5阶段、33步、14个Agent：一文看懂AI-DLC的核心数字

5阶段、33步、14个Agent：一文看懂AI-DLC的核心数字

【免费下载链接】aidlc-workflowsAI-Driven Life Cycle (AI-DLC) adaptive workflow steering rules for AI coding agents项目地址: https://gitcode.com/GitHub_Trending/ai/aidlc-workflows

AI-DLC（AI-Driven Development Life Cycle，AI 驱动开发生命周期）是一个开源的 AI 编程 Agent 工作流框架：它把 Claude Code、Cursor、Codex 等 AI 编程助手变成结构化、可验证的软件交付流水线。整个框架可以用三个数字概括——5 个阶段、33 个步骤、14 个 Agent，外加 11 套工作流档案和 98 种审计事件。这篇文章不贴代码，带你用最少的篇幅看懂这套「数字背后」的完整方法论。🎯

一、关键数字速览：AI-DLC 的核心架构一览

先看这张官方给出的核心指标表（来源：docs/guide/00-introduction.md）：

一句话理解：引擎（engine）负责决定「下一步做什么」，指挥者（conductor）负责「把这一步做好」，14 个 Agent 负责扮演各个领域的专家角色。完整定义可参阅 AI-DLC-Workflows-2.0-Specification.pdf。

二、5 个阶段：从「一句话需求」到「线上运营」

AI-DLC 的生命周期由 5 个阶段组成，按顺序执行，每步都有专人负责。各阶段步骤文件都存放在 core/aidlc-common/stages/ 目录下，逐阶段展开如下（详细图表见 docs/guide/04-phases-and-stages.md）：

Phase 0：初始化（Initialization）— 3 步

这 3 步全自动执行，不到一秒完成，无需人工干预。

Phase 1：构思（Ideation）— 7 步

验证「这事值不值得做」：1.1 意图捕获 → 1.2 市场调研 → 1.3 可行性分析 → 1.4 范围定义 → 1.5 组队 → 1.6 粗糙原型 → 1.7 审批交接。其中只有意图捕获、范围定义、审批交接是必选（ALWAYS），其余按任务类型条件执行——比如修 bug 就不需要市场调研。🔍

Phase 2：孵化（Inception）— 9 步

把想法变成可执行的设计：2.1 逆向工程（老项目专属）→ 2.2 实践发现 → 2.3 需求分析 → 2.4 用户故事 → 2.5 精化原型 → 2.6 领域设计 → 2.7 工作单元拆解 → 2.8 契约设计 → 2.9 交付规划。这里的 2.7 是关键：把大任务拆成一张张「工作单元卡（Unit）」，后续开发按卡推进。

Phase 3：施工（Construction）— 7 步

真正的写代码阶段：3.1 功能设计 → 3.2 非功能需求 → 3.3 NFR 设计 → 3.4 基础设施设计 → 3.5 代码生成 → 3.6 构建与测试 → 3.7 CI 流水线。前 5 步按单元逐个跑，后 2 步在所有单元完成后一次性跑完，避免「一次性审 15000 行代码」的灾难。

Phase 4：运营（Operation）— 7 步

部署与持续运营：4.1 部署流水线 → 4.2 环境开通 → 4.3 部署执行 → 4.4 可观测性 → 4.5 事件响应 → 4.6 性能验证 → 4.7 反馈与优化。4.7 是终点站：批准后工作流结束，也可以反馈回路跳回 1.1 开启下一轮迭代。⚡

三、33 步的细节：执行模式与 3 道验证门

33 = 3 + 7 + 9 + 7 + 7。但「怎么跑」比「有多少」更有意思：

33 步的 4 种执行模式（来源：docs/guide/04-phases-and-stages.md）：

3 道验证门（Verification Gate）：在构思→孵化、孵化→施工、施工→运营三个阶段交界处，引擎会自动跑溯源检查——需求是否都有对应故事、产物是否都有引用、有没有「孤儿文件」。检查不过，流程会停下来让你决定：继续还是回退修复。这是 AI-DLC 区别于「随便聊聊就写码」的核心机制。

四、14 个 Agent：一支「小型全能队」

AI-DLC 的 Agent 名册遵循「小团队、宽能力」哲学（Small Mob, Broad Agents）——模仿人类团队 3-5 人搞定一个功能的做法，而不是造 30 个窄领域专家再互相传话。14 个 Agent 的完整定义见 core/agents/ 目录：

11 个领域专家 Agent

2 个评审员 + 1 个编排器

• aidlc-product-lead-agent：审需求、故事、原型——代表「客户视角」挑刺
• aidlc-architecture-reviewer-agent：审技术设计——代表「评审委员会」把关
• aidlc-composer-agent：自适应编排器。它评估你任务的「实现熵」（意图模糊度、结构不确定性、风险等 5 个分量），然后提议一份「最小可行执行清单」——哪些步骤该做、哪些可跳过，让你批准后才生效。

评审员只给结论（READY / NOT-READY）不改文件；施工阶段的对抗式评审最多循环 2 轮，且永远不阻塞——最终决定权在人类。

五、11 种工作流档案：同一套引擎，不同的仪式感

33 步不是每次都要跑满。AI-DLC 提供 11 种工作流档案（引擎里叫 scope，定义在 core/scopes/ 目录），按需裁剪路线：

选择方式很简单：用/aidlc <档案名>显式指定，或直接描述任务让 AI-DLC 推荐。完整对比见 docs/guide/workflow-profiles.md。

六、隐藏数字：98 种审计事件与全程留痕

每个任务（intent）都有独立目录：状态记录在aidlc-state.md，所有决策写入audit/分片，共98 种事件类型。这意味着你可以回答「这个设计决策是谁在什么时候、基于什么材料做的」——对需要审计留痕的团队来说，这是 AI 编程从「玩具」走向「生产力」的分水岭。📋

七、新手上路：从哪些文件读起？

结语：为什么是「5、33、14」？

这三个数字不是设计者的偏好，而是一套工程权衡的结果：5 个阶段覆盖了软件生命周期的完整闭环（含运营反馈）；33 步把每个阶段切成「有输入、有产物、有负责人、有审批」的原子单元，配合 11 种档案灵活裁剪；14 个 Agent用「宽能力小团队」替代「窄专家流水线」，减少交接损耗。理解这些数字，你就理解了 AI-DLC 的设计骨架——接下来，去跑一个/aidlc express试试吧。🚀

【免费下载链接】aidlc-workflowsAI-Driven Life Cycle (AI-DLC) adaptive workflow steering rules for AI coding agents项目地址: https://gitcode.com/GitHub_Trending/ai/aidlc-workflows