AI Engineering
AI Native 工作流：从想法到上线的协作方式
把 AI Coding 拆成目标定义、调研、方案、实现、测试、部署和运营七个阶段，明确人和 AI 的职责边界。
AI Native 工作流的重点不是“让 AI 写更多代码”，而是把工程过程拆成可委托、可检查、可回滚的任务。AI 负责扩展执行面，人负责方向、约束和验收。
七阶段流程
| 阶段 | AI 适合做 | 人必须负责 |
|---|---|---|
| 想法 | 梳理目标、用户、场景、竞品 | 判断是否值得做。 |
| 调研 | 收集资料、对比方案、生成问题清单 | 识别可信资料和关键假设。 |
| 方案 | 生成架构草案、接口设计、任务拆分 | 决定技术路线和边界。 |
| 实现 | 编码、重构、补测试、写文档 | 审查关键逻辑和安全风险。 |
| 测试 | 生成测试用例、复现 bug、写检查脚本 | 决定验收标准。 |
| 部署 | 生成部署脚本、排查构建问题 | 控制环境变量、权限和发布节奏。 |
| 运营 | 分析日志、整理反馈、生成迭代方案 | 决定优先级和产品方向。 |
实践原则
每个 AI 任务都要有输入、输出、约束和验收标准。没有验收标准的任务，生成得越快，返工越快。
最小可行协作模板
目标：我要完成什么
背景：当前项目、已有约束、关键文件
任务：请你具体做什么
限制：不要改哪些部分，不要引入哪些依赖
验收：完成后如何判断正确
输出：需要代码、计划、对比表还是测试结果适合先落地的场景
- README、API 文档、迁移说明。
- 小功能实现和 UI 原型。
- 单元测试、端到端测试、构建脚本。
- 代码审查和重构建议。
- 线上错误日志归因和修复方案。
AI Native 的核心不是自动化一切，而是让工程师从重复执行中释放出来，把注意力放在决策、验收和系统质量上。
讨论
继续讨论这篇笔记
有问题、补充案例或不同观点，可以通过 GitHub Discussions 继续交流。