SDD(Spec-Driven Development)

Spec 驱动 AI 研发范式的本质

一、问题定义：传统 AI 编程的痛点

当前主流的 AI 辅助研发流程通常是：

自然语言需求 → AI 直接生成代码 → 人工 review → 迭代修正

这一模式的根本问题是契约缺失：AI 对需求的理解是一次性、内化的，人类难以在生成之前判断 AI 是否真正理解了边界、约束和验收标准。结果是：

• 不可复现：同样的 prompt 多次执行，输出可能差异很大；
• 难以审查：代码与需求之间的映射关系不透明；
• 边界失控：AI 容易在权限、性能、安全等关键约束上“自由发挥”；
• 知识随对话流失：需求理解沉淀不下来，换一次对话就要重新交代。

Spec 驱动范式正是为了解决这些问题而产生的。

二、本质定义

Spec 驱动 AI 研发范式的本质，是将“需求→代码”的线性过程改造为“需求→Spec→代码”的契约化过程。

在这个范式中：

• Spec 是中间契约层：它不是传统意义上的“设计文档”，而是人类意图与机器执行之间的可验证、可复用、可审计的正式表达。
• AI 是 Spec 的执行者：AI 不再直接根据自然语言生成代码，而是先理解、遵循、有时甚至生成 Spec，再基于 Spec 执行具体任务。
• 人类保留关键决策权：人类负责定义、确认和验收 Spec，AI 负责按 Spec 生成、校验和优化。

简言之，Spec 驱动让 AI 从“自由创作者”变成“契约执行者”。

三、范式架构

一个典型的 Spec 驱动研发流程包含三个层次：

1. 规范底座层（Spec Layer）

Spec 可以以 Markdown、结构化 schema、配置文件、规则文件等形式存在，核心内容包括：

• 业务目标与范围：要解决什么问题、边界在哪里；
• 约束与红线：性能、安全、副作用、合规要求；
• 接口与数据契约：输入输出、字段定义、状态机；
• 验收标准：如何判断实现是否正确；
• 执行步骤：AI 应该按什么顺序调用哪些能力。

这一层的关键特征是机器可读、人可维护。

2. 执行入口层（Execution Layer）

AI Agent 或 Skill 作为执行入口，按 Spec 中定义的步骤调用工具、生成代码、执行校验。它的核心职责是：

• 解析 Spec；
• 按 Spec 约束选择行动；
• 在执行关键步骤前请求人类确认；
• 输出可追溯的执行记录。

3. 流程兜底层（Governance Layer）

通过 Git 工作流、PR/MR 模板、代码审查、CI 校验等手段，确保：

• 所有代码变更都对应到 Spec；
• Spec 本身也经过版本控制；
• 关键决策点不被 AI 自动绕过。

这三层共同构成一个“人类定义规则、AI 执行规则、流程保证规则被遵守”的闭环。

四、与传统范式的核心区别

维度	传统 AI 编程	Spec 驱动 AI 研发
核心输入	自然语言 prompt	结构化 Spec + 自然语言补充
AI 角色	直接生成代码的“黑盒”	按契约执行的“协作者”
可解释性	低，依赖 prompt 工程	高，变更与 Spec 一一对应
可复现性	低，输出波动大	高，Spec 是稳定上下文
风险管控	事后 review	事前约束 + 事中确认 + 事后审计
知识沉淀	随对话流失	Spec 成为可复用资产

五、关键收益

1. 确定性提升
   Spec 将模糊需求转化为明确边界，减少 AI 的猜测空间。

2. 可审计性增强
   每一个代码变更都可以追溯到对应的 Spec，便于 review、回滚和复盘。

3. 规模化复用
   Spec 本身是可沉淀的组织资产。同类任务可以复用已有 Spec，而不是每次都重新 prompt。

4. 人机分工清晰
   人类负责“做什么”和“能不能做”，AI 负责“怎么做”和“做得对不对”。

5. 降低长期维护成本
   因为 Spec 与代码同步演进，新成员或新 AI 会话可以通过阅读 Spec 快速理解系统意图。

六、适用边界与风险

Spec 驱动并非万能：

• 不适合高度探索性任务：在需求本身极不明确的早期创新阶段，过早定 Spec 可能扼杀创造性。
• Spec 质量决定上限：如果 Spec 写错了，AI 会高效地执行错误。
• 需要组织习惯配合：如果团队不愿意维护 Spec、不愿意按 Spec review，范式会流于形式。
• ** overhead 增加**：小改动也需要维护 Spec，可能降低局部效率。

因此，Spec 驱动更适合需求相对明确、变更需要审计、团队协作复杂、对质量与风险敏感的研发场景。

七、总结

Spec 驱动 AI 研发范式的本质，可以概括为一句话：

用结构化的“契约”取代一次性的“提示”，让人类与 AI 在共同理解的规则下协作，使 AI 的输出从“不可预测的创作”变成“可验证的执行”。

它不是让 AI 多写文档，而是让文档成为真正的执行依据；也不是取代人类判断，而是把人类的判断前置到 Spec 定义和关键确认节点，从而释放 AI 在执行层面的规模化和自动化能力。