ENGINEERING
Disciplina, pragmatisme, discovery i coneixement reusable.
DCP Flow · Evolution Path
Com madura DCP Flow com a metodologia d’enginyeria.
Evolution explica com la metodologia incorpora pràctiques, evidència, coneixement reusable i agents d’IA sense perdre governança ni responsabilitat humana. No és el changelog del Handbook ni del microsite.
Estat actualEN EVOLUCIÓ
Darrera actualització6 set 2026
Versió metodològicaNo publicada formalmentLa font normativa de DCP Flow encara no declara una versió metodològica oficial.
Baseline metodològica verificable25 ag. 2026Primera baseline metodològica coherent i trilingüe recolzada pel repositori. No és la data de creació de DCP Flow.
AI-NATIVE ENGINEERING
IA integrada al delivery, coordinació multi-agent i evidència com a condició d’avanç.
AGENTIC ENGINEERING
Autonomia governada, Kai com a capa especialitzada i evolució contínua.
01ENGINEERING
Foundation
Enginyeria disciplinadaRequisits, arquitectura, control de versions, entorns, testing, documentació, operació i suport formen la base. La IA no substitueix aquestes disciplines.
02ENGINEERING
Pragmatic Agile
Agile per utilitat, no per cerimòniaBacklog, sprints, priorització, reviews, entregues incrementals i millora contínua es reutilitzen de manera proporcional al context.
03ENGINEERING
Solution Discovery
Primer entendre el problemaAbans de construir, DCP Flow compara alternatives i utilitza IMPLEMENT / EXTEND / BUILD com a modes explícits de decisió.
04ENGINEERING
Reusable Engineering
L’aprenentatge deixa de quedar aïllatStandards, Blueprints, Skills, patterns, templates i checklists converteixen coneixement validat en actius reutilitzables.
05AI-NATIVE ENGINEERING
AI-Assisted Development
La IA entra al cicle d’enginyeriaLa IA participa en recerca, arquitectura, desenvolupament, refactoring, documentació, testing, QA i anàlisi de repositoris sota context i regles.
06AI-NATIVE ENGINEERING
Multi-Agent Engineering
Diversos agents sense interferirOwnership, scopes, branches, context boundaries, interfaces, repository contracts, AGENTS.md i handoffs formalitzen el treball concurrent.
07AI-NATIVE ENGINEERING
Evidence-Driven Delivery
Code Complete → Evidence CompleteQuality Gates, Golden Flows, tests, logs, runtime/browser evidence i Human Acceptance converteixen “funciona” en una afirmació verificable.
08AGENTIC ENGINEERING
Human-Accountable AI
Capability ≠ AuthorizationLa capacitat tècnica pot créixer, però permisos, Human Gates, accions sensibles, reversibilitat i aprovacions mantenen responsabilitat humana explícita.
09AGENTIC ENGINEERING
Agentic DCP Flow
Agents especialitzats interpreten el sistemaKai interpreta, audita i ajuda a operar DCP Flow; no és la metodologia ni substitueix els execution agents.
10AGENTIC ENGINEERING
Continuous Evolution
L’aprenentatge validat millora el sistemaProject → Evidence → Lesson Learned → Validation → Reusable Knowledge → DCP Flow → Next Project. No tota lliçó es promou.
Continuous Learning
Com aprèn DCP Flow
ProjectEvidenceLesson LearnedValidationReusable KnowledgeDCP FlowNext Project
Una lliçó ha de demostrar que és repetible, útil, generalitzable i mantenible abans de convertir-se en Standard, Blueprint, Skill, Gate o altre coneixement reusable.
Market Alignment · Sep 2026
Decisions derivades del benchmark — setembre de 2026
Market Alignment aporta senyals externs; l’Engineering Roadmap intern decideix què mereix validació. Aquesta secció no és el roadmap complet ni converteix un senyal en normativa vigent.
- Metrics Lite
- AI Eval Gate
- Executable Gates Lite
- AI Observability
- Model Cost / Latency Tracking
- complexitat de plataforma d’agents sense evidència
- certificació
- marketplace
- MCP everywhere
- altres capes sense evidència de projecte
Boundary d’Evolution
Canvis editorials, traduccions, estructura del microsite, releases i canvis tècnics del repositori pertanyen a l’historial del producte documental. Evolution es reserva per a la maduresa conceptual de DCP Flow i la seva curació pública.