AI驱动开发 (AI-DLC) 实战经验分享：重构人机协作的上下文工程

在过去的一年里，我们经历了从"AI 辅助写代码"到"AI 驱动全链路开发"的范式转变。这就是我们正在实践的 AI-DLC (AI-Driven Life Cycle)。

传统的 AI 编程往往面临一个核心痛点：上下文丢失与幻觉。AI 不知道我们的业务逻辑、不知道我们的组件库规范、更不知道我们那些"约定俗成"的架构决策。

今天我要分享的 AI-DLC 实战，核心在于通过结构化的上下文工程（Context Engineering） ，利用 myproject 中定义的规则体系，让 Agent 真正理解我们的业务，实现从需求分析到代码落地的全自动化闭环。

我们的 AI-DLC 体系并非简单的问答，而是一个严密的流水线。基于我们目前的实践（参考 aidlc-rules 架构），核心流程概括为以下三步：

功能点： 根据代码逆向分析模板+数据+方法+参数的多文件进行 Steering 的按需索引。

在 inception/reverse-engineering.md 中，我们定义了 AI 如何"读懂"现有项目。这不仅仅是读取文件，而是语义化的知识提取。

实战逻辑：
- 扫描 (Discovery)： AI Agent 首先扫描 package.json、infrastructure 以及核心业务包，识别项目 DNA。
- 结构化提取： 我们要求 AI 按照"模板(Template) + 数据(Data) + 方法(Method) + 参数(Params)"的四维结构，将散落在代码中的逻辑逆向还原为 Markdown 文档。
- Steering 索引化： 这些生成的文档（如 architecture.md, api-documentation.md）会被自动转化为 Kiro 的 Steering Files （见 Steering - IDE - Docs - Kiro.pdf）。
价值： 这意味着当我们在后续对话中提及"用户模块"时，AI 不是在瞎猜，而是自动索引到了该模块的精确数据结构和业务约束。

功能点： 根据逆向后得到的文档+设计稿+代码给到 Agent，生成业务专项的 Kiro Power。

这是 AI-DLC 中最"魔法"的一步。我们不再通用地使用 AI，而是现场生成一个专精于当前业务的专家 Agent。

输入要素：
- 逆向文档： 上一步生成的系统现状（As-Is）。
- 设计稿/需求： 新功能的视觉与交互定义（To-Be）。
- 代码规范： myproject/aidlc-rules 中的 common/ascii-diagram-standards.md 或 construction/code-generation.md 等规则。
Agent 动作： 主 Agent (Master Agent) 消化这些信息，利用 MCP (Model Context Protocol) 上下文控制技术，生成一个轻量级的、针对该业务场景的 Kiro Power (Skill)。
产物： 一个包含特定 Prompt 预设、规则约束的 Sub-Agent。例如，它"脑子"里已经固化了"所有的 List 组件必须使用虚拟滚动，且样式必须符合 AntD 定制主题"的死规则。

功能点： 根据业务专项 Kiro Power 生成对应组件。

最后一步是落子无悔的执行。

实战演示：
- 我们调用刚刚生成的 业务专项 Power。
- 指令极其简单："生成订单列表组件"。
- 因为 Power 内部已经内嵌了逆向分析得到的"API 数据结构"和"设计稿样式规范"，它生成的代码是**开箱即用（Ready-to-Commit）**的。
质量保障： 根据 construction/build-and-test.md 规则，生成的组件不仅仅是 .vue 或 .tsx 文件，还包含配套的单元测试（Unit Test）和 Storybook 预览配置，直接对齐 aidlc-rules 中的验收标准。

为了支撑上述流程，我们在 myproject 中维护了一套严密的规则库（Rule Set），这是 AI 的"宪法"：

Inception (启动阶段)：
- workspace-detection.md：让 AI 自动判断是存量项目（Brownfield）还是新项目（Greenfield），决定是否触发逆向工程。
- requirements-analysis.md：强制 AI 在写代码前，必须先生成 ASCII 流程图进行逻辑确认（参考 ascii-diagram-standards.md）。
Construction (构建阶段)：
- code-generation.md：定义了代码生成的具体"味道"。例如：禁止使用 any 类型，必须遵循函数式编程范式等。
- error-handling.md：统一了全项目的错误处理模式，避免 AI 随意 try-catch。
Kiro Steering 配置：
- 通过 .kiro/steering/ 目录，我们将上述 markdown 规则"喂"给 IDE。
- 实战技巧：我们利用 coding-agent-skills 插件（参考笔记资料），在 Claude Code 中通过 /skills 命令动态加载这些规则，实现了上下文的极度精简与精准。

结合《AI编程在软件工程中的应用》笔记，我们在推进 AI-DLC 时总结了以下几点：

上下文即代码 (Context is Code)： 不要把 Prompt 藏在聊天记录里。把业务规则写进 Markdown，放入 aidlc-rules，让它们像代码一样被版本管理、被 AI 读取。
区分"思考"与"执行"： 在配置 Kiro Power 时，明确区分 Master Agent （负责规划、分发任务，保留主线上下文）和 Sub-Agent（负责具体写代码，使用独立上下文）。这能有效避免上下文过长导致的 AI 降智。
拥抱"逆向工程"常态化： 每次迭代开始前，务必运行一次逆向工程脚本。保持 AI 认知的代码库状态与 Git 仓库的实际状态实时同步，是减少"幻觉 bug"的最有效手段。

各位，AI-DLC 不仅仅是工具的升级，更是开发思维的升级。

行动项： 请大家 Clone myproject 仓库，运行 npm run aidlc:init（假设指令），体验一次从"逆向分析"到"组件生成"的完整闭环。
目标： 下个季度，我们的目标是将业务专项 Kiro Power 的复用率提升至 30% 以上，真正实现"描述即开发"。