bestpractice_staged_approach

道-方法 · 道层 skill 全文

本页是 <code>rules/skills/bestpractice_staged_approach.md</code> 的逐字投影（仅隐私清洗，零改写）。

分阶段工作法（Staged Approach）

元数据

• 类型: BestPractice
• 适用场景: AI 辅助自动化、批量处理、破坏性操作
• 创建日期: 2026-02-21
• 来源: 2026-01-07 观察记录

核心框架

将复杂自动化任务分解为三个阶段：

Stage 1: 数据采集 → Stage 2: 批量处理 → Stage 3: 确认与发布

Stage 1: 数据采集

• 完整拉取源数据到本地
• 与线上系统隔离
• 数据落盘后才进入下一阶段
• 目标：确保后续处理有稳定的数据基础

Stage 2: 批量处理

• 在本地环境调用 AI
• 与线上系统完全隔离
• 可重复执行、可回滚
• 目标：在安全沙盒中完成 AI 非确定性操作

Stage 3: 确认与发布

• 人工审核处理结果
• 一键发布或批量应用
• 记录变更日志
• 目标：人为把关最后一道防线

核心原则

隔离-处理-验证闭环

线上环境 ←→ 本地沙盒 ←→ 人工确认
    ↓              ↓            ↓
   只读          AI 操作      发布决策

Dry Run 优先

任何破坏性操作前必须先 Dry Run。

破坏性操作包括：

• 文件覆盖/删除
• 数据库写入
• API POST/PUT/DELETE
• 邮件/消息发送
• 任何不可逆操作

Dry Run 检查清单：

• [ ] 确认操作范围（影响哪些文件/记录）
• [ ] 确认操作内容（具体变更是什么）
• [ ] 确认可回滚（有备份或版本控制）
• [ ] 确认执行环境（不是生产环境）

典型应用场景

内容翻译与发布

1. Stage 1: 拉取待翻译内容到本地
2. Stage 2: 调用 AI 批量翻译，生成预览
3. Stage 3: 人工审核后一键发布

数据处理 Pipeline

1. Stage 1: 导出源数据（CSV/JSON）
2. Stage 2: AI 处理 + 校验
3. Stage 3: 确认后导入目标系统

批量代码修改

1. Stage 1: 创建独立分支
2. Stage 2: AI 执行修改 + 本地测试
3. Stage 3: Review 后合并

与其他 Skill 的关系

• 配合 bestpractice_ai_programming_mindset.md 的"结果确定性"原则
• 配合 workflow_parallel_subagents.md 的并行处理
• 配合 bestpractice_temporal_info_verification.md 的验证机制

变更日志