资深工程师的AI代码实践：用规范驱动打造软件工厂

一位拥有15年以上软件工程经验的开发者在Reddit分享了他在企业级开发中与AI Agent协作的完整方法论。他的核心观点很明确：在对代码质量零容忍、不接受任何"AI垃圾"的大型企业环境里，只有**规范驱动（spec-driven）**的工作方式才能让AI Agent真正可控地产出可用代码。

为什么普通的AI编程方式在企业里行不通

很多人对AI辅助编程的体验停留在"打开聊天窗口、描述需求、复制粘贴生成代码"的层面。这种方式在个人项目或原型阶段或许够用，但在Fortune 500级别的代码库中却是灾难——上下文缺失、随机性输出、难以审查的改动，都会让"AI slop"（AI生成的低质量代码）迅速积累。

这位工程师强调，问题的关键不在于模型能力，而在于如何为Agent构建正确的上下文。当需求被拆解成明确的规范、每一步都有确定性的流程约束时，Agent的准确率才能提升到可以在严格代码审查环境下通过的程度。他把这套方法称为"the only way"（唯一可行的方式），语气虽然绝对，但背后反映的是企业级场景对确定性的真实需求。

核心理念：把开发变成"软件工厂"

他将自己的工作流形容为一条软件工厂流水线（software factory）：每一个待办事项（issue）像产品一样被放到传送带上，依次经过确定性的处理步骤。

典型的流水线阶段包括：

• Plan（规划）：明确这个issue要做什么，形成可审查的实现计划
• Review（评审）：对计划本身进行检查，而不是等到代码写完
• Implementation（实现）：Agent按照批准的计划编写代码
• Test（测试）：验证产出是否符合预期

这种"先定规范、再分步执行"的思路，本质上是把人类工程师在大型项目中的严谨流程，映射到了Agent的自动化执行上。每一步都是确定性的（deterministic），减少了随意发挥带来的不可预测性。

技术支撑：这套Harness里有什么

为了让流水线跑起来，他构建了一套完整的工具集（harness），其中几个组件值得关注：

自我改进循环与聊天编排

**自我改进循环（self improving loop）让Agent能够基于反馈迭代优化，而聊天编排器（chat orchestrator）**负责协调多个Agent之间的任务分配和信息流转。这两者结合，使得系统不只是单次调用模型，而是形成了可持续演进的工作机制。

并行化：worktree 与百级会话

最引人注目的是它的并行能力。系统利用 Git worktrees 自动为大量Agent创建独立的工作目录，从而实现同时运行大量Agent。配合一个完整的 git diff 引擎，据称可以在不互相阻塞的情况下同时处理100+个会话。

对于任何维护过大型代码库的人来说，同时管理上百个并行分支而不产生冲突混乱，是一个相当有分量的工程挑战。这也是他能成为公司项目第一活跃贡献者的技术底座。

面向自动化与协作的CLI

整套系统提供了完整的CLI用于自动化操作，并支持将计划和实现方案分享给同事。这一点在企业协作中尤为重要——AI产出的每一步都是透明、可审查、可复用的，而不是黑盒。

成果与值得思考的地方

作者给出的成果相当直接：在一家Fortune 500公司的项目中成为最活跃的贡献者，同时保持零错误、零slop投诉。他将这套方法定义为自己找到的"最可控的10倍产出方式"。

从方法论角度看，这个案例有几点启发：

• 规范先行胜过对话式生成。把需求转化为结构化规范，是提升Agent准确率的关键杠杆。
• 确定性流程降低不可控性。用固定的plan-review-implement-test阶段约束Agent，比放任其自由发挥更适合高标准环境。
• 并行不等于失控。借助worktree和diff引擎，规模化的Agent协作可以做到有序管理。

当然，这些说法目前主要来自作者的个人陈述，缺乏第三方验证的量化数据。"100+并行会话""零投诉"这类描述在实际推广中的可复现性，仍需更多实践检验。作者表示该项目已经开源，感兴趣的开发者可以进一步了解其真实实现。

小结

这篇分享的价值不在于宣传某个具体工具，而在于它代表了一种正在成型的趋势：AI辅助编程正从"聊天式辅助"走向"工程化流水线"。对于需要在严格质量约束下规模化使用Agent的团队，把开发流程拆解成确定性步骤、构建专门的编排与并行基础设施，可能是让AI真正落地企业级项目的现实路径。