用 AI-DLC 方法论做软件研发:一句话需求的全生命周期的实践

引言

你有没有想过，AI 不仅能帮你写代码，还能像一位经验丰富的架构师一样，引导你完成从需求分析到系统设计再到代码生成的完整开发流程？

今天我要分享的，是一次使用 AI-DLC（AI-Driven Development Lifecycle） 方法论开发桌面应用的真实实践。从一个简单的需求——"做一个能创建 Jira Issue 的桌面工具"——到最终生成完整可运行的代码，整个过程不到一个小时。

什么是 AI-DLC？

AI-DLC 是 AWS 提出的一种 AI 原生 的软件开发方法论。它不是在传统 Scrum 或 Kanban 上"贴"一层 AI，而是从第一性原理出发，重新思考：当 AI 成为开发的核心驱动力时，软件开发流程应该是什么样的？。

核心理念：重新想象，而非改装

AI-DLC 的第一原则就是"Reimagine Rather Than Retrofit"。传统方法论是为人类设计的——周为单位的迭代、大量的会议、手工编写的文档。而 AI 的速度和能力完全不同，它可以在几分钟内完成需求分析、架构设计和代码生成。

对话方向的反转

在传统开发中，开发者主动编写代码，AI 辅助补全。而在 AI-DLC 中，AI 主导对话方向，人类担任验证者和决策者。就像使用导航软件：你设定目的地（需求），AI 规划路线（设计方案），你在关键路口确认方向（审批节点）。

AI-DLC核心框架

在AI-DLC 框架中，AI通过结构化流程与人类协作，将业务意图转化为可部署的软件系统。

AI-DLC的核心框架包含三个维度，其中交付物构成了不同阶段衔接的桥梁文档。

交付物(ARTEFACTS): PRFAQs, User Stories, NFRs, Risks
阶段(PHASES): Inception 、Construction、Operation
角色(ROLES)：PO、Developers、AI 一起Mob Programming

核心概念：

**业务意图(Intent)：**流程起点，代表高层次业务需求
**工作单元(Unit)：**AI理解并分解意图后生成的独立任务包
**敏捷迭代周期(Bolt)：**执行工作单元的快速循环流程
**领域设计(Domain Design)：**业务逻辑经过建模后的结构化呈现
**部署单元(Deployment Unit)：**最终可交付的软件包

三个阶段

INCEPTION（启动）
确定"做什么"和"为什么做" ：需求分析、架构设计、工作分解
CONSTRUCTION（构建）
确定"怎么做" ：功能设计、代码生成、测试验证
OPERATIONS（运维）
确定"如何运行" ：部署、监控、维护

实战：用 AI-DLC 开发 SmartJira

下面是我这次开发的过程记录（只包括前两个阶段）。

背景

我有一个现有的 Python 项目——一个 Jira Issue 查询的命令行工具。现在我想把它扩展成一个桌面应用，新增两个核心功能：

创建 Jira Issue，支持模板设置，常用字段不用每次重复填写
从 Excel 批量创建，一键导入多个 Issue

Phase 1: INCEPTION — 启动阶段

工作区检测

AI-DLC 的第一步是"感知环境"。AI 自动扫描了我的工作区，识别出：

这是一个 Brownfield 项目（已有代码）
语言：Python
核心模块：JiraIssueFetcher 类
依赖：jira 3.8.0, requests 2.31.0

逆向工程

对于已有代码库，AI-DLC 会先进行逆向工程——理解现有系统的架构、API、依赖关系。这一步生成了 8 份文档，包括业务概览、架构图、代码结构、API 文档等。

这就是 AI-DLC 论文中提到的 "Elevate existing code into semantic-rich models"——将代码提升为语义丰富的模型，为后续设计提供上下文。

需求分析

AI 不是直接开始写代码，而是先提出了 7 个澄清问题：

新程序与现有代码的关系？
需要支持哪些字段？
模板存储方式？
Excel 格式要求？
错误处理策略？
界面语言？
配置方式？

这些问题以结构化的多选题形式呈现，我只需要选择选项即可。这正是 AI-DLC 的核心模式：AI 提出方案，人类做决策。

应用设计

基于我的回答，AI 设计了完整的组件架构：

9 个组件：MainWindow、4 个页面（查询、创建、批量创建、设置）、4 个服务（JiraService、TemplateManager、ExcelHandler、ConfigManager）
依赖关系图：清晰展示组件间的调用关系
文件结构规划：ui/、services/、templates/ 三层目录

工作单元分解

系统被分解为 4 个工作单元（Unit）：

单元	内容	依赖
Unit 1	基础框架与配置管理	无
Unit 2	查询功能	Unit 1
Unit 3	模板系统与 Issue 创建	Unit 1
Unit 4	Excel 批量创建	Unit 1, 3

这对应 AI-DLC 论文中的 Unit 概念——"Cohesive, self-contained work element"，每个单元都是内聚的、自包含的工作元素。

Phase 2: CONSTRUCTION — 构建阶段

功能设计

在写代码之前，AI 先为 Unit 1 生成了详细的功能设计：

业务逻辑模型（启动流程、配置合并规则、认证策略）
领域实体（AppConfig、ConnectionStatus）
业务规则（16 条验证和行为规则）

代码生成

然后按照 Unit 1 → 2 → 3 → 4 的顺序，逐步生成代码。每个单元完成后立即验证导入是否正常。

最终生成了 11 个源文件，涵盖：

完整的 PyQt6 GUI 应用
工具栏导航 + 页面切换
JSON 模板系统（加载/保存/删除）
Excel 导入 + 预览 + 校验 + 批量创建
异步操作（QThread + Signal）
配置管理（.env + GUI 双模式）

构建验证

ConfigManager OK, keys: ['jira_url', 'username', ...]JiraService OK, connected: FalseTemplateManager OK, templates: ['default']Default template loaded, fields: 11ExcelHandler OKAll components initialized successfully!

一次通过，零错误。

关键洞察

1. Operations 阶段：开发即生产的未来

这次实践中我没有走到第三阶段 OPERATIONS，因为 AI-DLC 目前还没有完整实现这个阶段——但这恰恰是最值得期待的部分。

传统研发流程中，开发环境和生产环境是严格分离的：开发→测试→预发→生产，每一步都有人工介入和环境切换。但我认为 AI 时代的终极形态是 开发即生产环境。当 AI 具备了足够的环境感知和自愈能力，它可以在检测到问题的瞬间自动接管运维——代码部署、异常检测、故障恢复、性能调优，全部在一个连续的闭环中完成。

开发和运维之间的那堵墙，终将被 AI 推倒。

2. 从"AI 交互式开发"到"AI 驱动开发生命周期"

当下大多数人使用 AI 写代码的方式，本质上是 AI 交互式开发——打开对话框，想到什么问什么，需求、设计、编码、调试随机穿插。今天让 AI 写个函数，明天让它改个 bug，后天又让它重构一段逻辑。没有全局规划，没有阶段划分，需求在对话中零散地冒出来，架构在一次次修补中逐渐变形。

这种模式在解决单点问题时很高效，但面对一个完整的软件项目时，它就像一场乱战——你永远不知道下一步该做什么，AI 也不知道整体方向在哪里。

AI-DLC 的本质区别在于：它给 AI 驱动的开发加上了生命周期的骨架。

同样是 AI 在干活，但 AI-DLC 下的 AI 知道自己处于哪个阶段、该产出什么、下一步去哪里。需求分析就是需求分析，不会突然跳去写代码；架构设计就是架构设计，不会中途去修 bug。每个阶段有明确的输入、输出和审批节点，整个流程有序推进。

	AI 交互式开发	AI-DLC
流程	无固定流程，随机穿插	阶段明确，有序推进
需求	对话中零散提出	结构化收集和分析
设计	隐含在代码中	显式输出设计文档
上下文	容易丢失和碎片化	文档承载，持续积累
质量	依赖人工把关	流程内建质量门禁

一句话总结：AI 交互式开发是让 AI 当你的手，AI-DLC 是让 AI 当你的参谋部。

3. 一个可定制的范式

AI-DLC 最有价值的地方在于：它是一个范式，而不是一个固定流程。

当前的三阶段（Inception → Construction → Operations）是一个基础框架，但你完全可以根据自己团队的实际情况去定制。比如：

在 Inception 和 Construction 之间加入 测试策略阶段，让 AI 先规划测试方案再写代码
在 Inception 之前加入 需求挖掘阶段，让 AI 帮你做用户调研、竞品分析、需求优先级排序
在 Operations 之后加入 持续优化阶段，让 AI 基于生产数据自动提出改进建议
根据项目类型调整每个阶段的深度——简单项目跳过设计直接生成，复杂项目加入安全评审和性能设计

这就是范式的力量：它给你一个思考框架，而不是一套死板的规则。你可以在这个框架上长出适合自己的开发流程。

结语

AI-DLC 代表了软件开发的一个新范式：AI 驱动，人类决策。它不是要取代开发者，而是让开发者从繁琐的实现细节中解放出来，专注于真正需要人类智慧的部分——定义问题、做出权衡、验证方向。

当 AI 能在一小时内完成从需求到代码的全流程时，开发者的核心竞争力就不再是"写代码的速度"，而是 "定义正确问题的能力" 和 "在关键节点做出正确判断的能力"。

这，或许就是软件开发的未来。

本文中的 SmartJira 项目使用 AI-DLC 工作流开发，从需求描述到可运行代码，全程由 AI 驱动、人类审批。

参考资料：

AI-Driven Development Lifecycle (AI-DLC) Method Definition, Raja SP, AWS
AI-DLC GitHub: https://github.com/kiro-community/powers/tree/main/aidlc

引言