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。

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」：

• 能主動拆解需求、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

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/