11 万 Star 的 Spec Kit,90% 的工程师只用它解决了 10% 的问题
为什么 Vibe Coding 的天花板这么低先说清楚问题再说解决方案。vibe coding 这个词是 Andrej Karpathy 提出的原意是「顺着感觉写代码让 AI 处理细节」。在原型验证阶段这个方式非常有效——你描述个大概AI 给你一个能跑起来的架子5 分钟内看到效果。但进入真正的功能开发之后这个模式会遇到一个内在矛盾AI Agent 不是搜索引擎它是「字面意思执行者」。你说「加一个排序功能」它就加排序功能。它不知道你的数据量有多大不知道你的分页逻辑在哪一层不知道「注册时间」和「创建时间」在你的 schema 里是不是同一个字段。它把所有这些模糊的空间用它认为「合理」的猜测填满了。这就是 GitHub 官方文章里说的那句话“it looks right, but doesn’t quite work”——看起来对但跑起来不对。更深的问题是需求漂移context drift。你在一个长对话里反复修改需求AI 的「记忆」会逐渐偏离最初的意图。第 10 轮修改的代码和第 1 轮的需求之间可能已经没有直接的对应关系了。这不是 AI 的智力问题是信息结构的问题。vibe coding 本质上是把「需求」藏在了对话历史里分散在十几条消息的来回里。AI 每次生成代码都需要从这些碎片里重建上下文每次重建都可能丢失细节。Spec Kit 的解法是把需求从对话里拿出来放到一个结构化的文件里。这个文件就是 spec.md它是整个开发流程的单一真相源。AI 每次做任何决策都从这里取信息而不是从对话历史里猜。vibe coding 与规范驱动开发的对比需求漂移 vs 单一真相源图左边是 vibe coding 的信息结构——需求散落在对话里AI 每次都在猜右边是 SDD 的信息结构——spec.md 是唯一真相源AI 从这里取信息Spec Kit 的核心设计七步工作流Spec Kit 的安装很简单核心是一套七步工作流每一步生成一个文件这些文件共同构成一个功能的「完整规范体系」。在看具体命令之前先理解这个设计哲学规范先于实现文件先于代码。传统开发是先写代码遇到问题再补文档。Spec Kit 是先写规范让规范驱动代码生成。这个顺序的改变意义远大于工具本身的功能。七步工作流全景步骤 命令 生成文件 核心作用1 /speckit.constitution .specify/memory/constitution.md 项目治理原则所有后续决策的底线2 /speckit.specify specs/[FEATURE]/spec.md 用户故事和功能需求only「what」和「why」3 /speckit.plan specs/[FEATURE]/plan.md 技术架构和技术栈选型4 /speckit.clarify — 解决歧义提前暴露假设5 /speckit.tasks specs/[FEATURE]/tasks.md 带依赖关系的任务清单6 /speckit.analyze — 跨文件一致性验证7 /speckit.implement 实际代码 系统性执行所有任务这七步里最容易被跳过的是第 4 步clarify和第 6 步analyze。跳过这两步的代价往往在第 7 步才暴露出来——任务跑到一半发现两个模块的接口不兼容或者某个边界情况根本没考虑进去。有实践者在完整走完一个 Azure 微服务项目后报告在 analyze 阶段自动发现了 9 个潜在问题包括「缺失 FluentValidation 验证器」和「DI 注册顺序错误」——这两个如果等到 implement 阶段才发现代价是完全不同的。最终生成的目录结构是这样的specs/[FEATURE]/├── spec.md # 用户故事和功能需求├── plan.md # 技术架构和决策├── tasks.md # 带依赖关系的工作分解├──>项目治理原则技术栈约定后端Java 17 Spring Boot 3.x数据库MySQL 8.0禁止使用 JSON 字段做核心业务查询ORMMyBatis-Plus禁止写原生 SQL 到 Service 层性能要求列表接口 P99 ≤ 200ms数据量 100 万时分页必须在数据库层面完成禁止前端分页禁止行为禁止在 Controller 层写业务逻辑禁止 Transactional 注解用在 private 方法上这个文件写得越详细后续每个 spec 的质量就越高——因为 AI 在生成 plan 和 tasks 时会把这些约束自动带进去。第四步写第一个 spec假设你要实现「用户列表按注册时间排序」这个功能在 Claude Code 里执行/speckit.specifyAI 会引导你描述需求最终生成 specs/001-user-list-sort/spec.md。一个规范的 spec.md 长这样用户列表排序功能背景运营团队需要能够按注册时间对用户列表进行排序以便优先联系最新注册的用户。用户故事作为运营人员我希望能够在用户列表页按注册时间升序/降序排序以便我能快速定位需要跟进的新用户。功能需求支持按registered_at字段排序非created_at默认按注册时间降序排序必须在数据库层面完成支持分页场景下的正确性前端控件列表头部的可点击排序箭头不在范围内多字段组合排序排序偏好的持久化不记忆用户上次的排序选择

相关新闻

Python中re库学习

Python中re库学习

最近在学习agent开发,发现正则表达式很重要,但是课内似乎从未提及,遂记录。核心函数 re.search(pattern, string):搜索第一个匹配的位置re.match(pattern, string):从开头匹配re.findall(pattern, string):…

2026/7/31 21:38:09 阅读更多 →
实惠的东阳的装修

实惠的东阳的装修

在装修这件大事上,每个业主都希望花小钱办大事,既能拥有高品质的装修效果,又能避免各种消费陷阱,实现真正的实惠装修。在东阳,就有这样一家能满足你需求的装修公司——东阳市亿和装饰工程有限公司。一、直击行业痛点&a…

2026/7/30 13:58:19 阅读更多 →
C++跨平台开发兼容性难题:从根源剖析到系统性解决方案

C++跨平台开发兼容性难题:从根源剖析到系统性解决方案

1. 项目概述:为什么跨平台C开发总在“兼容”上栽跟头?干了这么多年C,从Windows桌面程序到Linux服务器后台,再到移动端和嵌入式,我最大的感受就是:跨平台开发,听起来很美,做起来全是坑…

2026/7/30 13:56:14 阅读更多 →

最新新闻

让老Mac焕发新生的终极方案:OpenCore Legacy Patcher完整指南

让老Mac焕发新生的终极方案:OpenCore Legacy Patcher完整指南

让老Mac焕发新生的终极方案:OpenCore Legacy Patcher完整指南 【免费下载链接】OpenCore-Legacy-Patcher Experience macOS just like before 项目地址: https://gitcode.com/GitHub_Trending/op/OpenCore-Legacy-Patcher 还在为2008-2017年款Mac无法安装最新…

2026/7/31 21:38:48 阅读更多 →
3行配置实现LLaMA-Factory层冻结:从显存危机到训练加速的实践指南

3行配置实现LLaMA-Factory层冻结:从显存危机到训练加速的实践指南

3行配置实现LLaMA-Factory层冻结:从显存危机到训练加速的实践指南 【免费下载链接】LlamaFactory Unified Efficient Fine-Tuning of 100 LLMs & VLMs (ACL 2024) 项目地址: https://gitcode.com/GitHub_Trending/ll/LlamaFactory 你是否还在为大模型微调…

2026/7/31 21:38:48 阅读更多 →
无花果干营养价值解析:天然果实中的膳食营养与品质选择

无花果干营养价值解析:天然果实中的膳食营养与品质选择

一、无花果干为何受到关注? 近年来,随着消费者对零食需求从“满足口味”逐渐转向“关注原料与品质”,以水果为基础加工而成的果干产品受到越来越多关注。无花果作为一种具有悠久食用历史的水果,因其独特的果香、柔软的口感以及丰富…

2026/7/31 21:38:48 阅读更多 →
LLaMA-Factory教程:使用Docker快速部署微调环境

LLaMA-Factory教程:使用Docker快速部署微调环境

LLaMA-Factory教程:使用Docker快速部署微调环境 【免费下载链接】LlamaFactory Unified Efficient Fine-Tuning of 100 LLMs & VLMs (ACL 2024) 项目地址: https://gitcode.com/GitHub_Trending/ll/LlamaFactory 在AI大模型应用开发中,环境配…

2026/7/31 21:37:48 阅读更多 →
3分钟掌握LLaMA-Factory环境变量:解锁训练效率的隐藏开关

3分钟掌握LLaMA-Factory环境变量:解锁训练效率的隐藏开关

3分钟掌握LLaMA-Factory环境变量:解锁训练效率的隐藏开关 【免费下载链接】LlamaFactory Unified Efficient Fine-Tuning of 100 LLMs & VLMs (ACL 2024) 项目地址: https://gitcode.com/GitHub_Trending/ll/LlamaFactory 你还在为LLaMA-Factory训练时的…

2026/7/31 21:37:48 阅读更多 →
开发者的文档翻译工作流:PDF翻译+格式校验+质量对比的一站式方案

开发者的文档翻译工作流:PDF翻译+格式校验+质量对比的一站式方案

前言在技术团队里,文档翻译是一个经常被低估但极耗精力的环节。不管是给海外客户交付英文文档、翻译开源项目的技术白皮书、还是处理跨国合作中的合同和规格说明书——"翻译 PDF 但保持格式"几乎成了程序员的潜规则需求。 这篇文章分享一套我在团队中搭建…

2026/7/31 21:37:48 阅读更多 →

日新闻

物理复制比逻辑复制好在哪?数据库复制原理详解

物理复制比逻辑复制好在哪?数据库复制原理详解

数据库复制是把主库数据同步到备库的机制,分为逻辑复制和物理复制两种。逻辑复制传输的是 SQL 语句或行变更事件,物理复制传输的是存储引擎底层的物理日志。阿里云 PolarDB(云原生数据库)采用物理复制,在同步延迟、数据…

2026/7/31 0:00:34 阅读更多 →
BilibiliDown:3分钟学会B站视频下载的终极指南

BilibiliDown:3分钟学会B站视频下载的终极指南

BilibiliDown:3分钟学会B站视频下载的终极指南 【免费下载链接】BilibiliDown (GUI-多平台支持) B站 哔哩哔哩 视频下载器。支持稍后再看、收藏夹、UP主视频批量下载|Bilibili Video Downloader 😳 项目地址: https://gitcode.com/gh_mirrors/bi/Bilib…

2026/7/31 0:00:34 阅读更多 →
有哪些游戏数据AI平台?游戏行业Data+AI融合方案盘点

有哪些游戏数据AI平台?游戏行业Data+AI融合方案盘点

当前,游戏行业的“DataAI融合”已从概念验证进入价值落地阶段。根据IDC 2025年数据,中国AI游戏云市场规模已达18.6亿元;同时,游戏研发环节AI渗透率高达86%,生成式AI内容普及率超过50%。面对庞大的市场,游戏…

2026/7/31 0:00:34 阅读更多 →

周新闻

深度学习道路桥梁裂缝检测系统 道路桥梁裂缝检测数据集 道路桥梁病害识别检测数据集

深度学习道路桥梁裂缝检测系统 道路桥梁裂缝检测数据集 道路桥梁病害识别检测数据集

深度学习道路桥梁裂缝检测系统 数据集6000张 完整源码已标注数据集训练好的模型环境配置教程程序运行说明文档,可以直接使用!系统支持图片、视频、摄像头等多种方式检测裂缝,功能强大实用。 1数据集6000张 8各类别

2026/7/31 1:03:03 阅读更多 →
深度学习YOLO模型如何训练 PUBG 绝地求生目标检测数据集

深度学习YOLO模型如何训练 PUBG 绝地求生目标检测数据集

pubg数据集 精选原图1.42万数据 1.49万标签 无任何重复、算法增强或冗余图像! pubg绝地求生目标检测数据集 1分类:e_body,14905个标签,txt格式 共计14244张图,99%为640*640尺寸图像 适合yolo目标检测、AI训练关键词&am…

2026/7/29 14:34:28 阅读更多 →
Apex英雄目标检测数据集 深度学习框架YOLO如何训练APEX数据集

Apex英雄目标检测数据集 深度学习框架YOLO如何训练APEX数据集

Apex检测数据集数据集详情检测类别: allies enemy tag图片总量:7247张训练集:5139张验证集:1425张测试集:683张标注状态:全部已标注,即拿即用数据格式:支持YOLO格式及其他格式&#…

2026/7/31 4:19:39 阅读更多 →

月新闻