规范驱动开发：用Spec管住AI编程助手的失控

当你让编程助手连续运行二三十分钟生成代码时，与其事后花几个小时收拾残局，不如先花三四分钟写清楚指令。这是DeepLearning.AI与JetBrains合作推出的规范驱动开发（Spec-Driven Development，简称SDD）课程的核心观点。由JetBrains开发者倡导者Paul Everett主讲，Andrew Ng引入，这门课系统讲解了如何用一份Markdown规范文件来掌控AI编程助手的行为。

从Vibe Coding到工程化

Vibe coding（氛围编程）的典型场景是：你写一句"给我做个按钮"，然后看结果——按钮太大了、颜色不对，你再指出问题，让agent重试，循环往复。对一个按钮来说这没问题，但放到大型项目里就会崩溃。高层级的提示词虽然快，却会产出一次性代码和不断累积的技术债，而且那段冗长的对话历史甚至不会被保存下来。

课程将SDD定义为"对无监督AI生成所带来混乱的专业回应"。它的本质是一次范式转变：把说明"做什么、为什么做"的规范（specification），与"怎么做"的实现（implementation）解耦。规范成了人与人、人与agent之间的契约。开发者的主要任务从亲手写代码，转向把意图转化为清晰的规范。

课程打了个比方：编译器把人类可读的源码转换成机器码，而SDD则通过agent和提示词，把规范转换成源码——只不过规范是用人类语言写的，便于利益相关方理解。

上下文窗口（context window）是大语言模型在单次推理中能处理的最大文本量，目前主流模型在10万到200万token之间。当对话历史越来越长，早期的指令和约定会被推出有效注意力范围，模型开始"遗忘"项目规则，输出质量随之下降——这就是课程所说的上下文衰减（context decay）的底层机制。无状态（stateless）则意味着每次新会话agent都从零开始，不保留上一次交互的任何记忆，除非开发者主动把必要信息带入新会话。SDD通过持久化的规范文档充当外部记忆，弥补了模型这一先天缺陷。

规范带来的三大收益

课程反复强调SDD的三个核心好处。第一是用小改动控制大变更。规范里一句"使用SQLite配合Prisma ORM"可能影响数百行代码，改成"换成MongoDB"也只是一句话的事。这让写规范远比手写代码高效，大幅降低了与超高速编程agent协作时的认知负担。

第二是消除上下文衰减（context decay）。Agent是无状态的，随着对话推进，上下文窗口被填满，agent开始频繁出错。规范能在不同会话、甚至不同agent之间持续存在，把agent锚定在代码库所需的核心上下文上。

第三是提升意图保真度（intent fidelity）。规范迫使你在agent开始生成代码之前，先定义好问题、成功标准、约束条件和用户流程。因为开发者拥有LLM所缺乏的独特背景和主观判断，明确写下这些决策，结果自然优于让模型随机选择。

宪法与功能开发循环

SDD的工作流从项目级的"宪法"（Constitution）开始。宪法定义三大支柱：使命（mission，解释项目的愿景、受众、范围）、技术栈（tech stack，团队对开发部署技术和约束的共识）和路线图（roadmap，按阶段排列的动态文档）。课程指出，不少开发者用顶层的agents.md文件来做类似的事，但项目宪法更结构化，而且不绑定特定agent。

宪法确定后，每个功能都走一个可重复的循环：规划（plan）→ 实现（implement）→ 验证（validate）。每个功能在独立分支上开发，功能之间保持干净的起点，减少上下文切换的麻烦。功能之间还有一个"重新规划"（replanning）环节——修订宪法、更新路线图，甚至改进流程本身。课程用"放慢才能跑快"来形容这一步。

写宪法的推荐做法是与agent对话。课程演示的示例项目叫Agent Clinic——一个给AI agent治病的诊所，用来调侃agent也会有幻觉、上下文腐烂、记忆问题。开发者把项目描述和stakeholder写的readme交给agent，让它就使命、技术栈、路线图提问。Agent往往会提出开发者没想到的架构模式和权衡问题，比如"速度 vs 数据保真度"。

人在回路中的角色转变

课程把开发者比作建筑师：你把详细图纸交给施工队，然后负责监督施工、审查验收或要求返工，而不是告诉工人该怎么干活。"agent是肌肉，规范是大脑"。

由于agent写代码极快，开发者开始谈论"认知债"（cognitive debt）——追踪代码在做什么、如何演进所需的心智负荷。应对方法是保持变更规模可控、频繁小步提交。审查时应聚焦于高层级问题（功能是否可用、是否符合规范），而非CSS类名这样的细节。课程演示中还用到了一个有效技巧：让agent派生多个子agent（sub-agent）对整个项目做深度审查，既给了agent更多思考空间，又用子agent隔离的方式保护了主agent的上下文窗口不被污染。

一个值得记住的观点是：实现过程中发现规范的遗漏（比如没规定如何抽取props类型）并不是失败，而是在探索中演进规范，并把新发现记录下来，以便未来获得更好的结果。

棕地项目与工作流自动化

很多人认为SDD和AI只适合全新的绿地（greenfield）项目，课程专门反驳了这一点。对已有的遗留（brownfield）项目，agent可以通过探索现有代码库、提交记录和文档，"逆向工程"出SDD所需的工件，生成宪法来对齐未来的代码变更。流程和绿地项目完全一致。

课程后半部分讲到如何用**agent技能（skills）**自动化重复性工作流。比如每次启动功能规范时都要输入相同的提示词，就可以打包成一个技能；验证步骤里的更新readme、lint、格式化、跑测试等也能封装成一个验证技能。技能可以是项目级或全局的。

一个重要趋势是从MCP转向"技能+CLI"。此前扩展agent的通用方式是MCP（Model Context Protocol），比如Context7这个为agent带来最新包文档的热门服务。但Context7现在也开始推荐用调用CLI工具的技能来替代MCP服务器——因为CLI工具能以更少的设置和更少的上下文消耗完成同样的工作。课程判断这一趋势正在加速。

MCP（Model Context Protocol）是Anthropic于2024年底提出的开放协议，旨在标准化AI模型与外部数据源、工具之间的连接方式，类似于为agent世界定义的"USB接口"。通过MCP服务器，agent可以实时调用搜索引擎、数据库、代码仓库等外部能力，而无需将这些能力硬编码进模型本身。Context7是其中颇具代表性的MCP服务，专门为agent提供各类开源库的最新官方文档，解决模型训练数据滞后导致引用过时API的问题。课程指出的趋势——从MCP转向CLI技能——反映了实践中发现MCP服务器的配置复杂度和额外上下文消耗有时超过其带来的便利，直接调用成熟的命令行工具往往更轻量、更可靠。

保持工作流与工具的独立性

课程最后强调，由于模型和agent进化太快，不应把工作流绑死在单一选择上。它介绍了一系列标准：agents.md用于规则，agent skills用于封装可重复工作流，MCP用于外部工具，ACP（Agent Client Protocol）用于连接agent与客户端。ACP的架构与LSP类似，配合ACP注册表，可以自动化地在IDE里查找、安装、连接各种agent，比如OpenCode。

开源工具方面，课程提到GitHub的SpecKit（提供constitution、plan、tasks、implement等斜杠命令）和FissionAI的OpenSpec（遵循propose→explore→apply→archive的工作流），两者都包含分支管理、验证脚本和规范文档格式。课程演示了同一个功能规范技能在Claude Code和OpenAI Codex之间迁移后照常运行，证明了工作流的可移植性。

正如课程结尾所说："你今天写下的规范，会成为明天项目的记忆。" SDD的价值在于把工作重心从"怎么做"转移到"做什么、为什么做"，让开发者重新成为软件的掌舵者，而不是对着agent的输出碰运气。

LSP（Language Server Protocol）是微软在2016年为VS Code提出、后被广泛采纳的协议，将代码补全、跳转定义、错误诊断等语言智能功能从编辑器中解耦出来，任意语言只需实现一个语言服务器就能被任意支持LSP的编辑器使用。ACP（Agent Client Protocol）借鉴了相同的解耦思路，试图在agent能力与IDE客户端之间建立标准化接口：agent实现ACP服务端，IDE实现ACP客户端，两者通过协议通信，从而让同一个agent可以在不同开发环境中无缝工作，开发者也不必因为换了编辑器就重新配置整套agent工具链。