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 | 2023-2024 | Cursor、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 | 2025-2026 | SDD 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 |
|---|---|---|
| A | API Spec | 接口契约:路径、参数、响应格式、错误码 |
| D | Data Model Spec | 字段类型、约束条件、关联关系 |
| U | UI Spec | 组件结构、交互逻辑、样式约束 |
| T | Test Spec | 测试用例、边界条件、验收标准 |
| B | Business 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 Coding | SDD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) |
| Kiro | AWS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 |
|---|---|---|---|
| 1 | Spec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 |
| 5 | AI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 GPT | o3 最强推理 · o4-mini 性价比 · GPT-4o 日常编码 | 全能选手 |
| Anthropic Claude | Claude 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
- 「连 Karpathy 都选择"不看代码" → AI 代码生成能力已到质变临界点」(P4)。
- 「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)。
- "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)。
- 「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)。
- 「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)。
- 「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)。
- 「先写Spec,再写Code」。
- 「SDD定义方向,Harness保障安全。」。
- 「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。」。
- 「SDD + Harness 是 Vibe Coding 的进化版本 保留交互灵魂,穿上工程师铠甲」。
- 「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。」。
- 「"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
- 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」。
- 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 。
- 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。」。
- 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
- 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。」。
- 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)。
- 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
- 「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。」。
- 「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。」。
- 「不是选"最强",而是选"最适合"」;建议配置2-3个模型形成互补 。
- 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」。