Harness 与 Agent 工程 · AI研发与测试工程 · 2026-02-06

告别“伪智能”代码:用 Spec + RAG 打造真正懂你的AI程序员

告别“伪智能”代码,揭秘如何通过Spec+RAG技术让AI程序员真正理解你的项目需求,写出高质量代码。

核心内容:

  1. AI Coding当前困境与突破方向:从“能写”到“写得对”的转变
  2. Spec知识库与RAG知识库的协同作用:构建AI的上下文感知能力
  3. Spec Coding与Vibe Coding的对比分析:企业级开发的最佳实践选择

一、引言:AI Coding 提升代码质量的关键

——知识库的深度建设

在当前 AI Coding 快速普及的背景下,业界普遍面临一个核心矛盾:模型“能写” ≠ “写得对”。尤其在高频迭代、强业务耦合的场景中,代码的正确性、可维护性和一致性远比“能生成”更重要。

要突破这一瓶颈,关键在于让 AI 不仅“会写”,更要“懂上下文”——即深刻理解特定项目的技术契约、业务语义与工程惯例。为此,我们提出构建一套高质量、结构化的知识体系,作为 AI Coding 的“认知基础设施”。这一体系包含两个互补维度:

二者共同构成 AI 的“上下文感知能力”,使其不仅能理解“要做什么”,更能精准把握“怎么做才对”。Spec 提供强约束的“硬规则”,RAG 提供灵活丰富的“软上下文”。本文将系统阐述这一知识体系的构想、落地现状与未来演进。

二、前置知识调研

1.Spec简介:AI Coding 的“宪法”

1.1 什么是Spec?

Spec(Specification,规范) 是对软件系统行为、接口、数据格式或业务规则的精确、无歧义、可验证的描述。在 AI Coding 中,SPEC 扮演着“宪法”的角色——它明确告诉 AI:“代码必须满足哪些条件才算正确”,而不是依赖模型自行猜测、模仿或凭“感觉”生成。

其核心价值体现在两个层面:

1.2 Spec Coding VS Vibe Coding

随着AI编程普及,开发者分化出两种范式:Vibe Coding 依赖直觉和意图模仿,快但不可靠;Spec Coding 严格遵循规范,可靠且易维护,适合企业级和高要求场景。选择关键在于权衡速度与确定性。对比如下:

维度 Vibe Coding Spec Coding
依据 依赖开发者或 LLM 对“大致感觉”的主观理解 严格遵循书面化、结构化的规范文档
生成逻辑 “我觉得应该这样写”——基于统计模式与风格模仿 “规则要求必须这样写”——基于契约约束与条件满足
可靠性 易产生幻觉、遗漏边界条件,结果不可预测 行为可预期、可验证、可审计
维护成本 初期快,后期高:需求变更或缺陷修复需反复试错 初期需投入,后期低:只需更新 SPEC,AI 可自动适配新规则
适用场景 快速原型、个人项目、探索性编码 企业级开发、安全关键系统、合规性要求高的场景

2.RAG简介:让 LLM “看得见”你的私有知识

2.1 什么是RAG?

RAG(Retrieval-Augmented Generation) 是一种结合“搜索”与“生成”的技术,使 LLM 在回答问题时能参考外部知识库,生成更准确、可溯源、事实性强的答案。

其工作流程分为三步:

2.2 为什么需要 RAG?

尽管 LLM 能力强大,但在实际应用中仍面临诸多局限:知识静态,无法访问私有或实时数据;容易产生幻觉,输出内容可靠性存疑;更新成本高昂,需要重新训练或微调模型。

RAG 提供了一种创新性的解决思路。其核心理念是:不求模型“记住一切”,而让它“懂得查找”。通过按需检索可信知识源,RAG 显著提升了生成内容的准确性、时效性与可溯源性。

下表对比了 LLM 与 RAG 在核心维度上的差异,直观展现 RAG 如何有效弥补 LLM 的实际应用短板。

能力维度 传统 LLM RAG
知识范围 仅限训练数据截止前的公开知识,无法访问私有或实时数据 可结合外部知识库,支持私有文档、最新规范、实时信息
知识更新 需微调或重新训练,成本高、周期长 仅需更新检索库,无需改动模型,低成本快速迭代
幻觉风险 高:无答案时易编造虚假信息 低:基于真实检索结果生成,答案有据可依
垂直领域表现 泛化能力强,但专业深度不足 通过领域知识库显著提升专业性与准确性
回答相关性 依赖 prompt 完整性,易遗漏关键上下文 动态注入高相关检索片段,增强上下文匹配度
安全与合规 私有数据需输入上下文,存在泄露风险 原始数据保留在检索层,可通过权限控制保障数据安全
部署与维护成本 模型固定,但扩展知识需重训 轻量灵活,仅维护检索索引,适合持续演进

2.3 RAG工作流程

RAG 系统包含两个核心阶段:离线阶段构建知识库,在线阶段处理实时查询。以下详细介绍高级 RAG 系统在这两个阶段的关键实现流程。

2.4 RAG关键技术

2.4.1 分块(Chunking)

分块是连接原始知识库与 LLM 有限上下文窗口的关键环节。其核心目标是将大型文档切分为语义完整、长度适中的文本块,既满足嵌入模型对输入长度的限制,又确保每个片段保留足够的上下文信息以支持精准检索。这一过程不仅直接影响嵌入质量和向量检索的准确性,还从根本上决定了最终生成回答的相关性与可靠性。

以下是五种用于RAG的分块策略:

2.4.1.1 固定大小分块(Fixed-size chunking)

固定大小分块是一种将文本按预设长度(如字符、单词或 token 数量)均匀切分为等长片段的策略。

优点:

缺点:

2.4.1.2 语义分块(Semantic Chunking)

语义分块是一种基于文本内在语义结构的智能分块方法。它首先将文档按自然语言单元(如句子或段落)切分,然后逐段计算嵌入向量,并通过余弦相似度衡量相邻段落的语义关联性。若相似度高,则合并为一个块;一旦相似度显著下降,即视为语义边界,开启新块。

优点:

缺点:

2.4.1.3 递归分块(Recursive Chunking)

递归分块是一种层次化、自上而下的分块策略。它首先利用文本中天然的分隔符(如句号、换行、标题等)进行粗粒度切分,然后对超出预设长度限制的块递归地进一步拆分,直到所有子块都满足大小要求;若某一块已符合长度限制,则保留原样,不再切割。

优点:

缺点:

2.4.1.4 基于文档结构分块(Document structure-based chunking)

基于文档结构的分块(Document Structure-based Chunking) 是一种利用文档自身层级结构(如标题、章节、段落等)来划定分块边界的策略。它将每个逻辑单元(例如一个章节或带标题的小节)作为一个独立的文本块,从而在最大程度上保留原文的组织结构和语义完整性。

优点:

缺点:

2.4.1.5 基于LLM分块(LLM-based Chunking)

基于大语言模型的分块(LLM-based Chunking) 是一种利用大语言模型(LLM)自身理解能力来生成语义连贯、独立文本块的方法。通过精心设计的提示(prompt),可以引导 LLM 将原始文档重构成多个语义完整、边界清晰的片段。

优点:

缺点:

2.4.2 向量编码(Embedding)

Embedding 是 RAG系统实现语义级检索的核心技术,主要应用于检索阶段。其核心思想是将人类可读的非结构化信息(如自然语言文本)转化为机器可理解、可计算的高维向量表示,从而在向量空间中高效、精准地捕捉和匹配语义信息。

其关键作用体现在以下两个方面:

目前主要的 Embedding 类型主要包括:

2.4.3 查询转换(Query Transformation)

查询转换是在用户输入原始问题后、正式发起检索前,对查询语句进行语义澄清、结构优化或意图补全的过程。它的核心作用是弥合用户自然语言表达与知识库专业术语/结构之间的语义鸿沟——通过生成更精准、更完整、更适合检索系统理解的查询形式,显著提升召回结果的相关性与覆盖率。主要方法包括:

2.4.3.1 查询重写(Query Rewriting)

核心思想:将用户模糊或笼统的问题转化为更具体、细节更丰富的表述,明确关键意图(如受众、目标、范围等),从而引导检索系统返回更精准、实用的信息,避免因问题过于宽泛而得到泛泛而谈的结果。

示例:

2.4.3.2 子查询拆解(Sub-query Decomposition)

核心思想:将包含多个意图或维度的复合型问题拆解为若干个单一、明确的子问题,分别进行检索后再综合答案,确保每个关键方面都被充分覆盖,防止因整体匹配失败或注意力分散而导致重要信息遗漏。

示例:

2.4.3.3 回退提问(Step-back Prompting)

核心思想:当原始问题聚焦于具体现象或应用时,先“后退一步”,提出一个更高层次、更通用的背景性问…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/RAG/2026020660421.html