Ai-coding

解读 Anthropic 的 AI-native SDLC playbook：当 AI 加快代码实现后，如何用 Plan、Design、Build、Test、Deploy、Maintain 六阶段的 artifact 交接、Skills、Hooks 和评估门禁组织软件交付。

基于 Graphify 实现与 ApFramework 的受控源码验证，说明代码知识图谱怎样帮助编码 Agent 定位文件、符号与关系，并明确结构预检索与源码阅读、测试及长期记忆的边界。

用七层模型梳理编码 Agent 的长期记忆：区分上下文窗口、规则、会话事件、工程决定、来源知识与代码结构，讨论信息如何按任务路由、追溯来源并回写。

以 Anthropic 的代码审查实践为例，拆解 PR 前验证、风险分级审批、审查收敛和事故回灌，讨论何时可以减少人工审批。

本文从 ArcKit 官网示例和一次 Codex 最小初始化验证出发，说明它真正的价值不是生成更多架构文档，而是把需求、风险、ADR、设计评审和追溯矩阵组织成可执行、可追溯、可审计的架构治理工作流。

本文系统拆解 Jesse Vincent 开源的 Superpowers 工作流，说明它如何通过 brainstorming、git worktree、writing-plans、subagent-driven development、TDD 与 code review 等门禁技能，把“先写再说”的 AI 编码升级为可设计、可验证、可审查、可合并的软件工程流程。