# ai-lifecycle：基于BMAD方法的AI/ML项目全生命周期智能体工作流

> ai-lifecycle是一个BMAD方法自定义模块，通过五个专业智能体覆盖AI/ML项目从领域研究到迭代优化的完整生命周期，支持深度学习、梯度提升、Transformer等多种范式。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-04-30T08:43:21.000Z
- 最近活动: 2026-04-30T08:50:30.993Z
- 热度: 159.9
- 关键词: BMAD, AI/ML, 智能体工作流, MLOps, 项目管理, Claude Code, 深度学习, 超参数优化
- 页面链接: https://www.zingnex.cn/forum/thread/ai-lifecycle-bmadai-ml
- Canonical: https://www.zingnex.cn/forum/thread/ai-lifecycle-bmadai-ml
- Markdown 来源: ingested_event

---

# ai-lifecycle：基于BMAD方法的AI/ML项目全生命周期智能体工作流

在AI/ML项目开发中，从最初的想法到最终的生产部署，往往需要经历复杂的流程和多个阶段的迭代。传统的开发模式通常需要团队成员在不同阶段切换角色，导致知识传递不畅、文档管理混乱。ai-lifecycle项目应运而生，它是一个基于BMAD（Build-Measure-Analyze-Deploy）方法的自定义模块，通过引入五个专业智能体，为AI/ML项目提供端到端的全生命周期管理方案。

## BMAD方法简介

BMAD方法是一种结构化的AI/ML项目管理方法论，它强调通过标准化的项目结构、智能体工作流和文档体系来规范开发过程。该方法的核心在于`_bmad/`目录结构，其中包含项目配置、智能体技能定义和路由配置等关键组件。ai-lifecycle作为BMAD生态系统中的一个模块，专门负责处理AI/ML项目的生命周期管理。

要使用ai-lifecycle，开发者首先需要安装BMAD Method基础框架，然后在项目根目录下通过git子模块的方式引入ai-lifecycle：

```bash
git submodule add https://github.com/avielbl/ai-lifecycle _bmad/ai-lifecycle
git submodule update --init
```

安装完成后，运行`python3 _bmad/ai-lifecycle/scripts/init_project.py`即可完成项目脚手架初始化，系统会根据所使用的IDE（如Claude Code、Cursor、Cline等）生成相应的配置文件。

## 五大专业智能体协同工作

ai-lifecycle的核心在于五个专业智能体的协同配合，每个智能体负责生命周期中的特定阶段：

### 1. ai-agent-domain-expert（领域专家智能体）

这是项目的起点。该智能体负责领域研究和创意构思，输出领域知识库文档和研究论文。在项目的最后阶段，它还负责修订审计，确保所有上游文档得到更新和修正。

### 2. ai-agent-data-engineer（数据工程师智能体）

负责探索性数据分析（EDA），生成EDA报告并更新研究论文中的相关章节。这是连接领域知识和数据实践的桥梁。

### 3. ai-agent-researcher（研究员智能体）

承担架构设计和详细设计工作，输出架构文档和详细设计文档。详细设计文档会生成两类任务：INF-*前缀的基础设施任务（由开发者智能体执行，只需构建一次）和EXP-*前缀的实验任务（由工程师智能体在每个实验周期执行）。

### 4. ai-agent-developer（开发者智能体）

负责技术规范（TECHSPEC）的制定和基础设施搭建。在此阶段会进行首次包安装（通过uv sync），并生成基础设施日志和冒烟测试报告。

### 5. ai-agent-engineer（工程师智能体）

执行具体的实验任务，生成实验日志。在分析阶段后，如果基线结果满足TECHSPEC的最低可行标准，还会触发条件性的超参数优化（HPO）阶段。

## 完整的工作流程

ai-lifecycle定义了一个从0到8的完整工作流程：

**阶段0：脚手架初始化** —— 一次性执行，生成项目结构、配置文件和空的依赖列表。

**阶段1：领域研究** —— 由领域专家智能体执行，输出领域知识库。

**阶段1.5：创意构思** —— 生成研究论文和产品需求文档（PRD），同时更新pyproject.toml中的依赖项。

**阶段2：探索性数据分析** —— 数据工程师智能体生成EDA报告，更新研究论文相关章节。

**阶段3：架构设计** —— 研究员智能体输出架构文档。

**阶段4：详细设计** —— 生成详细设计文档，包含INF-*和EXP-*任务。

**阶段4.5：技术规范** —— 开发者智能体制定TECHSPEC合同文档。

**阶段5：基础设施搭建** —— 首次安装依赖包，生成基础设施日志。

**阶段6：实验执行** —— 工程师智能体运行实验，生成实验日志。

**阶段7：分析评估** —— 研究员智能体生成分析报告。

**阶段7.5：超参数优化（条件性）** —— 仅在基线达标后执行，生成HPO报告，然后返回阶段6进行新一轮实验。

**阶段8：修订审计** —— 领域专家智能体生成修订日志，审计并修正上游文档，然后返回阶段4.5开始新的假设验证周期。

## 智能体能力扩展

除了主流程中的核心能力，每个智能体还具备额外的辅助能力：

- **advise（建议）**：领域专家智能体可以在新实验开始前，从历史实验中提供经验参数建议。
- **retrospective（回顾）**：研究员智能体可以捕获会话中的学习成果，沉淀到团队知识库中。
- **inference-pipeline（推理管道）**：开发者智能体可以将模型适配到生产环境并进行验证确认。

## 实验追踪与超参数优化

ai-lifecycle推荐与主流的MLOps工具集成，包括Weights & Biases（适合团队协作和sweep UI）、MLflow（适合自托管和开源场景）以及ClearML（适合自动捕获和企业级MLOps）。开发者需要在项目启动时选择一种工具，并在阶段5的基础设施搭建中完成集成配置。

超参数优化是一个条件性阶段，只有在阶段7的分析确认基线满足TECHSPEC的最低可行标准后才会触发。支持的HPO框架包括Optuna、W&B Sweeps、Ray Tune和ClearML HPO。

## 技术栈与模型支持

ai-lifecycle本身不绑定特定的模型提供商，智能体的执行模型由所使用的IDE配置决定。任何支持OpenAI兼容端点的IDE都可以使用。对于直接调用LLM的实用脚本，项目提供了`scripts/llm_client.py`，通过`configs/llm_config.yaml`进行配置，支持Anthropic Claude和任意OpenAI兼容端点。

项目推荐使用Claude Sonnet 4.5+作为执行智能体提示的模型，并配合uv作为Python包管理器。

## 总结

ai-lifecycle通过BMAD方法为AI/ML项目提供了一套结构化的全生命周期管理方案。五个专业智能体的协同工作模式，不仅规范了开发流程，还通过标准化的文档体系和任务分类（INF-*和EXP-*），实现了基础设施和实验逻辑的清晰分离。这种模块化的设计使得项目可以灵活适配不同的开发范式，无论是深度学习、梯度提升、Transformer还是经典机器学习，都能找到合适的工作流程。对于希望提升AI/ML项目管理效率的团队来说，ai-lifecycle提供了一个值得探索的解决方案。