邓立山-可复制的 AI Coding 全栈实战：比 OpenSpec 更轻量、更丝滑.pdf

《邓立山-可复制的 AI Coding 全栈实战：比 OpenSpec 更轻量、更丝滑.pdf》由会员分享，可在线阅读，更多相关《邓立山-可复制的 AI Coding 全栈实战：比 OpenSpec 更轻量、更丝滑.pdf（30页珍藏版）》请在三个皮匠报告上搜索。

1、可复制的 AI Coding 全栈实战邓立山-淘宝闪购高级技术专家 团队架构师 研发效能 安全生产目录0102030405AI编码为什么总差点意思AI编码可控的本质思考AI编码方案及实战AI编码方案的推广及运营AI编码的演进思考AI编码为什么总差点意思理想很丰满ChatGPT爆火程序员首当其冲现实很骨感我靠！代码位置放的不对啊Just so so！也只能写个代码框架而已单个文件动辄几千行，不同模块全揉在一起AI不懂我的需求啊2024年上半年Devin、Cursor先后爆火，程序员又“下岗”了一次对话了半天还是没写好，不然我早写完了AI为什么写不好生产级代码Claude模型不断进化：参数千B、上

2、下文1MChatGptQwenDeepSeekClaude Code工具不断变强：copilot-agentCursorGit CopilotQoder智能补全编码范式不断变革辅助驾驶-自动驾驶-规范驾驶-可控自动驾驶VibeSDD极少数人参与少数人建设用户真正可控的HarnessAI/工具的天然短板认知的固化幻觉天性VS需求确定性知识固化不了解需求&工程结构代码确定性VS自然语言不确定性缺少保障机制AI有幻觉写代码不行战略懒惰，战术勤奋AI会抢我饭碗人机协同的工程缺失如何让AI高效写出可控的生产级代码，本质上是软件工程核心思想的强化双端约束较少幻觉工程架构的兼容与落地AI生码质量和效率的平衡

3、AI编码方案的规模化复用&扩展构建审查-优化的闭环机制AI编码可控的本质思考AI时代编码思考软件工程质量保障Harness架构、规范SDDAI不变的工程本质在不确定性（需求、技术、环境）中，通过工程化的手段（规范、流程、工具），构建确定性（可靠、可维护、高质量）的系统变换的生产关系 编码角色：人-AI 工程规范：约束人-约束AI 工程资产：隐性默契-显性约束AI不是银弹！AI编码方案思考1.双端约束较少幻觉2.工程架构的兼容与落地3.AI生码质量和效率的平衡4.AI编码方案的规模化复用&扩展5.构建审查-优化的闭环机制双端约束较少幻觉1.标准化需求分析模版：提升AI理解准确性 *新增类型：重设

4、计，不依赖现有代码 *修改类型：重梳理，严重依赖现有代码2.管理需求待决议清单：确保在AI编码前需求无异议定标准，保障输入质量1.需求分析输出时应该遵守什么样的约束2.不同层次代码生成时应该遵循什么样的规范3.代码质量检查的维度及要求有哪些建规范，保障输出质量代码即规范-规范即代码工程架构的兼容与落地工程结构顶级约束架构模式目录结构技术栈编码风格架构职责提前校正校正工程模块的职责描述代码架构自适应层次划分代码设计确保代码放在正确位置确保AI编码时刻遵守工程结构确保工程架构正确隐形知识-显性表达，重新审视架构行级块级AI生码质量和效率的平衡函数级类级模块级项目级编码颗粒度金字塔质量越来越不可控效

5、率越来越高任务驱动，断点重入工程级鱼和熊掌兼得当前阶段文档驱动AI编码方案的规模化复用&扩展规模化复用及扩展1解耦业务逻辑，跨项目快速复用，降低适配成本标准化的需求分析模版，帮助体系化的描述需求、集中澄清，避免编码阶段不断返工业务逻辑与规范分离2即插即用组件化，将规范封装为独立skill模块，支持自由组合自动识别用户意图并执行相关skill，不改变用户使用习惯建立最佳实践案例库降低使用门槛1 工程结构分析 需求分析 代码编写 质量检查研发流程的组件化2 新增类需求的分析规范 修改类需求的分析规范 编码阶段不同分层的规范不同场景规范的隔离化3 内容结构化组织，方便最小原则修改规范内容规范内容的结

6、构化要让AI编码方案在团队中推广，需要解决每人一套方案的问题，从个人提效到团队提效，并且尽量对用户无感规模化复用灵活扩展构建审查-优化的闭环机制审查-优化闭环多维度查规范进行自动审查输出审查的质量报告人工校正AI质量报告3.人最终审查 根据审查意见优化代码 再次进行质量审查和优化迭代2.AI优化迭代 聚焦在AI最容易忽视的地方，而不是每一行代码1.AI自我审查不断进化的可复制 0 门槛编码方案，将编码规范沉淀为团队资产AI编码范式的发展及演进AI编码主流技术分析及对比Rules+Spec+Skills三位一体AI编码方案AI全栈编码实战构建自我反思的持续进化机制人作为监督者的不可或缺AI编码方