为什么要推规范开发？

AI 本身并不可靠，它需要明确的结构化引导，并与确定性的工具和原则相结合。

将确定性工具与 AI 工具结合，它们可以互相补充信息，并弥补差距。

一、前言

• 目标：通过现代软件工程的最佳实践，保障效率和质量。
• 说明：优秀的软件工程方法，具有跨平台的普适性。
• 方向：规范驱动开发，确保开发过程的系统性、可控性和质量。
• 策略：解决一个复杂问题的唯一方法，就是不断地尝试。一个问题有无数种糟糕的解法，和大概一万种不错的解法。我们的任务是在那一万种里找到最优解。

---

二、工程化实践

第一步：基于脚手架新建项目

• 后端工程：【通过 lf-infra-code-generator 创建初始工程】
• 前端工程：【通过 lf-cli 命令 创建初始工程】

第二步：基于模板生成代码

• 后端代码：【基于表结构，通过 lf-infra-code-generator 生成 业务代码】
• 前端代码：【基于表结构，通过 lf-infra-code-generator 生成 业务代码】

第三步：基于规范驱动AI开发

1、规范

• AI编程的升级：从"能用"到"好用"，再到"专业"的升级

核心	具体内容	说明
• 编程工具	• Kiro • Qoder • Trae • Cursor • Augment • Claude Code • Gemini • … …	• Kiro：已工程化实施步骤：需求、设计、任务。 • Qoder：已工程化实施步骤：设计、任务。 • Trae：可创建多个角色的Agent，模拟一个团队开展工作。
• 实施步骤	• 需求设计阶段：做什么（requirements.md） • 方案设计阶段：如何做（design.md） • 任务规划阶段：如何一步步实现（tasks.md）	• 将一个复杂问题，分解为三个独立，但又环环相扣的阶段，确保每一步都足够专注和深入。 • 通过这三个阶段的结构化流程，将一个模糊的功能想法，转变为一份清晰、详尽、且可被直接执行的编码任务清单 • 说明：每个阶段都是一次PDTAC循环
• 技术知识库	• 技术方案模板.md • 技术架构规范.md	• 如何在团队中共享？ 　○ 通过自定义MCP Server 来共享 　○ 搭建RAG向量数据库来增强Trae或Cursor的能力

2、实践

• 一个目标 ： AI编程方法，具有跨平台的普适性

2.1、小功能（简单需求）

• 【Vibe模式】将某个功能的核心逻辑，按照伪代码的形式给到AI，AI可以较好且高质量的生成代码
• 分工
  • 人：思考规划（指挥者）
  • AI：任务执行（执行者）
• 注意
  • 告别无脑使用，对稳定性和代码质量有高要求
  • 大模型的特性，如果你让它一步到位，它就容易答错；如果让它一步步来，它反而更准。

步骤	说明
• 第一步：详细描述核心逻辑	• 输入 　○ 体现功能核心逻辑的伪代码 • 输出 　○ 代码 • 说明 　○ 让 AI 充分理解当前项目，学习当前项目的规范，阅读当前项目的现有功能，再生成代码 　○ 人作为大脑，写伪代码，AI作为执行者，生成实际代码 　○ 写伪代码，对AI生成的代码的掌控是最强的 　○ 思路不清晰时，可将关键信息写下来，给到AI，让AI来优化你的逻辑
• 第二步：没有第二步，仅第一步即可	• … …

2.2、大功能（复杂需求）

• 【Spec模式】通过需求文档、设计文档、任务文档三个步骤，可以较好且高质量的生成代码
• 分工
  • 人：需求提出者
  • AI：需求规划者 + 方案设计者 + 任务执行者

步骤	说明
• 第一步：先设计表结构（人+AI） 确定性步骤	• 专业能力：AI辅助表结构设计
• 第二步：基于表结构生成代码 确定性步骤	• 基建能力：生成基础的增删改查代码，在此基础上，让AI叠加业务功能
• 第三步：设计需求文档（人+AI）	• 输入： 　○ 业务需求 　○ 技术知识库 　○ 现有代码仓库 • 输出： 　○ AI需求文档（requirements.md）
• 第四步：设计技术方案（人+AI）	• 输入： 　○ AI需求文档（requirements.md） 　○ 技术知识库 　○ 现有代码仓库 • 输出： 　○ AI技术方案（design.md）
• 第五步：设计任务计划（人+AI）	• 输入： 　○ AI技术方案（design.md） • 输出： 　○ AI任务计划（tasks.md）
• 第六步：生成代码（人+AI）	• 输入： 　○ AI任务计划（tasks.md） • 输出： 　○ 代码
• 第七步：测试代码（人+AI）	• 最佳实践，研究中 • 验证代码的可用性
• 第八步：检查代码（人+AI）	• 最佳实践，研究中 • 保障每行代码都是熟悉的，避免后续迭代，难以改动 • 保障每行代码都是有用的，删除无用代码，避免技术债务累积

---

三、经验总结

1. AI编程让技术债务加剧

• 在规划需求文档阶段，里面的内容，一定要仔细check每一项功能，否则最终AI生成时，会多生成一些功能的代码。
• 多的这些代码，需要清理掉，若被遗留下来后，就变为了历史债务。

2. AI编程让试错成本降低

• 让推翻现有功能，快速重新开发，变得更具可能性（底层表结构设计要良好）

3. AI是资深程序员的放大器

• 放大你的能力，简化你的工作
• 降低写优雅代码成本（你负责框定范围，甚至是一个模糊的方案，让AI来放大完善你的方案）

4. AI让你更容易写出好代码

• 看代码
• 改代码
• 选代码（低级程序员）
• 删代码（高级程序员）

---

四、个人实践体感

1. 实践过程中的一个错觉

• 你是否有这样一种感觉，当需求很密集的时候，写到后面，AI的效果总是差点意思，没有手写的丝滑。
• 这里的问题在哪里？是我用法的问题，还是AI的问题？
• 目前进入到一个AI编程疲惫期？如何跨越过去，用相对简单或低成本的方式，让AI的使用效果提升上来？

2. 实践过程中的二个思考

• 如何判断生成代码是否是高质量的？
  • 可否直接投产？或少量修改即可投产？
  • 无效代码很少？或无用代码很少？
• 什么好代码？
  • 满足功能需求和稳定性，兼顾用户体验、开发效率、可维护性和成本控制
  • 四个维度来量化：稳定、体验、效率、成本

---

最后，留下一个值得探索问题：如何应对，AI过度设计，过度实现？