AI Native Pipeline：从需求到代码的全自动开发流水线

一个人，一个指令，完成从需求分析到代码验收的全流程。

每次手动复制需求文档给 AI、等它生成代码、再手动测试——Agent 编排太复杂：Agent 之间信息传递不清晰，改了一个 Agent 不知道效果变好还是变坏，用户不知道 Agent 在干什么。

能不能做一个简单的、可追溯的、可评估的开发流水线？

核心设计

一个流程，五个节点

用户需求
    │
    ▼
┌─────────────────┐
│ impact-analyzer │ ← 代码影响分析
└────────┬────────┘
         │ Impact Map
         ▼
┌─────────────────┐
│   prd-agent     │ ← 需求分析
└────────┬────────┘
         │ Task Spec + PRD
         │ [PAUSE] Planning Gate
         ▼
┌─────────────────┐
│   spec-agent    │ ← 技术规格
└────────┬────────┘
         │ API + 数据模型
         ▼
┌─────────────────┐
│ coding-agent    │ ← 代码实现
└────────┬────────┘
         │ 代码 + 测试
         │ [PAUSE] Planning Gate
         ▼
┌─────────────────┐
│ verification    │ ← 自动验证
│   -agent        │
└────────┬────────┘
         │
         ▼
    完成 ✅

为什么是这 5 个节点？因为这是人类开发的自然流程：

先看影响 - 改代码前，先知道会影响哪些文件
再写需求 - 明确要做什么，验收标准是什么
设计方案 - API 怎么设计，数据模型是什么
写代码 - TDD 模式，先写测试再写实现
验证验收 - 跑测试、Lint、类型检查

Planning Gate：关键节点人工确认

AI 可以做很多事，但关键决策必须由人确认。

[Step 2/5] 分析需求...
  ✅ P0: JWT Token 生成/验证
  ✅ P1: Token 刷新
  
  [PAUSE] 确认需求? [y/n]

这个设计借鉴了 OpenAI 的 Harness Engineering 实践：

Planning Gate 在关键节点暂停
用户确认后才继续
避免错误假设累积

Task Spec：单一事实源

每个 Agent 都会往 Task Spec 里写内容：

# Task Spec: 手机号登录

## 上下文（来自 impact-analyzer）
- Core Files: src/auth/session.py
- Risks: authenticate() 被 12 处调用

## 需求（来自 prd-agent）
- P0: 手机号 + 验证码登录
- 验收标准: 登录成功返回 JWT

## 技术决策（来自 spec-agent）
- API: POST /api/auth/login
- 为什么用 JWT: 项目已有 JWT 工具类

## 实现记录（来自 coding-agent）
- 新增: src/auth/phone_login.py
- 修改: src/auth/session.py

这样后续 Agent 就能看到完整上下文，而不是只看到上一个 Agent 的输出。

关键实现

Impact Map：代码影响分析

增量开发最难的是：不知道改了会破坏什么。

Impact Map 解决这个问题：

## Impact Map: 手机号登录

### Core Files (可修改)
- `src/auth/session.py` - SessionManager
- `src/auth/middleware.py` - authenticate()

### Dependent Files (不可破坏)  
- `src/api/routes/*.py` - 12 处调用 authenticate()
- `tests/auth/` - 23 个测试

### Boundary (不可触碰)
- `src/payments/` - 独立认证
- `src/admin/auth.py` - 管理员认证

### Risks
- 🔴 authenticate() 被 12 处调用，签名变更需全量修改

三类文件，清晰明确：

Core Files - 本次改动的目标
Dependent Files - 被影响，不能破坏
Boundary - 绝对不能碰

自动验证：从 Spec 推断验收标准

传统做法：人工写验收标准

verifications:
  - type: test
    command: pytest tests/auth/ -v

我们的做法：从 Spec 自动推断

spec 定义: POST /api/auth/login
→ 自动添加验证: curl 测试登录接口

spec 定义: 数据模型 User
→ 自动添加验证: 检查数据库 schema

这样用户不需要懂测试，Agent 自动生成验收标准。

实际效果

场景 1：增量开发

/pipeline 在现有登录模块基础上，增加 JWT 认证

执行过程：

[Step 1/5] 分析代码影响...
  ✅ Core Files: src/auth/session.py, src/auth/middleware.py
  ⚠️ Risks: authenticate() 被 12 处调用

[Step 2/5] 分析需求...
  ✅ P0: JWT Token 生成/验证
  ✅ P1: Token 刷新
  
  [PAUSE] 确认需求? y

[Step 3/5] 设计技术方案...
  ✅ POST /api/auth/login
  ✅ PyJWT + HS256

[Step 4/5] 编写代码...
  ✅ src/auth/jwt_manager.py
  ✅ tests/auth/test_jwt.py
  
  [PAUSE] 查看代码改动? y

[Step 5/5] 运行验证...
  ✅ 23 tests passed
  ✅ No lint errors

✅ 完成！

场景 2：全新项目

/pipeline 用户需要一个待办事项应用，包含增删改查功能

全新项目时，impact-analyzer 会跳过分析，建议参考现有项目结构。

技术栈

Claude Code Plugin - 作为运行时
Markdown 文件 - Agent 之间传递信息
Bash + Grep - 代码分析（无外部依赖）
GitHub Actions - CI/CD + Agent 评估

下一步

更强的代码分析 - 更精准的影响范围
更好的上下文传递 - 让每个 Agent 看到完整决策链
更智能的验证 - 自动推断更多验收标准

项目地址: https://github.com/afine907/ai-native-pipeline

下一篇: AI Native Pipeline 踩坑实录

核心设计​

一个流程，五个节点​

Planning Gate：关键节点人工确认​

Task Spec：单一事实源​

关键实现​

Impact Map：代码影响分析​

自动验证：从 Spec 推断验收标准​

实际效果​

场景 1：增量开发​

场景 2：全新项目​

技术栈​

下一步​