24小时热榜

我创建了一个开源的模板库，为人工智能辅助的软件开发提供结构，涵盖从编码前的各个阶段：目标、用户故事、需求、架构决策。 这个模板围绕Claude Code设计，但其理念不依赖于特定工具。我在计算机科学领域担任研究员和全栈软件工程师已有25年，主要在初创公司工作。我在个人项目中已经使用了这种方法一段时间，当我决定将其打包成一个更易于重用的框架时，意识到这对其他人也可能有帮助。我将其发布在Apache 2.0协议下，欢迎你进行分叉并将其变为你的项目。 你可以轻松尝试：按照README中的说明开始使用。 它解决的问题： AI编码代理在编写代码方面表现出色，但当它们对要构建的内容及其原因有清晰的上下文时，工作效果更佳。大多数项目直接跳入实现阶段。这个框架为编码前的各个阶段提供了结构化的工作流程，并组织输出，以便代理能够在不同会话中高效导航。 它的工作原理： 所有内容都存放在库中，与源代码并列。AI指导分为三个层次，每个层次都针对上下文窗口的使用进行了优化： 1. 指令文件（CLAUDE.md，CLAUDE.<phase>.md）：始终加载，保持简洁。它们按层次结构组织，描述库结构，维护工件索引，并定义跨阶段规则，如可追溯性不变式。 2. 技能（.claude/skills/SDLC-*）：按需加载。每个SDLC活动的逐步程序：需求引导、差距分析、架构草拟、组件拆分、任务规划、实施。 3. 项目工件：结构化的Markdown文件，随着工作进展而积累：利益相关者、目标、用户故事、需求、假设、约束、决策、架构、数据模型、API设计、任务跟踪。通过索引选择性访问。 这种分离很重要，因为指令文件在上下文窗口中永久存在，必须保持简洁；技能可以详细描述，因为它们仅在被调用时加载；而工件随着项目的进展而扩展，但通过索引表进行导航，而不是全部阅读。 关键设计选择： 上下文窗口效率：工件集合使用Markdown索引表（单行描述和触发条件），使代理能够在不阅读所有内容的情况下找到所需信息。 决策捕获：在AI推理和人类反馈过程中做出的决策被保留为结构化工件，以便于审查、追溯，并在不同会话中一致应用。 瀑布式流程：定义输出的顺序阶段。对人类团队来说可能繁琐，但AI代理不介意这种开销，明确的结构防止了不受约束的“随意编码”失败模式。 我的使用方式： 短小而集中的会话。每个会话调用一个技能，产生输出，然后结束。知识的组织方式使得下一个会话能够在不失去上下文的情况下继续进行。我发现技能之间的自由形式提示通常表明工作流程缺少某个环节。 当前局限性： 我还没有找到一个好的方法将Figma MCP集成到工作流程中，以导入现有的UI/UX设计。欢迎提出建议。 欢迎反馈、批评和贡献！