人工智能
在 AWS Quick 中通过 AI 驱动的生命周期管理(AI-PDLC)加速产品开发本博文重点介绍如何利用基于 AWS Quick 构建的智能体来改进并加速产品开发生命周期,并将人工审批内置于流程之中。
AI 驱动的软件交付正帮助团队以前所未有的速度交付产品。随着实现速度加快,上游的产品开发流程变得更加重要。编码智能体能够比以往更快地将清晰的需求转化为可运行的软件,但它们无法弥补做错产品的问题。随着实现变得更容易,你的竞争优势向上游转移至四项关键活动:发现正确的客户问题、决定追求哪个机会、设计正确的体验,并通过原型进行验证。
做出这些决策所需的信号分散在各处。你的客户在 Slack 中留下反馈,销售团队在 Salesforce 中记录洞察,系统在 ServiceNow 中记录事件,利益相关者在 Microsoft SharePoint 中记录需求,工程师在 Jira 中跟踪工作项,团队在 Outlook 会议和电子邮件线程中做出决策。当你的团队在这些工具之间切换时,他们使上下文与它本应支撑的决策脱节,并在每一次交接中丢失更多信息。
AWS Quick 为这些碎片化知识提供了连接层。通过将自定义聊天智能体建立在已连接的企业数据之上,并将其产出物存储在共享的 空间中,AWS Quick 帮助你的团队基于现有的组织知识进行构建,而不是让每个计划都从空白页开始。
AI 驱动的产品开发生命周期(AI-PDLC)是一个框架,通过一套具备专业技能的六个 AWS Quick 智能体来应用这些能力,在每个阶段产出一组可追溯的产出物。智能体收集并组织上下文、揭示缺口并起草产出物。你和你的团队贡献判断力并批准每一项决策。目标不是更快地产出文档,而是帮助你的团队更好地思考、保留每项决策背后的原因,并为工程和编码智能体提供一份以客户证据为依据的规格说明。我们将向你展示如何在 AWS Quick 中配置六智能体 AI-PDLC 套件,并用它从分散的客户信号推进到经过验证的原型。在整个过程中,它从最初的洞察一直到工程交接都保留上下文。
架构
该图展示了 AI-PDLC 框架的端到端流程。
图 1:端到端 AI-PDLC 流程,从分散的企业信号经由 AWS Quick 智能体到编码智能体交接
它始于大多数团队会丢失踪迹的信号,即那些承载着决策背后原因和客户实际所言内容的 Slack 线程、Jira 工单、文档和通话记录。企业连接器从 Slack、Outlook、Jira、Salesforce、SharePoint、ServiceNow 以及更多企业来源中提取这些上下文。
图 2:AWS Quick 构建个人知识图谱,跨已连接的应用和文件夹关联人员、项目和决策
AWS Quick 可以从你已连接的应用和文件夹构建个人知识图谱,关联你各个工具中的人员、项目和决策。
这些信号输入大脑:即 AWS Quick 上的一组智能体,由一个编排器(Orchestrator)领导,它运行 Discovery、Prioritize、Working Backwards、Spec Generator 和 Designer。它们产出的一切都归入一种通用语言:一个 prototype_spec.md ,其中包含验收标准、人物画像、界面、数据模型。每一项决策都可追溯到来源。
AWS Quick 可以使用 智能体客户端协议(ACP)将开发任务委派给 AI 编码智能体。ACP 是一个开放的 JSON-RPC 2.0 标准,没有供应商锁定。客户可以使用他们偏好的编码智能体(如 Kiro 或 Claude Code)基于 AI-PDLC 生成的规格进行构建。
在这一切之下,每个阶段都运行着人工审批关卡。你验证痛点、批准优先级、签署规格、把关构建并接受评审。随后生产数据回流到 Discovery,形成闭环。智能体完成工作,而你做出决策,并且没有人需要离开自己的工具来完成这一切。
解决方案概述
AI-PDLC 生命周期涵盖八个阶段:Discover、Decide、Design、Prototype、Engineer、Ship、Operate 和 Learn。本博文重点介绍前四个阶段,即产品团队工作的阶段。后四个阶段由 Kiro 等编码智能体处理,它们基于上游阶段产出的规格进行构建。上游阶段在 AWS Quick 中实现为六个智能体。
图 3:上游 AI-PDLC 阶段在 AWS Quick 中实现为六个智能体
用户只与一个编排器交互,它在运行时读取每位专家的提问框架,针对当前阶段提出有针对性的问题,并将产出物生成分派给合适的专家。单次对话驱动整个旅程,并且只有在工作流中每一步都经过人工批准后,流水线才会推进。
图 4:单次编排器对话驱动流水线,只有在每个关卡经过人工批准后才会推进
阶段 1:Discover
该 Discovery 智能体 通过交互式问答、URL 摄取以及从 Slack、Jira、支持工单、Salesforce 和研究库等已连接企业来源直接拉取,引导结构化的痛点分析。它为每个痛点按严重程度和频率打分,产出一个 痛点看板 ,为团队提供关于客户所遇困难的单一、有证据依据的视图。
图 5:Discovery 智能体产出按严重程度和频率打分的痛点看板
阶段 2:Decide
该 Prioritize 智能体 使用两个透明的 0–10 框架,按加权标准为每个用例打分:一个专为智能体用例构建(大语言模型(LLM)能力匹配度、工具可用性、用户接受度),另一个用于传统应用(可行性、业务影响、工作量)。团队可以打开 评分矩阵 并精确追踪为什么某个用例的优先级高于另一个。
图 6:Prioritize 智能体评分矩阵展示了为什么某个用例的优先级高于另一个
一旦选定了最优先的用例, Working Backwards 智能体 就会使用亚马逊 Working Backwards 方法生成完整的 PR/FAQ,其中包含客户 FAQ 和内部 FAQ,涵盖单位经济性、故障模式、监管风险和竞争格局。如果一个概念无法通过这种严格审查,团队会在投入工程资源之前就在纸面上得知这一点。
图 7:Working Backwards 智能体为最优先的用例生成完整的 PR/FAQ
阶段 3:设计
该 Spec Generator 智能体 将经过验证的用例和 PR/FAQ 转化为可直接构建的规格说明,并为智能体用例与传统应用用例提供各自独立的模板,同时为 UX 团队提供一份 设计交接简报 。每份规格都包含验收标准、用户流程、约束条件以及元数据,这些元数据将每项需求追溯回其来源痛点、优先级评分以及验证该需求的 PR/FAQ。这些验收标准具有双重用途:它们既是编码智能体遵循的构建契约,也是评审智能体据以审计的评审标准。过去需要多个冲刺的起草和评审工作,如今变成一次专注的会话,其详尽程度足以让工程团队直接依据设计规格进行构建,几乎或完全不需要澄清会议。
图 8:Spec Generator 智能体将经过验证的用例转化为可直接构建的规格说明
阶段 4:原型
该 Designer 智能体 生成 旅程地图, 线框图以及 可点击的 HTML 原型 直接在 AWS Quick 内完成。它依据设计交接简报、来自 Discovery 阶段的用户画像、来自 PR/FAQ 的用户流程、待设计的界面、品牌背景,以及从客户引述中提炼的情感目标来工作,因此团队可以在投入 Figma 或其他设计工具之前先与利益相关方验证概念。规格获批后,会被派发给工程团队进行开发。
图 9:Designer 智能体在 AWS Quick 内生成旅程地图、线框图和可点击原型
整个循环是迭代式的,每个关卡都由人工审核和批准。没有明确的签字确认,任何内容都不会发布。根据问题的复杂程度,传统上需要数周原型设计和迭代的工作,可能缩短为几天甚至仅需数小时的引导式智能体协作。
每一个决策都会在两个层级上被记录。每个专家智能体都会在其产出的工件中记录自己的决策、评分和理由,而编排器则独立核验这些条目是否存在,同时在整个流水线范围内维护一份共享日志。如果某一层出现疏漏,另一层仍会保留完整记录,因此任何关卡审批都不会失去追踪。
AI-PDLC 可在两种节奏模式下执行。深度探索模式在每个阶段提出 8–12 个问题,追查歧义和边缘情况。它适合团队希望进行彻底探索的全新问题领域。快速通道模式将每个阶段精简为 3–5 个关键问题,并根据其已掌握的上下文建议默认值,让你逐一确认或覆盖。它适合团队已熟悉该领域、需要快速推进的限时会话。
智能体实现细节:分步说明
我们将逐步介绍智能体创建与实现过程的细节。
前提条件
- 已安装桌面客户端的 AWS Quick 工作区。
- 在 AWS Quick 中创建自定义智能体的权限,并为企业连接器完成配置,以对接 Slack、Jira、SharePoint 或团队使用的其他工具。
图 10:已配置企业连接器的 AWS Quick 工作区
第 1 步:克隆 AI-PDLC 仓库
完整的智能体套件、参考架构、提示模板和设置说明均可在 AI-PDLC GitHub 仓库.
该仓库包含:
- 全部六个智能体的智能体指令文件。
- 每个专家智能体的问题框架示例。
- 配置文件和设置指南。
第 2 步:创建专家智能体
在 AWS Quick 中,使用仓库中的说明创建专家智能体:
第 2.1 步:从 用于构建智能体的 GitHub 仓库.
第 2.2 步:前往 Quick 桌面版 → 自定义 → 智能体 → 创建,然后选择“从文件创建”。 从文件创建.
图 11:在 Quick Desktop 中通过“从文件创建”创建专家智能体
第 2.3 步:聊天窗口随即打开。
图 12:创建智能体期间打开的聊天窗口
第 2.4 步:创建以下六个智能体及其指令:
图 13:创建的六个 AI-PDLC 智能体及其指令
编排器是核心架构组件。它在运行时动态读取每个专家的指令:
图 14:编排器在运行时动态读取每个专家的指令
第 3 步:配置 Quick Spaces(工件仓库)
创建一个共享 Quick Space,用于存储流水线工件:
第 4 步:运行流水线
- 打开 AWS Quick 桌面版。
- 选择 AI-PDLC 编排器 从智能体选择器中。
- 输入:“运行完整流水线”(或选择“Fast Track”进行精简会话)。
- 按照编排器的结构化问题作答,它会引导你完成每个阶段。
- 在每个关卡处审查生成的工件。
图 16:运行流水线并在每个关卡处审查生成的工件
图 17:使用 AI-PDLC 编排器启动流水线运行
你可以根据自身需求选择节奏:Deep Discovery 或 Fast Track。
图 18:根据你的需求选择节奏:Deep Discovery 或 Fast Track
观看实际演示
如需观看 AI-PDLC 实际运行的现场演示——从客户洞察出发,历经全部四个阶段,直至产出可运行的原型——请观看我们的 YouTube 视频演示:
视频涵盖以下内容:
- 设置智能体套件。
- 通过一个真实用例运行完整的 Orchestrator 流水线。
- 实时工件生成演示。
- ACP 向编码智能体的交接。
- 选择 Deep Discovery 与 Fast Track 模式的提示。
AI-PDLC 场景
我们将介绍一些可以应用 AI-PDLC 框架的常见场景:
场景 1:新产品开发,从零开始
当团队发现新的市场机会或未被满足的客户需求时,他们会面临典型的冷启动问题:信号零散、想法相互竞争,且没有从洞察走向行动的结构化方法。AI-PDLC 引导团队完成整个上游旅程,从真实客户数据中挖掘痛点,并依据透明的标准对相互竞争的想法进行评分。它还通过严格的 PR/FAQ 验证概念,并产出可直接用于构建的规格说明,使第一行代码是基于经过验证的计划而非凭直觉编写。
场景 2:为现有产品新增功能,由路线图驱动或由客户驱动
产品团队会持续收到各种信号,这些信号为他们下一步构建什么提供依据:支持渠道中的客户反馈、来自销售的功能请求、显示流失点的使用数据,或来自领导层的战略优先级。AI-PDLC 通过从已连接的工具(Slack、Jira、Salesforce、AWS Quick Sight)中提取这些信号来加速这一过程。该框架将它们整理成带有基于证据评分的优先级排序待办事项列表,并生成一份规格说明,保留每个功能背后的“为什么”,因此工程团队收到的是上下文丰富的工作项,而不是被剥离了意图的一行式 Jira 工单。
场景 3:缺陷修复与事件驱动的改进
当生产问题通过客户投诉、监控告警或支持升级浮现时,响应往往跳过结构化分析,直接跳到代码修复。AI-PDLC 通过将根本原因记录为有据可查的痛点、评估修复是否需要更广泛的设计变更还是针对性的补丁,为这一被动响应式工作流带来纪律性。它会产出一份范围明确的规格说明,并附带可测试的验收标准,使修复针对底层问题而非仅仅针对症状,同时决策轨迹会被保留以供未来参考。
每个场景都遵循相同的流程(发现 → 决策 → 设计 → 原型),但进入的深度不同。新产品会走完整旅程,功能新增可能跳过深度发现,而缺陷修复可能压缩为单个聚焦的循环。方法论会自适应调整,而审计轨迹和治理在任何情况下都保持一致。
清理
本演练所创建的资源在闲置时不产生任何费用,因此如果你计划再次运行该流水线,可以安全地保留整套 AI-PDLC 套件。
要移除不再需要的内容,请在 Quick Desktop 中依次进入“自定义”→“智能体”,删除这六个智能体,删除 AI-PDLC Artifacts Space(或仅删除其中的测试产物),撤销你授予的任何团队访问权限,并断开你仅为本次练习添加的任何企业连接器或编码智能体链接。 自定义 → 智能体 在 Quick Desktop 中,删除 AI-PDLC 产物 空间(或仅其中的测试产物),撤销你授予的任何团队访问权限,并断开你仅为本次练习添加的任何企业连接器或编码智能体链接。你还可以从本地机器上移除克隆的 GitHub 仓库。
结论
产品开发的瓶颈已经转移。编码智能体让实现变得快速。然而,上游工作仍然制约着团队:发现客户问题、决定构建什么、验证概念,以及产出清晰的规格说明。能够压缩这一上游周期的团队可以获得复利式优势:他们以更快的速度构建正确的产品,并减少代价高昂的方向调整。
AI-PDLC 直接解决了这一问题。它提供了一个结构化的、AI 原生的框架,以 AWS Quick 中的一套智能体形式实现,引导产品团队完成 Discover、Decide、Design 和 Prototype 各阶段,并在每个关卡内置治理机制。AI-PDLC 会为每一项决策记录归属。每个产物都可追溯到客户证据。而当规格说明交付到工程团队时,它携带着完整上下文:它为何存在、由谁验证,以及“完成”的标准是什么。
产品团队的职责不是写代码,而是快速且可追溯地就构建什么以及为什么构建做出正确决策。AI-PDLC 让这成为可能。
立即开始
- 克隆 仓库.
- 按照仓库中的设置指南创建五个专家智能体和一个 Orchestrator。
- 从智能体选择器中选择“AI-PDLC Orchestrator”,然后说:“运行完整流水线”。
