治理：控制、证据、责任与度量

治理不是在高速流程末尾增加一个慢会议，而是让每个控制目标都有执行层、证据位置和责任人。AI 原生 SDLC 保留人类对判断性决定的责任，同时把可机械执行的约束编码成测试、Hook、权限、沙箱、分支保护与托管设置。版本化工件和身份日志把“做了什么、依据什么、谁批准”连成审计链。

学习目标

• 能把抽象政策改写为控制目标、执行机制、证据与责任人。
• 能为不同阶段选择领先和滞后指标，而非只看生成量。
• 能识别职责分离、权威源和可观测性中的治理缺口。

核心概念

控制强度应与风险匹配。CLAUDE.md 和 Skills 提供上下文与建议性约束；Hooks 与确定性检查执行动作边界；权限限制工具调用；沙箱限制 Bash 子进程的文件和网络；分支保护与命名审批人承担组织授权。没有任何单层控制能覆盖全部风险，关键要求需要纵深防御。

证据必须能回答四个问题：请求是什么、代理产生了什么、依据哪版规则、谁接受了判断。intent.md、spec.md、plan.md、差异、测试输出、PR 历史、发布记录和事故工件共同构成链条。若传统需求或变更系统仍是权威源，Markdown 工件应持有记录 ID，原系统回写提交 SHA，避免两份事实无从判断。

度量要跨阶段成对设计。领先指标观察流程是否正在改善，滞后指标观察质量后果：意图形成时间配接受率；规范形成时间配构建后的需求返工；首轮 CI 成功率配变更失败率；首次评审时间配生产逃逸缺陷；控制带到意图的时间配重复事故。DORA 指标可继续用于部署阶段，但不能替代任务级风险和治理证据。

实践步骤

1. 列出必须保留的控制目标，例如敏感数据不进入日志、生产发布需指定人员授权。
2. 为每项目标填写“执行机制—证据—保存位置—所有者—例外路径”，缺一项就视为未落地。
3. 检查实现代理是否拥有批准自己 PR、修改关键测试或直达生产的路径，并拆分身份与权限。
4. 指定每类工件的权威源；在副本与权威记录之间建立双向 ID/提交链接。
5. 每阶段只选一对领先/滞后指标，先记录基线，再设方向性目标和防作弊护栏。
6. 定期抽样一条真实变更，从意图追到事故或上线；任何断链都转成改进任务。

以下控制登记矩阵为 AIKnow 原创示意，不是 Anthropic 官方治理标准。

团队可以用它开始梳理，再按内部政策补充证据保存期与例外流程：

控制目标	执行机制	可审计证据	人类责任人	失效指标
未授权者不可发布生产	分支保护 + 发布 Hook + 独立身份	PR 批准与 Hook 决策日志	发布经理	未授权尝试/实际越权数
敏感字段不进日志	Skill 提醒 + 静态扫描 + CI 阻断	扫描结果、例外审批	数据保护负责人	生产泄露事件数
修复不削弱回归测试	先提交失败测试 + 修复阶段保护	RED/GREEN 输出与差异	代码所有者	同类缺陷重复率

常见误区

• 政策写在文档里就算执行。 对不可例外要求，需要确定性机制和可验证失败行为。
• 收集所有可得指标。 大仪表板容易掩盖真正决策；每个指标必须对应控制或改进问题。
• 只追求时间下降。 若接受率、逃逸缺陷或重复事故恶化，速度指标没有独立意义。
• 把会话日志当唯一审计源。 日志应与工件、PR、检查运行和身份关联，并遵守隐私与留存要求。
• 允许项目配置覆盖企业底线。 高风险组织应使用不可由个人或仓库放宽的托管策略。

动手练习

选择一条真实政策，把“团队应注意……”改写成控制登记表的一行。然后做一次逆向演练：假设代理忽略 Skill、shell 子进程绕过文件工具、实现者尝试自批，分别由哪一层阻止？最后为当前团队选三对指标，写明数据源、负责人和异常后采取的动作。

要点回顾

成熟治理的单位不是会议，而是“控制目标—执行—证据—责任”的完整链。人类判断位于风险门，代理和工具负责准备证据与执行边界。成对度量既看速度又看质量后果，权威源和身份记录则让整条工件链可追溯。

参考来源

• Anthropic / Claude 官方文章：The AI-Native SDLC playbook，综合各 Play 的 “Governance considerations” 与 “How to measure it”，核验日期：2026-08-26。
• Claude 官方文档：Configure permissions 与 Sandboxing，用于核验工具权限与 OS 级执行边界，核验日期：2026-08-26。
• Claude 官方文档：Monitoring，用于核验 OpenTelemetry 事件、工具活动与身份字段的可观测能力，核验日期：2026-08-26。