AI-DLC 工作流引擎
一套核心方法论，原生适配多款AI编码Agent，实现可验证、自我修正的软件开发生命周期。
证据显示有审批门控（用户确认）和审计日志，但权限最小化、数据流透明性、敏感数据处理、依赖安全、外部影响、回滚和来源归属均未充分说明。扣分：未提供权限最小化细节，未说明数据流和敏感数据处理，依赖安全未提及，外部影响未明确，回滚机制未描述，来源归属仅依赖未验证的发布者。
自一致性较好：README、CI、测试文件相互一致，但依赖可用性未验证（bun安装依赖外部网络），失败消息未充分展示。扣分：依赖可用性未验证，失败消息未在文档中明确。
受众和场景明确（多harness），能力边界有说明（阶段、代理、范围），触发精度高（命令和钩子），环境适配良好（多平台）。扣分：能力边界未完全明确，环境适配依赖外部工具。
信息架构清晰（README、docs、dist），安装说明详细，命名稳定（版本号），示例和FAQ有，已知限制有提及，许可证明确，版本变更日志存在但未详细，维护责任未明确。扣分：命名稳定性未完全保证，版本变更日志未详细，维护责任未明确。
输出可用性高（生成工作流），边际价值高（多harness），成本效益未充分评估。扣分：成本效益未提供数据。
声明可追溯（引用规范、博客），跨来源佐证有限（仅内部文档），事实与推断分离不明确。扣分：跨来源佐证不足，事实与推断分离不明确。
- 发布者身份未验证，需谨慎对待来源。
- 依赖bun安装，需确保网络环境安全。
- AI生成内容需人工审查，避免错误。
这个 Agent 能做什么，适合哪些场景？
AI-DLC Workflows 是 AWS 实验室（awslabs）推出的一套开源实现，将 AI-Driven Development Life Cycle 方法论落地为可执行的工程工作流。它由单一、与具体工具无关的 core/ 目录定义 5 个阶段、33 个流程步骤、14 个专职 Agent（含 11 位领域专家、2 位审查 Agent 和 1 位自适应编排器）以及 91 类审计事件，并通过每个 harness 的薄封装层，原生运行于 Claude Code、Kiro IDE、Kiro CLI、Codex CLI、Cursor 和 opencode，以及 GitHub Copilot。所有分布均由同一源码生成，采用 dist/ 目录交付，用户将其复制到自己的项目即可启用。每个流程步骤都设有审批门控，人工修正会沉淀为持久化行为规则，形成学习闭环。该实现默认采用经典 scope，支持 11 种自适范围、3 级深度和 3 级测试策略，并提供 CLI 工具来随时调整流程。
从 core/ 加载方法论定义（阶段、Agent、规则、知识），通过 harness 层适配各编码工具；用户安装后，在会话中以 /aidlc 命令起航，可配合 --doctor 验证。它会根据任务描述或扫描报告自动裁剪流程步骤（/aidlc compose），执行状态机驱动各阶段，调用 14 个 Agent（如领域专家、审查者）并行工作，每个阶段结束强制人工审批门控；期间记录 91 类审计事件，支持工作区恢复、跳转和重做。用户可调整 scope、depth 和 test strategy，并用 bun scripts/package.ts 重新生成所有 harness 分发。
- 需要从零构建生产级软件，且希望流程可审计、可治理的开发团队，可在 Claude Code 中简单安装后运行 /aidlc 开始。
- 已有多个编码工具并存（如 Claude Code、Cursor、Codex）的组织，希望通过同一套方法论统一 AI 编码流程，避免各自为政。
- 需要对 AI 生成的代码进行严格质量门控的企业用户，可借助内置的审查 Agent 和审批机制确保每个阶段可控。
- 希望将人工纠错沉淀为团队知识库的团队，通过学习循环将修正固化为规则，逐步提升 Agent 行为一致性。
- 需要在多种运行环境（如本地、CI/CD）下复用同一套工程流程的开发者，可一键切换 harness 而不改变方法论。
这个 Agent 有哪些优点和局限？
- 单一方法论源码 core/ 自动生成所有 harness 分发，保证各工具一致性和维护成本低。
- 内置 91 类审计事件和审批门控，适合企业级可追溯性需求。
- 支持多款主流编码工具（Claude Code、Codex、Cursor 等），灵活适配团队现有生态。
- 学习循环能将人工纠错固化为行为规则，持续改进 Agent 表现。
- 要求安装 bun 并置于非交互 shell 的 PATH，对 Windows 用户需额外配置。
- 默认配置面向 AWS Bedrock，需要 AWS 账号并开通模型访问，可能增加云成本。
- 对弱模型表现不佳，推荐使用 Claude Opus 4.8，可能需付费订阅（如 Kiro 计划）。
- 流程较重，包含大量审批阶段，对小型快速迭代项目可能显得繁琐。
如何安装或部署这个 Agent？
- 安装 bun（所有 harness 的运行时要求）：macOS/Linux 执行 curl -fsSL https://bun.sh/install | bash，Windows PowerShell 执行 irm bun.sh/install.ps1 | iex。2. 克隆主分支：git clone --branch main https://github.com/awslabs/aidlc-workflows.git。3. 按目标 harness 执行复制命令，例如 Claude Code 执行 cp -r dist/claude/.claude/ 到项目，以及 cp -r dist/claude/aidlc/ 到项目，并合并 AGENTS.md 和 .gitignore。
如何使用这个 Agent？
以 Claude Code 为例：在项目根目录启动 claude，在会话中输入 /aidlc --doctor 验证安装，再输入 /aidlc Build a task management API with user authentication 启动工作流。之后遵循审批门控推进各阶段，可用 /aidlc 系列命令查看状态、跳转或调整 scope/depth。
这个 Agent 与同类方案有什么区别？
与 ad-hoc AI 编程方式相比，AI-DLC 引入结构化门控、角色分工和知识沉淀，解决了上下文漂移和决策无记录的问题；但同样作为编码代理框架，需对比其他如 GitHub Copilot workspace 等，不过目前没有明确证据。