干预频率衡量开发者在代理工作流中需要干预的次数，复用倍数衡量改进一个技能后有多少开发者受益。
平台团队在上下文管理中扮演什么角色？
平台团队负责提供共享基础设施，如技能注册表、访问控制、评估基础设施、安全扫描和仪表板。他们不编写或修复技能，而是提供治理层和工具，技能由拥有该领域的团队负责。
什么是“孤儿技能”问题，如何解决？
孤儿技能是指开发者编写并分享技能后，如果该开发者离开团队，技能可能无人维护。解决方法是制定所有权政策、维护要求和弃用路径，类似于管理孤儿GitHub仓库。
CDLC的观察阶段为什么重要？
观察阶段是CDLC中最不发达但最重要的阶段，因为没有它就没有学习系统。通过监控技能使用情况、开发者干预和输出质量，可以收集信号并反馈到生成和评估阶段，形成闭环改进。
CDLC如何与AI辅助开发的“暗工厂”愿景相关？
CDLC是实现“暗工厂”（即零人工干预的AI编码）的关键。通过投资于上下文、测试和可观测性基础设施，团队可以减少人工干预，使代理更可靠，从而接近无需阅读代码的状态。
