AI SDLC 脚手架，AI輔助軟體開發的儲存庫模板

我建立了一個開源儲存庫模板，為AI輔助軟體開發帶來結構化流程，從編碼前階段開始：目標、使用者故事、需求、架構決策。雖然圍繞Claude Code設計，但概念是工具無關的。我擔任電腦科學研究員和全端軟體工程師已25年，主要在初創公司工作。我在個人專案中使用這套方法一段時間後，決定將其打包成便於重複使用的脚手架，覺得可能對其他人也有幫助。我以Apache 2.0授權發布，歡迎fork並改造成適合你的版本。你可以輕鬆試用：按照README中的指示開始使用。它解決的問題：AI編碼代理擅長編寫程式碼，但當它們清楚知道要建構什麼及原因時，表現會更好。大多數專案直接跳入實作階段。這個脚手架為編碼前階段提供結構化工作流程，並組織輸出內容，讓代理能在不同工作階段中有效導航。運作方式：所有內容都與原始碼一同存放在儲存庫中。AI指導分為三層，每層都針對上下文窗口使用進行優化：1. 指令檔案（CLAUDE.md、CLAUDE.<phase>.md）：始終載入，保持精簡。它們按層級組織，描述儲存庫結構、維護工件索引，並定義跨階段規則（如可追溯性不變量）。2. 技能（.claude/skills/SDLC-*）：按需載入。每個SDLC活動的逐步程序：需求擷取、差距分析、架構草擬、元件分解、任務規劃、實作。3. 專案工件：隨著工作進展累積的結構化markdown檔案：利害關係人、目標、使用者故事、需求、假設、限制條件、決策、架構、資料模型、API設計、任務追蹤。透過索引選擇性存取。這種區分很重要，因為指令檔案永久保留在上下文窗口中必須精簡，技能可以詳細說明因為只在呼叫時載入，而工件隨專案擴展但透過索引表格導航而非完整讀取。關鍵設計選擇：上下文窗口效率：工件集合使用markdown索引表格（單行描述和觸發條件），讓代理無需閱讀全部內容就能找到所需資訊。決策捕捉：AI推理和人類回饋過程中的決策被持久化為結構化工件，使其可審查、可追溯並在不同工作階段中一致應用。瀑布式流程：具有明確輸出的順序階段。對人類團隊來說可能繁瑣，但AI代理不介意這種開銷，且明確結構能防止不受控的「直接開始隨性編碼」失敗模式。我的使用方式：簡短、專注的工作階段。每個工作階段呼叫一個技能，產生輸出後結束。知識組織意味著下個工作階段能無縫接續而不丟失上下文。我發現技能之間的自由形式提示通常表示工作流程缺少某個環節。目前限制：我尚未找到整合Figma MCP將現有UI/UX設計導入工作流程的好方法。歡迎建議。非常歡迎回饋、批評和貢獻！