Skip to content

第1章 概述 ​

目录 ​

  • 一、主要主题(一句话总览 · 8 大板块主题地图 · 4 项教学目标)
  • 二、关键要点(2.1–2.8)
  • 三、重要结论(3.1–3.4)

二、关键要点 ​

2.1 Vibe Coding 定义与六大核心特征 ​

定义与类比。「Vibe Coding(氛围编程)是由AI领域知名研究者 Andrej Karpathy 于2023年 提出的编程理念。其核心思想是:开发者通过自然语言与AI进行对话式交互,依赖AI的理解能力来生成代码,而非逐行手写。」配套引语:"你只需要描述你想要什么,AI帮你实现。你不再需要关注每一行代码的细节,而是专注于意图的表达。"四栏核心特征为:自然语言驱动开发/交互方式:对话式、随性的编程体验/适用人群:专业开发者 + 非技术背景人员/技术依赖:大语言模型的代码理解与生成能力。类比上,传统编码「像亲自下厨——洗菜、切菜、掌握火候,每一步亲力亲为」,Vibe Coding「像走进米其林餐厅——对大厨说"我想吃清淡的",你负责品尝和反馈」;「你不再是"码农",而是"产品导演"——描述愿景,AI 负责实现」

六大核心特征:

#特征原文说明与示例
1意图驱动描述"做什么"而非"怎么做";示例「做一个可拖拽排序的看板」(P6)
2对话式交互自然语言作为编程接口;全程语音输入需求 (P6)
3迭代逼近多轮对话逐步完善;示例「颜色再深一点,按钮再大些」(P6)
4审阅者心态审代码、不写代码;只看输出效果,不逐行看实现 (P6)
5指数级加速项目启动和原型验证极快;2小时从零到部署上线 (P6)
6容错包容接受不完美、快速迭代修正;「先让它跑起来,后面再优化」(P6)

2.2 工程化演进、四大现实痛点 ​

四阶段演进时间线:

阶段时期要点
概念萌芽2023初ChatGPT 驱动对话式编程
工具爆发2023-2024Cursor、GitHub Copilot;AI 编码助手快速迭代
问题暴露2024-2025质量不稳定、难以维护;团队协作困难凸显
规范化演进2025-2026SDD 方法论形成;Harness 工程化落地

四大核心痛点(P9,完整列出):

  • ① 输出质量不稳定——相同 Prompt 不同时间生成的代码差异大,难以复现优质结果;

  • ② 缺乏规范约束——没有统一的代码标准和架构约束,导致代码混乱、难以维护;

  • ③ 团队协作困难——每个人与 AI 的交互方式不同,产出风格迥异,难以整合;

  • ④ 知识传递断裂——对话式编程的上下文难以沉淀,新成员难以理解项目决策逻辑。原文归因引语:"问题不在于AI不够聪明,而在于我们缺乏一套系统的方法来约束和引导AI的输出。" — 某大厂 Tech Lead(P9)。

2.3 SDD:定义、核心工作流、能力边界与 Spec 文档体系 ​

定义与理念。「SDD(Spec-Driven Development)是一种以规范文档(Spec)为核心驱动力的AI 辅助开发方法论。它通过预先定义清晰、结构化的技术规范文档,来约束和引导AI 的代码生成过程。」 核心理念为「先写Spec,再写Code」;本质是「将传统软件工程中的"设计先行"原则与AI编程相结合,用文档化的规范取代模糊的口头描述」。

SDD 核心工作流 5 步:

步骤内容
1 需求分析明确功能需求与技术约束
2 Spec 文档编写API Spec / 数据模型 / UI规范 / 测试Spec
3 AI 驱动代码生成基于 Spec 约束生成高质量代码
4 Spec Review 与验证自动化质量校验与人工审查
5 迭代优化持续完善 Spec,提升输出质量

路径对比与收益:纯 Vibe Coding 路径为「"帮我做个用户登录" → AI直接写代码 → 少了验证码,加上 → 密码没加密,再改 → 三天后:一堆"创可贴"」;SDD 路径为「"帮我做个用户登录" → AI先输出Spec文档 → 你审阅确认(或修改)→ AI按Spec生成代码 → 对照验收标准验证」。四项收益:消除歧义(通过率 35%→78%)、保证一致性(同一蓝图=同一结构)、Review 有据可依(对照Spec验收标准)、团队可共享(Spec提交到Git仓库)。

能力边界:

SDD 能解决的 5 项SDD 解决不了的 3 项
代码质量一致性AI模型能力上限(模型本身不支持某种范式,Spec再好也无能为力)
需求到代码的精确传递创意和直觉决策(产品方向、UX设计等)
团队协作标准化复杂架构决策(技术选型、系统架构等仍需资深工程师判断)
知识沉淀与复用—
质量可追溯—

边界认知原文:「SDD是方法论层面的解决方案,规范"如何与AI协作",而非"AI本身能力"。需配合 Harness实现工程级落地。」

Spec 文档体系。文字层对「SDD分层架构」仅有一句概述:「SDD通过多层Spec文档体系,将需求逐步细化为可执行的技术规范,每一层都为AI提供更精确的约束」;分层结构本身为图片,各层名称与层级关系不可得。5 类 Spec 文档按原文并列如下,不作层级构建:

代号类型定义内容
AAPI Spec接口契约:路径、参数、响应格式、错误码
DData Model Spec字段类型、约束条件、关联关系
UUI Spec组件结构、交互逻辑、样式约束
TTest Spec测试用例、边界条件、验收标准
BBusiness Logic Spec流程规则、状态流转、异常处理

2.4 Harness Engineering:定义、六大核心能力、三层护栏 ​

定义与分工。「Harness Engineering(驾驭工程)是一种为AI编程建立自动化约束和质量保障机制的工程方法。它像高速公路的护栏一样,确保AI编程在正确的轨道上高速运行。」 类比:「如果SDD是"导航系统",那么Harness Engineering就是"高速公路护栏"。SDD定义方向,Harness保障安全。」 核心价值在于「将人工的代码审查、规范检查、质量验收等流程自动化」。三项组成:自动化约束规则(代码风格、命名规范、架构约束的自动检查)、工程护栏机制(防止AI输出偏离预定架构和设计模式)、质量门禁系统(自动化测试、静态分析、安全扫描)

六大核心能力:

#能力说明原文示例
1代码规范自动约束自动检查代码风格、命名规范、目录结构是否符合团队标准自动拒绝不符合命名规范的PR
2架构一致性守护确保AI生成的代码符合预定的架构模式,防止架构腐化限制跨层调用、强制依赖注入
3自动化测试集成AI生成代码后自动触发单元测试、集成测试验证代码生成后自动运行测试套件
4文档体系管理结构化的文档目录和模板管理,确保知识沉淀.harness目录下的规范文件体系
5协作流程规范化定义团队成员与AI协作的标准流程和交互模式Spec编写→Review→生成→验收
6质量度量与反馈持续收集代码质量数据,优化Spec模板和约束规则自动生成代码质量报告和趋势分析

总结:「Harness Engineering将传统代码审查中"人工判断"的环节自动化,让AI编程的质量保障不再依赖于个人经验。」

三层护栏:

层级作用技术/机制
1 约定层 Convention告诉 AI「我们团队的规矩」.cursorrules + .kiro/steering/ 技术栈约定
2 自动化层 Automation让机器自动检查Pre-commit Hook + ESLint Prettier + CI 安全扫描
3 验证层 Validation最终确认达标自动化测试 + AI Code Review;对照 Spec 验收标准逐条检查

收益数据(各项独立列示):引入 SDD+Harness 后合并冲突减少 60% 、Code Review 时间缩短 45% 。

P23「合并冲突减少 60%」与 P43「代码缺陷率降低60%」为两个不同指标,见第四章第 6 条。

2.5 三者关系、五大认知误区与工程化路径 ​

误解澄清:错误理解为「SDD + Harness 的兴起 = Vibe Coding 的终结/我们正在"回归传统工程"/Vibe Coding 已经过时了」;正确理解为「SDD + Harness 是 Vibe Coding 的进化版本 保留交互灵魂,穿上工程师铠甲」「变的不是交互方式,而是加上了"工程规矩"」。

五大认知误区:

#误区正确理解
一「学了SDD就不需要Vibe Coding了」Vibe Coding是基础交互方式,SDD+Harness是工程化升级,"基础+增强"关系
二「SDD太重了,会降低开发效率」初期投入稍高,但长期节省大量调试和返工时间。Spec复用率可达70%+
三「Harness只适合大团队」个人开发者同样受益于自动化约束,减少低级错误,提升代码一致性
四「写Spec比写代码还费时间」好的Spec让AI一次性生成高质量代码,减少反复修改。总体效率提升3-5倍
五「有了AI就不需要工程规范了」AI越强大,规范约束越重要。越快的赛车越需要更好的赛道护栏

层级关系:Harness Engineering — 工程保障层(自动化约束 | 质量门禁 | 持续验证 | 协作规范);SDD — 方法论层(Spec文档体系 | 需求到代码的规范化映射 | 质量标准定义);Vibe Coding — 交互方式层(自然语言对话 | AI理解意图 | 代码生成 | 快速迭代)。核心认知:「三者不是互相替代,而是层层递进的增强关系。Vibe Coding是基座,SDD是方法论升级,Harness是工程保障。」 三组类比:驾驶(会开车/有导航系统/有高速公路护栏)、建筑(工人技能/建筑设计图纸/施工规范标准)、写作(能写字/文章大纲/出版规范)。

从痛点到解决方案:输出质量不稳定 → SDD(Spec规范约束AI输出范围和标准);缺乏规范约束 → Harness(自动化护栏检查代码合规性);团队协作困难 → SDD+Harness(统一的Spec模板+协作流程规范);知识传递断裂 → SDD(Spec文档即知识沉淀载体)。两条总括:「SDD提供规范化的输入——让AI"知道该做什么、怎么做、做到什么标准"」;「Harness提供自动化的保障——让AI输出"自动被验证、自动被约束、自动被修正"」。工程化公式:「SDD(规范输入)+ Harness(自动约束)= 可控的、高质量的AI编程体验」。

三种模式对比表:

对比维度纯Vibe CodingSDD模式SDD+Harness
开发效率极高(短期)高(长期稳定)高且持续
代码质量不稳定,波动大稳定有约束高且一致
可维护性低,难以维护中高,可追溯高,架构清晰
团队协作困难,风格不一较好优秀
知识沉淀几乎为零中,Spec可复用高,体系化
适用场景原型验证中型项目企业级项目

表后原文结论:「SDD+Harness不是取代Vibe Coding,而是在保持AI编程高效性的同时增加工程化保障,适合需要长期维护的生产级项目。」

完整方程式与五步工作流:「工程化 Vibe Coding = 需求对话 → Spec生成 → 代码实现→护栏检查→验收对照」。五步为:

  • 1 需求对话(Vibe Coding 灵魂)
  • 2 Spec 生成(SDD 核心)
  • 3 代码实现(AI 执行)
  • 4 护栏检查(Harness 保障)
  • 5 验收对照(质量闭环)。配套引语 "SDD + Harness didn't slow us down. It just moved the effort from 'fixing bugs' to 'preventing bugs'." 。

2.6 SDD 六大工具生态与选型组合 ​

六大工具定位表:

工具定位要点补充
Harness结构化文档+工程护栏+自动化约束企业级全栈工程方案;标准化 .harness 目录结构;优势「工程化程度最高/团队协作支持最完善/质量保障体系最全面」,注意事项「初始配置投入较高/需要团队共同学习适应」(P34)
Superpowers轻量级AI增强,个人快速原型作者 obra,8K+ Star (P35);定位个人/小型项目轻量级工具;适用个人副项目、黑客马拉松、早期MVP验证、AI编程入门学习 (P35)
Spec-kit专注Spec文档管理与协作GitHub 官方出品,主打「跨 AI 工具的统一开发流程」,支持 11+ 种 AI 工具
get-Shit-Done极简主义风格,快速迭代交付「追求最小配置、最快启动,"能用就行"的实用主义哲学。」(P37);单文件配置、零学习成本、即装即用,无供应商锁定 (P37)
KiroAWS推出的AI IDE,内置Spec驱动AWS 推出的 AI 原生 IDE,紧密集成 AWS 生态;IDE级别集成/AWS生态绑定/内置Spec模板 (P38)
openSpec专注API接口定义的规范标准专注API接口定义的开放规范标准;API优先/标准化格式/生态兼容 OpenAPI/Swagger (P38)

选型维度 5 项:项目规模 | 团队大小 | 技术栈 | 工程化需求 | 学习成本 。原文结论:「每个工具有不同的设计哲学和适用场景,选择合适的工具组合是SDD成功落地的关键。」

关键细节清单:

Spec-kit 的 6 个斜杠命令为

  • /constitution(建立项目宪法)

  • /clarify(澄清需求)

  • /specify(定义功能规格)

  • /plan(生成技术方案)

  • /tasks(分解可执行任务)

  • /implement(AI 执行实现);杀手特性为「支持 Claude Code、Cursor、Copilot、Gemini CLI 等 11+ 种工具」。

Superpowers 与 Harness 对比 5 项:

  • 定位

个人/小团队 vs 企业级

  • 复杂度

低配置 vs 全面工程化

  • 约束强度

弹性可选 vs 强制执行

  • 上手速度 5分钟 vs 1-2天

  • 适合阶段 原型/MVP vs 生产系统

Harness 最佳场景为中大型企业全栈项目/需要长期维护的生产系统/多人协作的AI驱动开发团队 ;另有引语「"驾驭"AI,不是让它更聪明,而是让它在轨道上跑。——像厨房操作规程表。」

6 类项目工具组合:

项目类型判断依据工具组合
企业级全栈项目多人协作、长期维护、严格质量保障Harness + openSpec + Spec-kit
快速原型验证个人或小团队快速验证产品想法Superpowers / get-Shit-Done
API密集型微服务前后端分离、多服务接口约定openSpec + Harness
AWS云原生项目深度使用AWS、云端开发环境Kiro + openSpec
从零到一创业项目早期MVP轻量,成长后迁移Superpowers → Harness
本课程实战项目SDD+Harness规范化AI+Agent开发Harness + openSpec + Superpowers

核心原则:「没有银弹工具,选择工具组合要匹配项目阶段、团队规模和工程化需求。从轻量起步,按需升级。」

端到端 6 步工作流:

  • 1 需求分析(明确功能边界)

  • 2 Spec编写(结构化规范)

  • 3 Spec Review(质量审查)

  • 4 AI生成(代码实现)

  • 5 护栏验证(自动检查)

  • 6 迭代优化(持续改进)。

工具映射:Step 1-2 输入规范化 → openSpec / Spec-kit;Step 3 质量守护 → Spec-kit Review流程;Step 4-5 生成与验证 → Harness + AI编码工具;Step 6 持续优化 → Superpowers 增强迭代 。

六大核心功能模块:

#功能模块说明对应工具
1Spec文档自动生成根据需求自动生成结构化Spec模板Harness / openSpec
2代码约束验证自动检查AI代码是否符合预定规范Harness
3文档版本管理Spec文档版本控制、变更追踪Spec-kit
4协作Review流程多人Spec审查、评论、批准管理Spec-kit / Harness
5AI上下文注入自动将Spec和规则注入AI上下文Superpowers / Harness
6质量度量报告代码质量、约束通过率数据报告Harness

效率与质量数据(各项独立列示):SDD工具平均可将AI编程效率提升3-5倍 、代码首次通过率提升至75%+ 、使用Harness护栏后代码缺陷率降低60% 、架构一致性达到95%+ 。

2.7 AI 编码模型全景、DeepSeek V4 特性、价格对比与选型策略 ​

六大模型定位(P45,完整列出):

模型特性(P45)定位(P45)
OpenAI GPTo3 最强推理 · o4-mini 性价比 · GPT-4o 日常编码全能选手
Anthropic ClaudeClaude 4 Sonnet 最"懂代码" · 项目结构理解力天花板代码理解力
Google Gemini 2.5 Pro百万Token上下文 · 超大代码库全局理解大胃王
DeepSeek V4性能接近顶级闭源,价格1/10 · 完全开源可私有部署性价比之王
Qwen 3中文编码场景最强 · 国内技术栈熟悉度高中文场景王
Llama 4开源标杆 · 数据合规首选 · 社区微调版本丰富开源标杆

三大主流系列与趋势:

系列版本与要点优势
OpenAI GPT系列GPT-4o 多模态旗舰;o1/o3系列 推理增强型;GPT-5 (预览) 更强的长上下文理解和代码重构能力生态最完善、API最稳定、工具链最丰富
Anthropic Claude系列Claude 3.5 Sonnet 代码生成质量业界领先;Claude 4 更强的工程理解和架构设计能力;Claude 5 (最新) 超长上下文、多文件协作、Agent能力代码质量最高、上下文窗口最大、安全性最强
DeepSeek系列DeepSeek-V3 开源旗舰,性价比极高;DeepSeek-V4 (最新) 多模态+超强推理能力;DeepSeek-Coder 专为代码优化的版本开源可控、成本极低、中文能力优秀

2026 年趋势 3 条:模型能力趋同,差异化在细分场景/Agent能力成为核心竞争维度/多模型协同成为最佳实践 。

DeepSeek V4 核心特性:

项目参数/说明
V4-Pro 旗舰版1.6T 总参数 · 活跃 49B · MoE
V4-Flash 效率版284B 总参数 · 活跃 13B · MoE
百万级上下文100万Token · DSA稀疏注意力 · 整个项目一次注入
世界级推理数学/STEM/编码基准 SOTA · 接近顶级闭源模型
增强型 Agentic理解/使用外部工具 · 文件读写/命令执行/API调用
全面开源HuggingFace 下载 · 社区微调 · 私有化部署
技术路线V2(236B/MoE) → V3(671B/$5.5M训练) → R1(推理CoT) → V4(1.6T/MoE/百万上下文)

价格对比:原文价格表共 6 行,完整数据见 2.8 量化数据速查(原样保留)。原文结论句:「DeepSeek V4-Pro 输入价格仅为 GPT-o3 的 1/20,上下文窗口却是 5 倍」。

选型指南:

维度推荐
按场景选日常编码 → Qwen / Claude;复杂推理 → o3 / DeepSeek V4;超长上下文 → Gemini Pro / Kimi;中文项目 → Qwen / DeepSeek;私有化部署 → DeepSeek / Llama
按预算选预算充裕 → Claude + o3;追求性价比 → DeepSeek V4-Pro;极致省钱 → DeepSeek V4-Flash;零成本 → Llama 本地部署;混合策略 → 日常用Flash,关键用Pro
按团队选大厂团队 → 多模型组合策略;创业公司 → DeepSeek + Qwen;个人开发者 → GPT-4o-mini + Flash;合规要求 → 国产模型优先;国际化团队 → Claude + GPT 组合

核心原则:「不是选"最强",而是选"最适合"」;建议配置2-3个模型形成互补 。按预算选部分另附一句「DeepSeek V4 价格仅为 GPT 的 5%」,与 P45、P50 的比例表述并列见第四章第 3 条。

多模型协同三策略:

策略配置适合
策略一:主力+辅助日常开发用一个高性价比模型,复杂任务切换到顶级模型;主力 DeepSeek-V4,辅助 Claude 5(复杂场景)预算敏感的团队
策略二:任务分工不同类型任务使用不同模型;代码生成 Claude 5,逻辑推理 o3,中文文档 Qwen/DeepSeek追求最优效果的团队
策略三:渐进升级先用轻量模型快速迭代,关键节点用顶级模型审查;开发阶段 GPT-4o-mini,Review阶段 Claude 5,架构设计 o3有明确阶段的项目

三、重要结论 ​

以下结论均为原文明确给出,逐条标注页码;本文档不将推断表述为原文结论。

3.1 核心洞察与本质判断 ​

  1. 「连 Karpathy 都选择"不看代码" → AI 代码生成能力已到质变临界点」(P4)。
  2. 「这证明 Vibe Coding 不是昙花一现,而是正在重塑整个软件开发生态。」(P7)。
  3. "问题不在于AI不够聪明,而在于我们缺乏一套系统的方法来约束和引导AI的输出。"(某大厂 Tech Lead)(P9)。
  4. 「翻车根因:AI 能力没问题,问题出在缺少系统性的输入管理和 输出约束」(P12)。
  5. 「核心洞察:社区争议的本质不是"AI能不能写代码",而是"如何让AI写出符合工程标准的代码"。SDD+Harness正是针对这个问题提出的系统性解决方案。」(P13)。
  6. 「本质:给了天才厨师最好的食材,却不告诉他做什么菜、不给菜谱 → 每次做出来都不一样」(P15)。
  7. 「先写Spec,再写Code」。
  8. 「SDD定义方向,Harness保障安全。」。
  9. 「Harness Engineering将传统代码审查中"人工判断"的环节自动化,让AI编程的质量保障不再依赖于个人经验。」。
  10. 「SDD + Harness 是 Vibe Coding 的进化版本 保留交互灵魂,穿上工程师铠甲」。
  11. 「核心认知:三者不是互相替代,而是层层递进的增强关系。Vibe Coding是基座,SDD是方法论升级,Harness是工程保障。」。
  12. 「"驾驭"AI,不是让它更聪明,而是让它在轨道上跑。」

3.2 工程化公式与完整方程式 ​

  1. 工程化公式:「SDD(规范输入)+ Harness(自动约束)= 可控的、高质量的AI编程体验」。
  2. 完整方程式:「工程化 Vibe Coding = 需求对话 → Spec生成 → 代码实现→护栏检查→验收对照」,配套五步工作流见 2.5 。
  3. 模式结论:「SDD+Harness不是取代Vibe Coding,而是在保持AI编程高效性的同时增加工程化保障,适合需要长期维护的生产级项目。」。
  4. 引语 "SDD + Harness didn't slow us down. It just moved the effort from 'fixing bugs' to 'preventing bugs'." 。

3.3 边界声明与「不能解决」的部分 ​

  1. 边界认知:「SDD是方法论层面的解决方案,规范"如何与AI协作",而非"AI本身能力"。需配合 Harness实现工程级落地。」。
  2. SDD 解决不了 3 项:AI模型能力上限/创意和直觉决策(产品方向、UX设计)/复杂架构决策(技术选型、系统架构)。
  3. 明确否定「SDD + Harness 的兴起 = Vibe Coding 的终结」「我们正在"回归传统工程"」「Vibe Coding 已经过时了」;并明确「SDD+Harness不是取代Vibe Coding」。

3.4 工具 / 模型选型原则 ​

  1. 「每个工具有不同的设计哲学和适用场景,选择合适的工具组合是SDD成功落地的关键。」。
  2. 「没有银弹工具,选择工具组合要匹配项目阶段、团队规模和工程化需求。从轻量起步,按需升级。」。
  3. 「不是选"最强",而是选"最适合"」;建议配置2-3个模型形成互补 。
  4. 2026 年趋势:「模型能力趋同,差异化在细分场景/Agent能力成为核心竞争维度/多模型协同成为最佳实践」。