读SDD实战:规范驱动开发之道01Vibe Coding

读SDD实战:规范驱动开发之道01Vibe Coding

1. AI辅助编程工具

1.1. AI辅助编程工具的能力越来越强,每一个都宣称自己能带来“10倍效率提升”​

  • 1.1.1. Claude Code、Cursor、GitHub Copilot、Windsurf

1.2. Vibe Coding通常依赖用户通过简短的自然语言指令让AI去猜

  • 1.2.1. 第一天效率飙升,第一周开始返工,第一个月便陷入自我怀疑

  • 1.2.1.1. 你给AI的信息不够完整

  • 1.2.1.2. 你的指令不够完整

  • 1.2.2. Vibe Coding的问题恰恰在于跳过了第一次创造,直接进入第二次创造—让AI凭空建造一栋没有蓝图的房子

1.3. SDD

  • 1.3.1. 先撰写规范,再编写代码

  • 1.3.1.1. SDD则要求用户(或在AI辅助下)先生成一份结构化的规范文档,内容包括要做什么、为什么做、怎么做以及分几步做,然后让AI严格按照规范执行

  • 1.3.1.2. 以终为始(Begin with the End in Mind)—所有事物都经过两次创造

  • 1.3.1.3. 如果你跳过第一次创造—不画蓝图就盖房,不写计划就创业—你得到的将不是效率,而是混乱

  • 1.3.1.4. proposal.md是心智创造:你在头脑中构建“这个系统应该是什么样”​

  • 1.3.1.5. design.md是架构创造:你在图纸上规划“这个系统怎么实现”

  • 1.3.1.6. tasks.md是执行蓝图:你在清单上明确“按什么顺序建造”​

  • 1.3.1.7. 三份规范构成第一次创造

  • 1.3.1.8. Code(代码)是物质创造:AI按照前三份蓝图,将想法变成可运行的软件

1.3.1.8.1. 代码是第二次创造

  • 1.3.1.9. 瀑布模型把“先设计后编码”制度化,敏捷方法又提醒我们不要把设计冻结成厚重的交付物

  • 1.3.1.10. SDD吸收了前者“先想清楚”的纪律,同时继承了后者“保持迭代”的灵活性,而不是回到一次性、不可变的瀑布模型

  • 1.3.1.11. AI时代的规范不再只是给人看的参考材料,而是给Agent执行的输入

  • 1.3.1.12. 你没有写下来的意图,AI不会知道;你没有明确的约束,AI不会遵守

  • 1.3.1.13. 规范文档从“可选的说明”变成“必要的工程接口”​

  • 1.3.2. SDD并非万能药,但缺乏规范驱动的开发模式,甚至连问题诊断都举步维艰

  • 1.3.2.1. 文档中仅明确了功能需求​,却遗漏了*关键的性能需求

2. Vibe Coding

2.1. Vibe Coding这一概念,由Andrej Karpathy于2025年初提出

  • 2.1.1. 开发者坐在AI辅助编程工具前,仅凭自然语言描述意图,由AI即时生成代码,开发者只需要审视结果—如果能运行便接受,如果报错则重新描述需求

  • 2.1.2. “Vibe”一词的妙处在于,它精准捕捉了这种工作方式的本质—*凭感觉

2.2. 凭感觉描述需求:摒弃了严谨的需求文档,仅在对话中勾勒出一个模糊的轮廓

2.3. 凭感觉做出决策:框架设计和技术选型未经过深思熟虑的论证,而是遵从AI的推荐,或随对话的流向“走到哪算哪”​

2.4. 凭感觉验收代码:验收标准简化为单一的“能否运行”​,而没有追问“为什么选择这个方案”​“是否存在更优解”或“潜在的风险在哪里”​

2.5. 用即兴对话取代了系统设计和规范

  • 2.5.1. 人类给AI的反馈是即时的,交互性很强,但往往不是全面的思考

2.6. Vibe Coding的危险之处,恰恰在于它提供的短期正反馈是真实且强烈的

2.7. 5个致命问题

  • 2.7.1. 需求蒸发

  • 2.7.1.1. 决策虽已做出,却未留下任何痕迹

  • 2.7.2. 上下文漂移

  • 2.7.2.1. 由于早期关键信息已溢出模型的“工作记忆”​,Claude在对话后半段生成的决策,可能与前半段的决策大相径庭

  • 2.7.3. 不可审查

  • 2.7.3.1. 该如何确信这个系统的设计架构是合理且可靠的?

  • 2.7.3.2. 在传统软件工程中,代码审查(Code Review)能够行之有效的关键,在于审查员可以洞察完整的设计意图—这得益于拉取请求(Pull Request,PR)描述、设计文档以及架构决策记录(Architecture Decision Record,ADR)的完备支撑

  • 2.7.3.3. 审查员的职责并非局限于验证代码的正确性,还在于判断技术选型的方向是否正确:当前的架构选择是否合理,引入的依赖是否必要,接口设计是否会给未来的扩展埋下隐患

  • 2.7.4. 不可复现

  • 2.7.5. 不可维护

  • 2.7.5.1. 在软件系统的全生命周期中,维护阶段的成本往往占总成本的60%~80%

  • 2.7.5.2. 代码一旦交付,便会被无数次阅读、修改、扩展与重构

  • 2.7.5.3. 若编写这段代码时的设计意图未能被记录,每一次修改都将演变为艰难的“数字考古”—维护者被迫从晦涩的代码逻辑中反推原始意图,猜测当初为何做出这样的抉择

  • 2.7.5.4. Vibe Coding产出的代码,恰似一位缺失完整病历的患者—医生虽能观测当下症状,却对患者的既往病史、用药记录、手术方案等一无所知

3. 三次范式迁移

3.1. 软件开发方法论的演进,本质上是人类对“如何在不确定性中交付可靠软件”这一永恒命题的持续探索与回应

3.2. 每一次技术环境的重大变化,都会催生软件开发方法论的范式迁移

3.3. 第一代,瀑布模型

  • 3.3.1. 有规范,无迭代

  • 3.3.2. 1970年,Winston Royce提出了著名的“瀑布模型”​。该模型的核心思想朴素但不失严谨:先明确要做什么(需求)​,再规划怎么做(设计)​,随后编码实现,最后测试验收

  • 3.3.3. 瀑布模型的优点在于其结构清晰,每个阶段均产出明确的交付物—从需求规格说明书、概要设计文档、详细设计文档到测试计划

  • 3.3.4. 瀑布模型存在一个致命缺陷,即它*建立在需求不变的假设上

  • 3.3.4.1. 在真实的软件工程中,需求往往具有高度的不确定性,几乎不可能在一开始就完全明确

3.4. 第二代,敏捷开发

  • 3.4.1. 有迭代,轻规范

  • 3.4.2. 可工作的软件,胜过详尽的文档

  • 3.4.3. 在人类开发者主导的时代尚可勉强运转—毕竟代码由人编写,开发者自己清楚代码背后的逻辑,遇到问题也可面对面直接沟通

  • 3.4.4. AI无法参与团队的每日站会,无法参加架构讨论,更不可能了解你上周在白板前做出的决策,它所能掌握的,往往仅限于当前对话窗口内的信息

  • 3.4.5. 如果用建筑装修来比喻,敏捷开发好比边盖边改的小型装修,每周与甲方确认方向,随即开展两周的施工

  • 3.4.5.1. 这种方式效率高,适应性强

3.5. 第三代,SDD模式

  • 3.5.1. 有迭代,有规范

  • 3.5.2. 既有OpenSpec框架的设计者、Spec-Kit工具的作者、BMAD方法的提出者,也有无数在与AI协作过程中踩过坑的开发者

  • 3.5.3. 规范驱动开发(Specif ication-Driven Development,SDD)​

  • 3.5.3.1. 规范是第一手工件,代码是规范的衍生物

  • 3.5.4. ​“第一手工件”意味着在SDD的工作流中,人类工程师的核心产出并非代码,而是规范,包括需求规范、架构设计文档、接口契约以及任务拆解清单等

  • 3.5.4.1. 这些结构化的文档才是人类智慧的真正载体

  • 3.5.5. ​“代码是规范的衍生物”意味着代码是依据规范生成的,恰如建筑是依照图纸建造而成

  • 3.5.5.1. 基于同一份图纸,可以选用不同材料建造房屋;同理,依据同一份规范,也能利用不同的技术栈生成代码

  • 3.5.6. 只要图纸不变,房子的“骨架”便始终如一

  • 3.5.7. SDD模式并非对瀑布模型的回归

  • 3.5.7.1. 保留了敏捷开发最重要的“遗产”—迭代与拥抱变化,同时弥补了敏捷开发中常被忽视的一环:将设计决策从非正式的对话记录中提取出来,固化为正式且可版本控制的规范文档

  • 3.5.8. SDD模式的核心迁移在于从‘代码即产出’转变为‘规范是产出,代码仅是副产品’

  • 3.5.9. 在AI时代,能写出好规范的工程师,比能写出好代码的工程师更稀缺

posted @ 2026-11-22 07:31  躺柒  阅读(14)  评论(1)    收藏  举报