AI SDLC 脚手架，AI辅助软件开发仓库模板

我构建了一个开源仓库模板，为AI辅助软件开发带来结构化流程，从编码前阶段开始：目标、用户故事、需求、架构决策。它围绕Claude Code设计，但理念是工具无关的。我从事计算机科学研究和全栈软件工程25年，主要在初创公司工作。我在个人项目中一直使用这种方法，当我决定将其打包成脚手架以便更轻松地复用时，我认为它可能对其他人也有用。我将其发布在Apache 2.0许可下，可以fork并定制使用。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编码代理擅长编写代码，但当它们对要构建什么以及为什么有清晰上下文时，效果会更好。大多数项目直接跳转到实现阶段。这个脚手架为编码前阶段提供了结构化工作流程，并组织输出，使代理能够在不同会话中高效导航。工作原理：所有内容都位于仓库中，与源代码共存。AI指导分为三层，每层都针对上下文窗口使用进行了优化：1. 指令文件（CLAUDE.md, CLAUDE.<phase>.md）：始终加载，保持小巧。它们按层次结构组织，描述仓库结构，维护工件索引，并定义跨阶段规则，如可追溯性不变量。2. 技能（.claude/skills/SDLC-*）：按需加载。每个SDLC活动的逐步程序：需求获取、差距分析、架构起草、组件分解、任务规划、实现。3. 项目工件：随着工作进展积累的结构化Markdown文件：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，因为指令文件永久保留在上下文窗口中且必须精简，技能可以详细，因为它们只在调用时加载，而工件随项目扩展，但通过索引表导航而非完整读取。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），使代理能够定位所需内容而无需读取所有内容。决策捕获：在AI推理和人工反馈期间做出的决策被持久化为结构化工件，使其可审查、可追溯，并在会话间一致应用。类瀑布流：具有定义输出的顺序阶段。对人类团队来说繁琐，但AI代理不介意这种开销，明确的结构防止了不受约束的“直接开始氛围编码”失败模式。我的使用方式：简短、专注的会话。每个会话调用一个技能，产生输出，然后结束。知识组织意味着下一个会话可以无缝衔接而不丢失上下文。我发现技能之间的自由形式提示通常是工作流程缺失部分的标志。当前限制：我尚未找到将Figma MCP集成到工作流程中以导入现有UI/UX设计的好方法。欢迎建议。非常欢迎反馈、批评和贡献！