Présentation du projet AI‑DLC

AI‑DLC (AI‑Driven Development Life Cycle) propose une méthodologie neutre qui transforme les assistants de codage en flux de travail vérifiables. Le noyau fonctionne nativement avec Claude Code, Kiro CLI, Kiro IDE, Codex CLI, Cursor, opencode et GitHub Copilot, ce qui élimine la dépendance à un environnement d’exécution particulier. Chaque harness possède un manifeste léger qui déclenche le même moteur déterministe, garantissant une cohérence d’exécution quel que soit l’outil utilisé.

Installation et exigences d’exécution

Le script d’installation télécharge le binaire aidlc et tous les runtimes de harness sans recourir à Bun ou Node.js. Sur macOS, Linux ou WSL, la commande suivante suffit :

curl -fsSL https://github.com/awslabs/aidlc-workflows/releases/latest/download/install.sh | sh

Sur Windows PowerShell, le processus équivalent est :

irm https://github.com/awslabs/aidlc-workflows/releases/latest/download/install.ps1 | iex

L’installeur ajoute le répertoire bin au PATH de l’utilisateur uniquement; l’option -NoModifyPath permet de désactiver toute modification persistante. La désinstallation supprime uniquement l’entrée PATH créée, limitant l’impact sur le système. En l’absence de binaire natif, il est possible de copier manuellement le runtime depuis l’archive aidlc-copy-runtime‑X.Y.Z.tar.gz, ce qui nécessite uniquement Bun pour la phase de copie.

Architecture et mécanismes d’intégration

Le répertoire core/ contient 93 fichiers aidlc-*.ts qui implémentent la logique de décision. Les harnesss (harness//) ajoutent des manifests spécifiques, tandis que plugins/ offrent des extensions optionnelles. Le workflow se décline en 5 phases et 33 stades, orchestrés par 14 agents : 11 experts de domaine, 2 réviseurs et un compositeur adaptatif. Au total, 11 profils de workflow couvrent des cas classiques, express, sécurité, preuve de concept, etc. Chaque exécution génère un audit trail de 119 événements, stocké de façon persistante pour assurer la traçabilité des décisions.

Flux de travail, validation et modèle de génération

Lorsqu’un développeur décrit une tâche (ex. « Build a REST API for inventory management »), AI‑DLC sélectionne le profil adéquat, interroge l’utilisateur pour les paramètres manquants, puis s’arrête à des portes d’approbation humaines avant de poursuivre. Le moteur reste identique quel que soit le harness, ce qui garantit la reproductibilité. Le modèle recommandé est Claude Opus 4.8 ; si ce modèle n’est pas disponible, la configuration du fournisseur peut être adaptée via aidlc config providers. La méthodologie reste indépendante du fournisseur, ce qui facilite le portage vers de nouveaux environnements.

Déploiement, tests et limites opérationnelles

Le processus de génération de harness utilise bun install --frozen-lockfile suivi de bun scripts/package.ts. Des commandes dédiées permettent de vérifier la déterminisme (bun scripts/package.ts --check) ou d’exécuter l’ensemble des tests (bun tests/run-tests.ts --ci pour les tests de base, bun tests/run-tests.ts --release pour la validation complète). La documentation précise que les sorties générées (dist/) ne doivent jamais être modifiées manuellement. Enfin, le texte d’avertissement rappelle que les modèles génératifs peuvent produire des erreurs ; chaque résultat doit être revu et les coûts associés contrôlés conformément à la politique AWS Responsible AI.