AI-Native 研发全链路知识体系
整合 IPD, Lean, Agile, Dual-V 与 AI Agent 自动化流程 (v2025)
核心定义：
Proposal 位于“承诺边界”，将探索转化为决策；
Spec 位于“构建边界”，将意图转化为机器可执行的指令。
1. 研发理论的 AI 映射 (Theory Mapping)
IPD (集成产品开发)
传统： 严谨的评审 DCP 决策点。
AI 演进： 异步变同步。AI 模拟市场数据与 ROI 预测，将冗长的专家评审压缩为“策略配置+人工终审”。
Lean & Agile (精益敏捷)
传统： 消除浪费，快速迭代。
AI 演进： 微秒级 Sprint。生成代码成本趋零，真正的浪费在于“错误的意图”。敏捷重心从交付速度转向 Spec 质量。
双 V 模型 (Dual-V)
传统： 需求逐级分解，测试逐级验证。
AI 演进： 实时闭环 V 模型。在写下 Spec 的瞬间，AI 自动生成 Test Harness 并在后台完成虚拟验证。
2. AI 时代的研发价值流 (Value Stream)
💡 Proposal (提案) 必须人
核心问题： 我们应该投入资源做这个吗？
- 作用： 建立商业假设，进行利益相关者对齐。
- AI 辅助： 自动收集竞品情报、预测市场 ROI、生成成本护栏建议。
- 关键内容：
- 问题陈述与用户影响
- 多方案权衡 (Trade-offs)
- MVP 范围与非目标 (Non-goals)
- 成功指标与发布路径
🛠️ Spec (规格) AI 胜任
核心问题： 机器如何能零误差地实现它？
- 作用： 为 AI Agent 提供上下文边界与验收标准。
- AI 职责： Executable Spec。自动补全 API 定义、数据契约、生成 BDD (Given/When/Then)。
- 关键内容：
- 业务规则与逻辑状态机
- 验收标准 (AC) 与测试用例
- API 契约与 Schema 校验
- 非功能需求 (性能/安全)
🧩 Design & Task Decomposition (2025 新增)
Design (设计期)：
不再只是画图。UI 设计由 AI (v0/Figma AI) 生成变体，人类负责审美审计；技术设计表现为 ADR (架构决策记录)，由人类定义边界以防 AI 乱用组件库。
Tasks (任务期)：
AI Agent (如 Google Antigravity) 将 Spec 自动拆解为原子任务。每个任务必须可在 5 分钟内被 AI 实现并跑通测试，否则触发“自动二次拆解”。
3. 人机协作职责矩阵 (Human-AI Responsibility Matrix)
| 环节 |
任务 |
主导者 |
AI 角色 |
| Discovery |
挖掘用户痛点与商业机会 |
人类 |
数据扫描仪、情报整合者 |
| Proposal |
方案决策、资源博弈、合规判断 |
人类 |
多方案模拟、ROI 预测 |
| Design |
架构选型 (ADR)、品牌调性 |
人类 |
原型生成、UI 变体、Boilerplate |
| Spec/Tasks |
规格细化、原子任务拆解 |
AI Agent |
核心执行者 |
| Execution |
代码实现、单元测试生成 |
AI Agent |
核心执行者 |
| Acceptance |
最终意图验收、Vibe Check |
人类 |
自动化测试运行器 |
🚀 研发专家总结：AI 时代的生存法则
- 文档即接口： 在 AI 时代，Proposal 和 Spec 不再是写给老板看的汇报，而是写给 Agent 的指令。模糊的语言是最大的成本。
- 上移你的关注点： 人类的认知负荷应该从“写代码”下移，从“管任务”上移。你的核心工作是管理 **Context (上下文)** 和 **Intent (意图)**。
- 精益的新定义： 以前精益是消除“多余的代码”，现在精益是消除“多余的沟通”。如果 Spec 足够硬，代码将自动流出。
- 架构的主权： 永远不要让 AI 决定你的系统架构边界。AI 倾向于局部最优，而架构需要考虑全局的长线治理。