iT邦幫忙

2025 iThome 鐵人賽

DAY 3
3
生成式 AI

AI-Driven Development - 個人開發者的敏捷實踐系列 第 3

Day 3 - AWS AI-DLC 方法論 - 重新定義軟體開發生命週期

  • 分享至 

  • xImage
  •  

這篇是我鐵人賽系列的第 3 天。今天用研究生可讀的深度,帶你快速掌握 AI-Driven Development Lifecycle(AI-DLC):它為什麼而生、怎麼運作、和傳統敏捷有何不同、如何在你的團隊落地。

2025 年,AWS 首席解決方案架構師 Raja SP 正式提出了一個全新的軟體開發方法論:AI-Driven Development Lifecycle(AI-DLC)。這個方法論誕生的背景很有意思:

  • 傳統敏捷(Agile/Scrum)是在 沒有 AI 的時代設計的,預設所有需求分析、任務拆解、設計、開發、測試都必須由人類完成。
  • 但生成式 AI(像 LLM)興起後,AI 已經能做更多事——從需求澄清、架構建議到程式碼和測試生成。
  • 如果只是把 AI 當「附屬工具」塞進舊流程,效率往往不升反降,還固化了低效的儀式。

因此 Raja SP 提到了一句筆者個人非常喜歡的一句話:

We need automobiles and not the faster horse chariots

「當我們需要汽車時,不該執著於打造更快的馬車」,我們需要從零開始,用 AI 為前提,重新設計整個軟體開發生命週期。

https://ithelp.ithome.com.tw/upload/images/20250903/20149301oqyPChkRsG.png

TL;DR

  • AI-DLC 不是把 AI 當小助手,而是把 AI 放到主駕駛座,由 AI 主動規劃、分解、生成,人類負責監督與決策
  • 它用 Unit(工作單元) + Bolt(超短迭代) 取代 Epic + Sprint,讓開發節奏從「週」縮到「小時 / 天」。
  • 三階段:Inception → Construction → Operations;每一階段的產出都會沉澱成可累積的上下文,讓下一階段更快更準。
  • 與傳統敏捷/AI 輔助不同:AI 不再是被動工具,而是會提問、會規劃、會交付的「隊友」。

為什麼需要 AI-DLC?

上一篇我們提到了敏捷開發的瓶頸 (Day 2 - 為什麼敏捷開發沒有解決根本問題 - 從流程改革到工具革命

傳統敏捷(Scrum)建立於「所有智力工作都由人完成」的前提:

  • 2–4 週 Sprint、每日站會、故事點估算、會議對齊……這些儀式雖然有效,但 時間成本高溝通摩擦大,很多產出只是為了「管理透明」而非「價值交付」。
  • 在這種框架下,開發週期往往卡在需求定義、估算、交接這些人力環節,導致速度提升的天花板很快就出現。

近年 LLM(大語言模型)的能力已經超越單純的「程式 auto-complete」:

  • 主動拆解需求、提出設計建議,並在幾秒內生成可執行程式碼與測試。
  • 甚至能跨階段維護上下文,讓架構決策、需求意圖一路貫穿到部署與營運。

如果還是把 AI 當「附加外掛」放在舊流程裡,問題會更嚴重:

  • 低效被放大:原本就慢的需求澄清與溝通環節,仍然需要週級別的迭代來「兜一圈」。
  • 價值被浪費:AI 生成的產物,最後還要「嵌回」人類既有流程,常常變成一堆額外文件或孤立的代碼。
  • 決策延遲:AI 能即時產出,但團隊還要等到下個會議才處理,反而抹殺了 AI 的即時性。

AI-DLC 的主張:把 AI 當成「流程的主駕駛」,由 AI 主動規劃、分解、生成,人類只在關鍵點拍板。

這樣有幾個好處:

  • 速度提升數量級:週級迭代縮到小時/天級 Bolt,開發週期直接壓縮一個數量級。
  • 品質內建:AI 生成即含測試與文件,缺陷更早暴露;上下文不斷累積,避免資訊遺失。
  • 人類價值上移:工程師從「手動輸入產出」轉為「決策、把關與創新」,專注在真正需要 trade-off 的地方。

AI-DLC 的核心理念:對話方向逆轉

傳統模式 vs AI-DLC 模式

傳統模式

人類 → AI
「幫我生成一個登入功能的程式碼」

AI-DLC 模式

AI → 人類
「基於您的需求,我建議採用 OAuth 2.0 實作。 請問主要用戶是誰?需要支援哪些登入方式?」

重點是:AI 執行 + 人類監督,而不是 人執行 + AI 補位

AI-DLC 的三大階段

Inception(構思階段)- Mob Elaboration

目標:把模糊的 Business Intent 變成明確的 Units of Work(工作單元)。

方式Mob Elaboration(集體細化)

  • 產品負責人描述意圖(Intent)。
  • AI 發問:使用者是誰?成功指標?限制條件?
  • AI 拆解為多個 Units(可驗收的功能/子問題),並擬定 Bolt 計畫與風險。

輸出(累積到 repo / 知識庫)

  • 明確化需求(User Stories、Constraints)
  • Units 清單(含驗收標準 / Definition of Done)
  • 初步計畫(Bolts 時間盒、依賴關係)

在這個階段,AI 扮演「需求分析師」的角色,例如:

產品負責人:「開發一個產品交叉銷售的推薦引擎」

AI:「讓我幫您細化這個需求:

  1. 主要使用者是誰?
  2. 需要實現哪些關鍵業務成果?
  3. 有什麼技術限制嗎?」

[經過對話後,AI 將需求拆解為]

  • Unit 1: 使用者資料蒐集
  • Unit 2: 推薦算法選擇
  • Unit 3: API 介接

Construction(建構階段)- Mob Programming

目標:把 Units 變成可運行的系統程式。

方式Mob Construction / Mob Programming

  • AI 擬定架構與領域模型(可內建 DDD)
  • AI 同步生成程式碼 + 測試(可內建 TDD/BDD 思維)
  • 人類 Check:批准架構決策、做關鍵 trade-off、審核 PR、優化。

輸出

  • 架構與設計工件(ADR、設計圖、資料模型)
  • 程式碼與對應測試、文件
  • 可部署的系統

AI 在這個階段同時扮演多個角色(可透過 Claude Code AI Sub-Agent 達成):

  1. 系統架構師:根據需求自動套用 DDD(領域驅動設計)原則
  2. 程式設計師:生成程式碼和對應的測試案例
  3. 品質守門員:自動撰寫測試

Operations(營運階段)- AI 監控與優化

目標:穩定上線、可觀測、可優化。

方式AI 監控遙測,自動提出處置建議

  • 生成/維護 IaC(基礎設施即程式碼)
  • 觀測指標(Metrics / Logs / Traces)異常偵測 + 建議(水平擴展、回滾、調整)
  • 人類審核後決策執行,形成 Playbook 與事後回饋

輸出

  • 部署文件、SLO/SLA 追蹤、事後檢討(Postmortem)
  • 營運知識寫回 Inception/Construction 的上下文

從 Sprint 到 Bolt:速度的革命

https://ithelp.ithome.com.tw/upload/images/20250903/20149301gHLKZUqyL6.png

實際案例:To-Do List 桌面版的開發

  • 傳統方式:3-4 個 Sprint(6-8 週)
  • AI-DLC:3 個並行 Bolt(3-5 天)

角色分工(人與 AI 怎麼配合?)

AI

  • 主動規劃(計畫草案、風險識別、澄清問題)
  • 生成(需求文件、設計、程式、測試、IaC)
  • 監控與建議(異常偵測、容量/成本/效能優化提案)

人類

  • 定義意圖與約束、關鍵決策
  • 做 trade-off(成本/風險/規範/體驗)
  • 驗證與審核(架構、PR、上線與 Rollback)
  • 建立與調整團隊規則與風格(DDD/TDD/安全守則)

AI-DLC 的 10 大核心原則

  1. 對話方向逆轉:AI 發起對話,人類審核批准
  2. 將設計技術融入核心:DDD、TDD、BDD 成為內建規範
  3. 與 AI 能力對齊:承認 AI 限制,人機互補
  4. 從衝刺轉向 Bolt:擁抱高速迭代
  5. Unit 取代 Epic:更細粒度的任務劃分
  6. Mob 協作模式:團隊實時共同參與
  7. 語義強化流程:逐階段累積上下文
  8. 跨領域協作:打破職能代溝
  9. 持續交付:從週級到小時級
  10. 人類決策:開發者成為 AI 產出的決策人

給 AI 的實戰 Prompt(直接複製可用,可根據需求更改)

## Setup Prompt for AI-DLC

We will work on building an application today. 
For every component, I want you to:

1. First, ask clarifying questions about requirements
2. Propose a plan and get my approval  
3. Apply DDD principles automatically
4. Generate both code and tests
5. Suggest optimizations proactively

Throughout our session:
- Lead the conversation
- Break down complex tasks into Units
- Work in rapid Bolts, not long Sprints
- Keep context across all phases

對個人開發者的啟示

雖然 AI-DLC 是企業級框架,但它的核心理念對個人開發者極具價值:

  1. 讓 AI 主導對話:不要只把 AI 當工具,讓它成為你的顧問
  2. 擁抱快速迭代:用 Bolt 思維取代傳統的長週期開發
  3. 自動化最佳實踐:讓 AI 幫你執行 DDD、TDD 等規範
  4. 專注高價值工作:把重複性工作交給 AI,你負責創新和決策

結語

AI-DLC 的核心不是炫技,而是改變重力方向

  • 讓 AI 去做它擅長的「頻繁、重複、可標準化」工作;
  • 讓人類把腦力留給「策略、權衡、創意」。

當你把「會提問、會規劃、會交付」的 AI 放到主駕駛座,開發速度與品質不是二選一
今天就用一個小功能試試 Bolt,你會感受到節奏被徹底改寫。

參考資料

https://aws.amazon.com/tw/blogs/devops/ai-driven-development-life-cycle/
https://prod.d13rzhkk8cj2z0.amplifyapp.com/


上一篇
Day 2 - 為什麼敏捷開發沒有解決根本問題 - 從流程改革到工具革命
下一篇
Day 4 - AI-DLC Sprint 變形記 - 從個人到團隊的敏捷 AI 開發框架
系列文
AI-Driven Development - 個人開發者的敏捷實踐4
圖片
  熱門推薦
圖片
{{ item.channelVendor }} | {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言