AI-Native SDLC

Definition

AI-Native SDLC é a adaptação do ciclo de vida de desenvolvimento de software (planning → design → build → test → deploy → maintain) para o desenvolvimento com agentes de IA, descrita no playbook de 14 lições publicado por Boris Cherny (head do Claude Code) e a equipe da Anthropic; a fonte desta página é um walkthrough em vídeo desse playbook. A tese estrutural: no SDLC tradicional, a etapa de build era a mais longa porque rodava em velocidade humana; com agentes, o build encolhe e o ciclo inteiro encurta — então o gargalo migra para levantamento de requisitos, revisão do código gerado e release, e é nessas três etapas que o playbook concentra as práticas.

Key Points

• Cadeia de artefatos intent → spec → plan. O planning vira um intent.md — legível por humano e acionável por máquina — capturando problema, outcomes propostos, usuários afetados, restrições e perguntas abertas; uma “grooming skill” entrevista o humano, percorrendo a árvore de decisões branch a branch até haver entendimento compartilhado. Pode haver vários intents (um por mudança) numa pasta intent/, e o intent NÃO precisa morar no repo — pode viver em tickets (Jira/Linear). O design converte o intent (o porquê) em spec.md (o quê: requisitos técnicos e comportamento esperado); o plan.md converte spec + intent em tarefas ordenadas, com arquivos exatos a alterar, riscos e prova de conclusão (checkboxes/testes).
• TDD com feedback loop para o agente. Testes antes do código; instrução explícita de “não reportar done até testes + lint + build estarem verdes” — build aqui significa compilar/rodar, não codar. O agente verifica o próprio trabalho e corrige os próprios erros antes de um humano ver.
• Pirâmide de testes em 3 camadas. Funções (Jest/pytest) → componentes de UI (React Testing Library; componentes chamam funções, nunca o contrário) → end-to-end de fluxos inteiros (Cypress/Playwright).
• Evals contínuos em CI. O playbook recomenda pegar 20–50 tarefas reais já completadas (PRs, issues) e usá-las como avaliações (prompt + output esperado), configuradas com Skill Creator e rodadas num workflow de CI com Claude headless + allowed tools — o objetivo é detectar regressão quando se troca de modelo ou de regras.
• Revisão de PR por IA via review.md. Um arquivo contendo o SOP de revisão (idealmente definido pelo tech lead humano): achados tagueados por path e severidade (bugs, segurança, compliance; blockers vs. nits) e instruções do que NÃO reportar (arquivos gerados, temporários). O autor do vídeo recomenda alimentar o review.md com comentários humanos de PRs passados e com os padrões recorrentes neles.
• Hooks de bloqueio antes do merge/deploy. Impedir ações perigosas do agente — tocar banco de produção, escrever credenciais no código, editar arquivos proibidos — e rodar lint/testes automaticamente quando o builder-agent corrige achados do reviewer-agent.
• Deploy integrado ao CI/CD. Antes do deploy: Claude headless lê o build log, descobre por que falhou, corrige e abre PR. Depois do deploy: consulta status tools (Datadog, Sentry), detecta quebra, faz rollback, encontra a causa raiz e reabre o ciclo de PR.
• Fechamento do ciclo por métricas. Um job periódico (exemplo do playbook: YAML que olha os últimos 30 dias) analisa logs — erros recorrentes, queries lentas, churn de uso — e gera um intent update, reiniciando o SDLC pelo planning.
• Postura incremental. O autor recomenda NÃO reconstruir o ciclo inteiro do zero: usar o que já funciona (skills de TDD/plans como as de Matt Pocock ou Superpowers) e adicionar do playbook apenas o que refina o ciclo atual.
• Pacote equivalente pronto: pstack. O plugin Cursor pstack empacota o mesmo espírito — playbook copiado verbatim para a task list, evidência exigida antes de reportar sucesso, verificação como parte do resultado — com a diferença de ser orientado a playbooks de Cursor e painéis multi-modelo.

Implications

Para o founder/PM não-técnico, o playbook reposiciona onde o julgamento humano entra: menos em “escrever e revisar código linha a linha”, mais em (1) responder bem à entrevista que gera o intent, (2) manter o review.md e os hooks — que passam a ser o SOP verificável da casa — e (3) decidir quais métricas alimentam o loop de manutenção. A cadeia intent→spec→plan formaliza e estende o plan-first-com-agentes-de-ia (o plano deixa de ser um artefato único e ganha dois artefatos upstream), e a combinação evals-em-CI + hooks + review.md é a versão Anthropic da verificação em camadas de ciclo-issue-branch-pr-merge — com a diferença de que várias camadas passam a ser executadas pelo próprio agente, não apenas conferidas por humano.

Open Questions

• Os templates exatos (intent.md, plan.md, review.md) e a “grooming skill” são referenciados mas não reproduzidos na íntegra no vídeo — confirmar no playbook original da Anthropic (agora parcialmente capturado: curso oficial Claude Academy em ai-native-sdlc-playbook).
• “20–50 tarefas reais” como tamanho de eval set é recomendação prática do playbook; o vídeo não traz dados de validação sobre a sensibilidade a esse número.
• Os segmentos sobre a comunidade Skool do autor e o curso Johns Hopkins/Great Learning são promoção do canal, não parte do playbook — não devem ser tratados como evidência sobre o método.

Related Concepts

• ai-native-sdlc-playbook — curso oficial Claude Academy deste mesmo playbook (14 lições, 6 estágios); versão estruturada deste walkthrough
• plan-first-com-agentes-de-ia — o checkpoint de plano que este playbook expande numa cadeia de 3 artefatos (intent → spec → plan)
• ciclo-issue-branch-pr-merge — o loop de entrega que ganha aqui automação de revisão, hooks de bloqueio e deploy com rollback
• self-healing-agent — o pós-deploy com rollback + causa raiz é o mesmo padrão de auto-recuperação aplicado a produção
• vibe-coding — o universo geral; este playbook é a versão Anthropic do ciclo de desenvolvimento com agentes
• pstack — pacote pronto que implementa o “verify antes de ship” via playbooks e painéis multi-modelo

External Links

• A deep dive into pstack — Flavio Copes

Sources

^[raw/vibecoding/transcripts/youtube-6CaQ9ZFuuKI.md] ^[raw/external/flaviocopes-com-pstack-640e9607.md]