Nếu một data team áp dụng phương pháp AI-SDLC — AI-DLC của AWS hay plugin data-engineering của Claude — thì nó thực sự phủ được nửa nào trong công việc của họ?

Method: Primary sources, read directly. Cloned and read three repositories at their current heads: awslabs/aidlc-workflows (head 488ab10, 2026-09-19; CHANGELOG at 2.9.0, 2026-09-15), anthropics/claude-plugins-official (Anthropic's own plugin marketplace manifest), and astronomer/agents (head cbe1141, 2026-09-17) — enumerating stages, scopes, agents, skills and cache code, and grepping the full AI-DLC markdown corpus for data-domain vocabulary. dbt's semantic-model definition was read from the raw docs.getdbt.com page and the quote checked against the page text. What was blocked: claude.com and www.claude.com (→ redirects to claude.com), aws.amazon.com, arxiv.org — all refused at the proxy CONNECT (response 403), i.e. the allowlist, not the sites. So Anthropic's own AI-Native SDLC playbook and its data-engineering plugin page are SECONDARY here, and the 21% → ~95% figures from the Sep 17 digest remain unverified for the second session running. Access changed since 2026-09-17, measured (recorded for research-loop/ACCESS.md): docs.getdbt.com, www.anthropic.com and www.databricks.com all answer 200 this session, having been recorded as blocked on 2026-09-17. claude.com is still refused. www.anthropic.com/engineering/ai-native-sdlc returns a genuine 404 — the playbook is not mirrored there.

Câu hỏi thật từ một data team

Giả sử một người senior đọc xong một bài talk và nói: "Mình áp dụng AI-DLC đi." Data team sẽ thực sự nhận được gì?

Mình không đoán — mình clone ba repo và đọc trực tiếp: awslabs/aidlc-workflows (AI-DLC 2.9.0), manifest marketplace plugin chính thức của Anthropic, và astronomer/agents.

AI-DLC: một vòng đời phần mềm, đo được

33 stage, 5 phase: từ intent capture, user story, domain design, đến code generation, build and test, deployment, incident response (VERIFIED).

Đọc danh sách đó bằng con mắt data engineer: không có stage nào cho ingest nguồn dữ liệu, cho mô hình hoá analytics, cho kiểm thử chất lượng dữ liệu, cho lineage, cho backfill, hay cho định nghĩa metric.

Mình grep toàn bộ markdown của repo: data warehouse, dbt, semantic layer, data governance — 0 file. ETL xuất hiện đúng 1 lần, trong một file 74 dòng về thiết kế DynamoDB (VERIFIED). Gõ "build me a pipeline", nó sẽ lặng lẽ rơi về scope classic — luồng delivery phần mềm mặc định.

Công bằng mà nói: AI-DLC chưa bao giờ tự nhận là phương pháp cho data. Đây là phát hiện về điều data team sẽ nhận được, không phải lời chê.

Plugin "data-engineering": một vendor, liệt kê hai lần

Trong manifest marketplace của Anthropic (310 plugin), hai mục data-engineering và astronomer-data-agents trỏ về cùng một repo, cùng một commit — astronomer/agents (VERIFIED). Mục có cái tên chung chung kia không ghi author, nên trong danh sách trông như năng lực chính chủ của Anthropic.

Nó có 34 skill, trong đó 26 là cơ chế Airflow/Astronomer, chỉ 8 đụng tới warehouse (VERIFIED). Tức là tooling orchestration có gắn thêm phần đọc warehouse — đúng như nó tự mô tả.

Đường nối: hai kho context, hai kiểu quản trị ngược nhau

Đây là phần đáng mang về nhất, và toàn bộ là VERIFIED.

Kho thứ nhất — trong repo, nhưng bỏ trống chỗ quan trọng. Skill warehouse-init quét INFORMATION_SCHEMA, sinh ra file .astro/warehouse.md được version control. Tốt. Nhưng phần ý nghĩa nghiệp vụ thì ship dưới dạng một dòng comment: . Máy liệt kê được mọi bảng bạn có; nó không nói được "khách hàng active" nghĩa là gì.

Kho thứ hai — tự điền, nhưng không ai thấy. Skill analyzing-data cho phép agent tự ghi ánh xạ khái niệm → bảng (kiểu "customers" → bảng nào) vào ~/.astro/ai/cache/concepts.json, hết hạn sau 90 ngày. Home directory. Từng máy một. Ngoài repo. Không qua code review.

Kho được điền tự động lại chính là kho không ai nhìn thấy. Hai kỹ sư cùng team có thể giữ hai câu trả lời khác nhau cho "bảng nào là customers" mà không ai biết.

Trong repo, có review — trông ra sao

dbt là ví dụ đối chiếu (VERIFIED, docs.getdbt.com): semantic model được khai báo bằng YAML, nằm ngay trong project, cạnh model nó mô tả, đi qua cùng pull request với thay đổi schema. Dùng được ngay hôm nay, không cần áp dụng phương pháp AI-SDLC nào cả.

Thử tuần này

Hỏi định nghĩa nằm ở đâu, trước khi hỏi dùng tool gì. Ba câu trả lời, từ an toàn đến rủi ro: trong repo, có review → trong repo, không ai review → ngoài repo.
Một phép thử rẻ: nếu team dùng plugin này, mở ~/.astro/ai/cache/concepts.json trên máy của hai kỹ sư và so sánh. Khác nhau là bạn vừa tìm ra một tầng định nghĩa không được quản trị — không cần họp.
Coi dòng comment  là dự án thật. Tool làm phần liệt kê được trong vài phút. Phần còn lại là việc thống nhất — việc của PM, không phải của tool.
Đừng để câu "mình áp dụng AI-DLC" trôi qua trong bối cảnh data. Hỏi stage nào trong 33 stage ứng với ingest, chất lượng, lineage. Câu trả lời là không stage nào.

Playbook AI-Native SDLC của chính Anthropic (Plan → Design → Build → Test → Deploy → Maintain) chỉ đọc được qua trích đoạn — claude.com bị chặn — nên là SECONDARY.

Lời mờiNếu team bạn cho agent chạy trên warehouse: định nghĩa của nó nằm ở đâu — trong repo, hay trong home directory của ai đó? Kể mình nghe bạn tìm thấy gì. Mình muốn câu trả lời thật, không phải sơ đồ kiến trúc.