当前位置：首页 > news >正文

title: Claude Code 教程：从零搭建 AI 驱动的开发工作流（基于 Google 新版 SDLC 白皮书）

news 2026/6/30 5:41:02

TL;DR

Addy Osmani 与 Google 合著的白皮书提出：AI 正在重塑软件开发生命周期（SDLC），核心理念不是"让 AI 替你写代码"，而是"让 AI 跑在一个你设计的循环里"。本文基于白皮书中的 Harness 架构模式，从零搭建一条 Claude Code 驱动的自动化开发流水线——代码生成、审查、测试、文档，全部串在一个可控的循环里，附完整配置和可运行脚本。

1. 背景：SDLC 正在被重写

2026 年 6 月 16 日，Addy Osmani 发布了一篇名为《The New Software Lifecycle》的博文，背后是他与 Google 合著的一份白皮书。核心观点很直接：过去两年我们花了大量精力让 AI 写代码更快，但很少有人重新思考"软件开发到底该长什么样"。

传统的 SDLC 是线性的：需求 → 设计 → 编码 → 测试 → 部署 → 维护。AI 工具最初只是被塞进"编码"这个环节——你问 Copilot 要一段补全，让 ChatGPT 写个函数。但 Osmani 指出，真正有效的模式是把 AI 放进一个循环（loop），而不是一个点。

这个循环的核心是一个叫做 Harness（挽具）的架构模式。Harness 不是让一个超级 Agent 做所有事，而是用多个专门化的组件（自动化、工作树、技能、插件、子智能体）组成一条可控的流水线，人的角色从"执行者"变成"设计者+把关者"。

本文的目标就是把这篇白皮书里的概念，翻译成一套你能直接跑的配置和脚本。

2. Harness 架构拆解

在动手之前，先理解 Harness 的五个组件，因为后面的配置都围绕它们展开：

自动化（Automation）：循环的心跳。定时或事件触发，让工作流自动运转，而不是每次都手动敲命令。

工作树（Worktrees）：让多个任务并行而不互相踩脚。每个 Agent 在隔离的 git worktree 里工作，互不干扰。

技能（Skills）：给 Agent 装上领域知识。不用每次都解释项目背景——把规范、编码风格、踩过的坑写成 skill 文件，Agent 自动加载。

插件/连接器（Plugins & Connectors）：让 Agent 触碰真实工具——GitHub、Slack、Linear、数据库，而不是活在沙箱里。

子智能体（Sub-agents）：把"创作者"和"审查者"分开。一个 Agent 写代码，另一个 Agent 审代码，互相制衡。

下面我们把这五个组件落成一套实际配置。

3. 环境准备

确保已安装 Claude Code（需要 Node.js 18+）：

npminstall-g@anthropic-ai/claude-code claude--version

创建项目目录：

mkdirai-sdlc-harness&&cdai-sdlc-harnessgitinitmkdir-p.claude/skills .claude/workflows scripts

4. 第一步：定义技能文件（Skills）

给 Claude Code 装上项目背景。创建.claude/skills/project-context.md：

# 项目背景 ## 技术栈 - 前端：Next.js 14 + TypeScript + Tailwind CSS - 后端：FastAPI + PostgreSQL - 部署：Docker + GitHub Actions ## 编码规范 - 函数不超过 40 行 - 所有公开 API 必须有类型注解 - 错误处理：永远不要吞异常，用结构化日志记录 ## 已知坑位 - Next.js middleware 里不能用 Node.js 原生模块 - PostgreSQL connection pool 上限 20，批量操作注意释放 ## 测试要求 - 单元测试覆盖率 > 80% - API 端点必须有集成测试

创建.claude/skills/code-review-checklist.md：

# 代码审查清单 审查每段代码时，逐项检查： 1. 安全性：是否有 SQL 注入、XSS、未校验的用户输入？ 2. 性能：是否有 N+1 查询、未加索引的排序？ 3. 错误处理：是否所有异常都有合理的处理路径？ 4. 可读性：变量名是否自解释？是否有不必要的嵌套？ 5. 测试：是否覆盖了边界条件和异常路径？

5. 第二步：搭建自动化流水线（Automation）

创建.claude/workflows/daily-pipeline.sh：

#!/bin/bash# 每日自动化开发流水线# 用法: bash .claude/workflows/daily-pipeline.shset-eBRANCH=$(date+%Y-%m-%d)-autoecho"[1/4] 创建今日工作分支:$BRANCH"gitcheckout-b"$BRANCH"echo"[2/4] Claude Code 生成代码..."claude"根据 .claude/skills/project-context.md 中的规范， 在 src/ 目录下实现 TODO.md 中列出的今日任务。 每完成一个任务，自己运行 npm run typecheck 验证。"echo"[3/4] Claude Code 自动审查..."claude"根据 .claude/skills/code-review-checklist.md 审查 当前分支的所有变更，生成审查报告写入 .claude/review-$(date+%F).md"echo"[4/4] 提交并创建 PR..."gitadd-Agitcommit-m"auto: daily pipeline$(date+%F)"gitpush origin"$BRANCH"ghprcreate--title"Daily Pipeline$(date+%F)"--body"自动生成的每日变更"

赋予执行权限并测试：

chmod+x .claude/workflows/daily-pipeline.sh

6. 第三步：配置工作树隔离（Worktrees）

创建.claude/workflows/parallel-tasks.sh：

#!/bin/bash# 并行任务管理器——每个 Agent 在独立 worktree 工作# 用法: bash .claude/workflows/parallel-tasks.sh "实现用户模块" "实现订单模块"TASK1_DESC="$1"TASK2_DESC="$2"BASE_DIR=$(pwd)WT_DIR=$(mktemp-d)echo"[1/3] 为任务 1 创建隔离 worktree..."gitworktreeadd"$WT_DIR/task1"-b"auto/task1-$(date+%s)"echo"[2/3] 为任务 2 创建隔离 worktree..."gitworktreeadd"$WT_DIR/task2"-b"auto/task2-$(date+%s)"echo"[3/3] 并行启动两个 Claude Code Agent..."# Agent 1: 在 task1 worktree 中工作(cd"$WT_DIR/task1"&&claude"$TASK1_DESC")&PID1=$!# Agent 2: 在 task2 worktree 中工作(cd"$WT_DIR/task2"&&claude"$TASK2_DESC")&PID2=$!wait$PID1$PID2echo"两个任务完成。审查合并..."claude"审查$WT_DIR/task1 和$WT_DIR/task2 的变更， 检查是否有冲突，生成合并建议。"# 清理gitworktree remove"$WT_DIR/task1"gitworktree remove"$WT_DIR/task2"rm-rf"$WT_DIR"

这个脚本的精妙之处在于：两个 Agent 在物理隔离的文件系统中工作，永远不会出现"改了同一个文件"的冲突。等两边都完成后，再由一个审查 Agent 做合并判断。

7. 第四步：连接外部工具（Plugins）

创建.claude/workflows/notify.sh，让流水线完成后自动通知团队：

#!/bin/bash# 流水线完成后的通知# 依赖: gh (GitHub CLI), curlREPORT_FILE=".claude/review-$(date+%F).md"STATUS="${1:-success}"if["$STATUS"="success"];thenSUMMARY=$(head-20"$REPORT_FILE"2>/dev/null||echo"今日流水线完成")# 发 GitHub PR 评论ghprcomment"$(ghprlist--limit1--jsonnumber-q'.[0].number')"\--body"## 今日自动流水线报告$SUMMARY> 自动生成于$(date'+%Y-%m-%d %H:%M')"echo"通知已发送"elseecho"流水线失败，请检查日志"# 可以接入 Slack webhook 等fi

8. 踩坑与最佳实践

坑 1：Agent 的"过度自信"
Claude Code 在生成代码时偶尔会产生幻觉——引用了不存在的 API 或库。解决方案：在 skill 文件中明确列出项目的package.json依赖，让 Agent 在生成代码前先确认库是否可用。也可以在流水线中加一步npm run typecheck自动拦截。

坑 2：worktree 清理不及时
git worktree add后如果进程崩溃，会留下孤儿 worktree。建议在脚本开头加git worktree prune，并在 crontab 里定期执行清理。

坑 3：技能文件会过时
当你修改了技术栈或编码规范，记得同步更新 skill 文件。一个有效的做法是把 skill 文件纳入 code review 范围——每次 PR 如果改了规范相关代码但没有更新 skill 文件，CI 就报 warning。

坑 4：成本控制
每个 Claude Code Agent 调用都消耗 token。一个实用的技巧：在非关键任务上使用claude --model haiku（更便宜更快的模型），只在核心代码生成和审查上使用完整模型。

9. 让它每天自动跑

用 cron 或 GitHub Actions 定时触发：

# 添加到 crontab：每个工作日早上 9 点跑# crontab -e09* *1-5cd/path/to/project&&bash.claude/workflows/daily-pipeline.sh>>/tmp/pipeline.log2>&1

或者用 GitHub Actions（.github/workflows/daily-pipeline.yml）：

name:Daily AI Pipelineon:schedule:-cron:'0 9 * * 1-5'jobs:pipeline:runs-on:ubuntu-lateststeps:-uses:actions/checkout@v4-uses:anthropics/claude-code-action@v1with:prompt:"运行 .claude/workflows/daily-pipeline.sh"