企業 AI SDLC

Overview專案概述

My Contribution我負責的事

1. 01定義 AI 開發各階段的 Agent／Skill 責任、輸入輸出與執行順序。
2. 02將企業工程知識與規則整理成可供 Agent 執行的 Skills 與共用規則。
3. 03以固定案例比較流程版本，同時檢查輸出品質、一致性、資源使用與回歸。

Problems & Decisions問題與決策

參與大型金融企業的 AI SDLC 導入研究，將 Coding Agent 整合進既有開發流程，以 COBOL 舊系統現代化作為驗證場景。本人工作集中在流程設計、Skills 分工、Context 整理與固定案例評估；Graphify 依賴分析另列為實驗 PoC。

1. CASE 01

   分階段的 AI 開發流程

   Finding

   舊系統轉換包含理解程式、整理規格與重新實作，需要讓各階段的輸出能供下一步使用，也能回頭驗證。

   Decision

   將 COBOL 理解到 Java 實作拆成逆向工程、規格演進、目標設計、Java 產碼與一致性驗證，逐一界定 Agent／Skill 的責任、輸入輸出與執行順序。

   Result

   建立可分段檢查的 AI 開發流程，讓後續測試能定位到具體階段與輸出。

2. CASE 02

   Skills 責任與 Context 邊界

   Finding

   逆向工程、規格演進、設計與產碼各有不同任務；Skills（Agent 的任務指引）責任重疊或重複帶入 Context，會干擾後續執行。

   Decision

   拆分並調整 Skills 的命名、責任與上下游關係，將共用工程規則另行整理，讓各階段取得需要的資料與規則。

   Result

   建立涵蓋逆向工程、規格演進、原型設計、Java 產碼與一致性驗證的 Skills 分工，並持續依實跑結果調整。

3. CASE 03

   固定案例評估與 Graphify PoC

   Finding

   Agent 產碼成功不代表流程有效；需要用同一組案例，比較完整性、一致性、資源使用與版本回歸。

   Decision

   以固定案例比較基準與調整版本，檢查 Skill 觸發、規格與程式一致性及 Token 使用。另以 Graphify PoC 整理 COBOL／JCL 的程式依賴，供逆向工程取用。

   Result

   經多輪測試，確認調整後可觸發依賴分析；尚未觀察到 Token 用量明顯降低，目前仍屬 PoC。