本文针对服务端AI Coding在复杂业务场景中难以达到生产级质量的问题,提出并实践了基于SDD(规格驱动开发)的解决方案。通过摒弃完全自动化的端到端流程,转而采用“开发者深度参与”结合Aone Copilot工具链的模式,将Spec作为唯一真相源以解决AI的概率性输出、上下文限制及局部视野瓶颈;同时引入自进化记忆机制(topic-open/save)管理跨会话上下文,确保知识沉淀与风格一致。最终在百亿补贴项目中实现了0手写代码的高质量交付,证明了SDD方法论配合开发者对Spec定义、架构审核及质量把控的深度介入,是将AI Coding从实验性工具转化为可控、可复制的生产力关键。
先说结果
从Copilot到Cursor,从代码补全到Agent自主编码,AI Coding工具正在飞速进化。但在真实的业务项目中,面对历史包袱、复杂交互和线上质量要求,我们要如何才能让AI Coding真正落地?
以下是我们给出的答案:
实践案例:百亿补贴某某玩法迭代,支持分享回流
需求规模:4k+代码行数
主要挑战:1年前历史项目迭代;玩法交互和逻辑复杂;测试时间有限,尽量降低回归成本
交付结果:0手写代码,Spec行数:5000+,长期记忆:200+,任务记录:500+,代码行:4000+
基于SDD方法论,我们实现了0手写代码、4天完成开发(不含联调)。Spec驱动带来的不只是效率提升,更是质量可控、风格一致、产出可追溯、和方法可复制。
AI Coding方法论演进 ▐指导思想:SDD—从混乱到可控
我们的核心观点:深刻认同并严格遵循当前AI Coding的事实标准——Spec-Driven Development(SDD)。
这不是因为我们选择了某种"流派",而是AI的技术特性决定了:没有Spec的AI Coding必然失控,只有Spec才能建立长期可控的人机协作。
-
AI Coding的天然瓶颈
在深入方法之前,必须理解AI写代码的三个硬约束:
- 概率性输出:同样的提示词,两次运行结果可能完全不同
- 上下文限制:对话轮次多了,模型会"遗忘"早期的约定;上下文压缩后,关键约束容易丢失
- 局部视野:大项目里,AI只能看到你提供的部分代码,基于局部信息做的修改很可能破坏全局架构
这些不是模型不够强,而是当前AI的固有特性。任何不针对这些限制设计的方法论,最终都会撞墙。
-
为什么Vibe Coding走不通
Vibe Coding(完全用自然语言描述,让AI自由发挥)在小项目、原型阶段也许可行,但在实际业务中必然失败:核心问题:没有标准和约束
- 迭代失控:第一次迭代和第五次迭代,代码风格可能完全不同;没有约束的情况下,AI会随意修改之前的架构决策
- 上下文坍塌:多轮对话后,模型开始"失忆",重复犯之前纠正过的错误
- 局部冲突:基于当前可见的几千行代码做的"优化",可能和项目其他部分的逻辑直接冲突
对于有经验的开发者来说,这从一开始就是不可接受的。我们需要的不是"可能能跑"的代码,而是"可预测、可维护、可协作"的工程产物。
-
SDD:建立唯一的真相源
SDD(Spec-Driven Development)的核心理念是:代码是Spec的副作用。我们将规格说明(Specification)作为唯一真实来源(Single Source of Truth),代码只是它的派生产物。
这样做直接解决了上面的三个问题:
- 解决概率性:Spec作为"唯一真相源",每次AI实现都基于同一份确定性文档,而不是基于概率性的对话历史
- 解决上下文限制:Spec是对整个系统的压缩表示。10万行代码的Spec可能只有几千字,AI能一次性读完并理解全局约束
-
解决局部冲突:修改任何功能前,先更新Spec;Spec定义了全局架构和约束,AI基于更新后的Spec生成代码,自然保持全局一致性
-
我们的实践框架
我们采用了标准的SDD流程:Specify(规格定义)-> Plan(方案规划)-> Implement(代码实现)-> Validate(验证确认)。具体会在后面的实践章节详细展开。
为了落地SDD,我们借鉴了Spec Kit等业界实践的思想,建立了分层的文档体系:
- 需求层:定义"做什么"和"为什么做",明确功能边界和"不做"的范围(Non-Goals)
- 架构层:基于需求生成技术方案,包含模块划分和接口约定,由开发者审核把关
- 执行层:将方案拆解为可独立验证的原子任务,确保每个任务有明确的交付标准
-
约束层:定义项目级的"宪法",包括编码规范、安全底线、技术栈限制等元规则,所有需求都必须遵守
-
与Harness Engineering的关系
SDD是Harness Engineering(驾驭工程)在AI Coding领域的具体实践。Harness解决的核心问题是:当AI能力足够强时,如何防止它失控。
我们将SDD映射到Harness的四层架构中:
- 约束层:定义不可违背的技术原则,防止AI随意变更架构决策
- 上下文层:分层文档体系(需求→架构→任务)确保AI获得"恰好足够"的信息,避免过载或缺失
- 执行层:Specify→Plan→Implement→Validate的强制流程,防止"一股脑写代码"或"过早宣布胜利"
- 记忆层:Spec作为持久化的唯一真相源,解决跨会话的"失忆"和状态漂移问题
核心结论:模型能力不是瓶颈,SDD才是让AI Coding从"碰运气"变成了可重复、可管控的关键工程。
▐历史尝试:多Agent P2C工作流 + Coding Agent
具体到SDD的实施,在早期实践中,我们建设了一套多Agent P2C(PRD to Code)工作流。
-
核心思路
整体目标:“端到端”、全自动P2C
整体步骤:预生成知识库 -> 需求分析&改写 -> 技术方案生成 -> 代码生成 -> 自动化测试(规划)。每一步都产出下一步的Spec。
分步流程:具体每一层,又基于软件工程学,分别设计了多个Agent参与。拿需求分析&改写举例:流程总控(coordinator)-> 内容生成(rewriter) -> 问题澄清(clarifier) -> 内容校验(analyzer)。校验不通过最多迭代3次。
虽然目标是“端到端”、全自动,但是不得不提供最小化问答式问题澄清。
-
实际结果
什么能工作:
- 最后能实际生成知识库、需求Spec、技术方案Spec、最终代码,采纳率约70%。
什么不符合预期:
- 内部步骤过多,单次任务执行时间偏长,严重影响反馈和调整实时性
- 有限人机交互无法彻底解决Spec不精准的问题,问题向后传递,影响最终采纳率
-
我们先后在iFlow CLI和Claude Code里实施,缺少成熟的代码库索引和Linter方案(特别是阿里级别的Java应用,使用LSP很快OOM),影响最终采纳率
-
最终结论
虽然能产出代码,但追求完全自动化的路线存在明显不足,难以达到稳定生产要求。这让我们确认:
- 整体流程设计必须考虑Spec快速迭代能力
- 关键节点质量必须由开发者把控
- 复杂项目,依然需要开发者参与上下文工程(比如手动压缩与总结、手动开启新会话)
▐当前方案:Aone Copilot + 开发者深度参与的SDD
从P2C工作流的经验中,我们意识到一个关键问题:AI Coding的瓶颈不在代码生成,而在上下文管理和质量把控。全自动流水线看起来很美,但每一步的误差会层层放大,最终导致产出不可控。 因此,我们升级了实践方案:不再追求"端到端自动化",而是让开发者回到驾驶座,用Aone Copilot + 开发者深度参与的方式落地SDD。
-
为什么选择Aone Copilot
从P2C的教训来看,工具链的成熟度直接决定了AI Coding的天花板。相比于Coding Agent等CLI工具,Aone Copilot作为IDE Extension具备几个关键优势:
- 内置Linter:和IDE深度集成,语法错误、类型不匹配等低级问题在生成时就被拦截,不用等到编译才发现
- 代码库索引:自带语义检索能力,AI能高效定位现有代码,不再"盲人摸象"
- 代码可见:所有AI的修改实时呈现在编辑器中,开发者可以逐行审查,随时介入——这正是我们说的"开发者深度参与"的基础
- Agent能力成熟:Aone Copilot本身的Agent和上下文工程足够优秀,…