AWS Labs 开源了一个名为 aidlc-workflows 的新框架，旨在为 AI 驱动的编程智能体（agents）提供一个定义明确的生命周期，用于跟踪设计、实现和评审步骤。该仓库承诺为目前在没有明确流程的情况下盲目生成代码的智能体提供一种更严谨、可追溯的方法。

为什么工作流对 AI 代码生成器至关重要

AI 智能体可以在几秒钟内生成代码片段，但它们往往无法达到质量目标、引入非预期的更改，或者导致代码未经评审。当工作涉及大型代码库或安全关键型系统时，这些缺陷会变得代价高昂。直到现在，大多数智能体仍仅作为简单的“编写并交付”工具运行，缺乏任何内置的规划、测试或版本控制概念。

aidlc-workflows 框架增加了什么

该开源项目引入了一种 AI 驱动生命周期 (AI-DLC)，强制智能体遵循一系列阶段：

  1. 规划 (Planning) – 智能体在接触任何代码之前先起草一份高层级计划。
  2. 实现 (Implementation) – 在计划的约束下生成代码。
  3. 验证 (Verification) – 运行自动化测试，并将结果反馈给智能体。
  4. 评审准备 (Review preparation) – 将输出结果连同注释一起打包，帮助人类评审员理解意图及任何偏差。

该框架构建在现有智能体之上，充当编排层（orchestration layer），而不是单元测试、代码评审或工程判断的替代品。

团队如何衡量成功

aidlc-workflows 建议衡量五个具体的指标：

  • 首次有用输出的时间 – 从开始到计划出现所需的秒数。
  • 任务完成率 – 无需人工干预即可通过的测试比例。
  • 范围遵循度 – 未经请求的更改发生的频率。
  • 评审工作量 – 合并前人类花费的分钟数。
  • Token 开销 – 规则集消耗的额外上下文 Token。

这些数据让组织能够将原始生成器与封装在工作流中的相同模型进行对比。

需要注意的权衡

  1. 指令开销 – 更丰富的规则集会消耗更多 Token，从而增加延迟和成本。
  2. 智能体差异性 – 不同的语言模型对相同规则的理解可能不同；团队需要使用计划使用的特定模型来验证工作流。

这两个因素意味着，该框架在正确性和可审计性重于原始速度的复杂任务中表现出色。对于毫秒必争的微小 Bug 修复，增加的开销可能并无必要。

入门指南

可以通过几个 shell 命令来查看该仓库：

git clone https://github.com/awslabs/aidlc-workflows.git
cd aidlc-workflows
find . -maxdepth 2 -type f | sort

通过探索文件树，可以发现规则定义、示例智能体和集成钩子（integration hooks）。

关键影响

采用结构化的生命周期可以减少因 AI 输出范围界定不清而导致的返工隐性成本。它还提供了更清晰的审计追踪，这对于受监管软件领域的合规性日益重要。相反，忽视工作流规范的团队可能会面临更高的评审负担，并面临大规模引入缺陷的风险。

核心观点： aidlc-workflows 为 AI 编程智能体提供了一个可重复、可观察的过程，使它们从快速的书写者转变为严谨的开发者——前提是增加的 Token 成本和特定模型的特性在当前问题中是可以接受的。

来源：https://dev.to/yan_cheng/inside-awslabsaidlc-workflows-steering-ai-coding-agents-with-adaptive-rules-4hlc