一文搞懂 Spec Kit 与 OpenSpec:AI 编程为什么需要规格驱动开发?
核心认知
Harness 解决的是如何让 AI 可靠地执行任务。 它通过上下文管理、工具执行、状态控制、安全约束和可观测性等机制,将模型能力转化为可交付、可评测的 Agent 系统。
Spec Kit 和 OpenSpec 解决的是如何让 AI 围绕明确的需求、约束和开发流程开展工作。 它们通过规格管理和流程组织,降低需求理解偏差,让开发过程更加可控。
我们知道,Codex、Claude Code 这类 AI 编程 Agent,能够理解需求、读取代码、修改文件,甚至自动运行测试。
但在实际开发中,很容易遇到一个问题:
AI 写代码的能力越来越强,但它写出来的代码,不一定是我们真正想要的。
例如,我们让 Codex 开发一个会员订阅功能。
AI 可能很快生成代码,但如果没有提前明确订阅规则、异常处理、退款逻辑和验收标准,最终实现的功能可能与真实业务需求存在偏差。
这正是 Spec Kit 和 OpenSpec 试图解决的问题。
它们背后有一个共同的核心理念:
Spec-Driven Development(SDD,规格驱动开发)。
本文将从软件工程的角度,结合 Android 开发场景,理解 SDD、Spec Kit 和 OpenSpec 的工作原理,以及它们与 Agent、Harness、Skill、Workflow 等概念的关系。
一、先理解什么是 Spec-Driven Development(SDD)
Spec 是 Specification 的缩写,中文通常翻译为“规格”或“规格说明”。
在软件开发中,Spec 用来明确:
- 系统应该实现什么功能。
- 功能需要满足哪些业务规则。
- 不同情况下应该如何处理。
- 存在哪些技术约束。
- 如何判断功能已经正确完成。
例如,开发一个金币充值功能。
如果只是告诉 AI:
“帮我实现 Google Play 金币充值。”
这个需求其实非常模糊。
至少还需要明确:
- 支持哪些充值商品?
- 支付成功后由谁发放金币?
- 如果支付成功但金币未到账怎么办?
- 如何避免重复发放金币?
- 订单状态如何同步?
- 网络中断后如何恢复?
- 如何验证充值流程正确?
这些问题最终形成的需求约束和验收标准,就是 Spec 的重要组成部分。
1. 直接对话式 AI 编程
提出需求
↓
AI 理解需求
↓
AI 生成代码
↓
开发者检查
↓
发现问题后继续修改
这种方式适合简单、明确的任务。
但当需求复杂、业务规则较多时,AI 可能自行补全未明确的条件,导致实现偏离预期。
2. 规格驱动开发方式
提出需求
↓
明确需求规格(Spec)
↓
澄清需求歧义(Clarify)
↓
制定技术方案(Plan / Design)
↓
拆分开发任务(Tasks)
↓
AI 执行开发(Implement)
↓
根据规格验证结果(Verify)
这是一个概念化的 SDD 流程,不代表所有工具都必须包含这些独立阶段。
两者最大的区别在于:
直接对话式开发容易让 AI 一边理解需求、一边设计、一边编码;SDD 则强调先明确开发目标与约束,再围绕规格实施。
需要注意,SDD 并不意味着所有任务都必须经过完整、严格的文档流程。
对于简单的 Bug 修复,可能只需要简短的规格和验收条件;对于涉及支付、权限或复杂业务规则的功能,则值得投入更多时间进行规格设计。
二、Spec Kit 和 OpenSpec 是什么?
Spec Kit 和 OpenSpec 都是围绕 SDD 理念构建的开源工具。
它们不是大模型,也不是新的 AI 编程 Agent。
它们主要帮助开发者组织需求规格、技术方案、任务拆解和实施过程,让 AI 编程更加可控。
1. Spec Kit:强调结构化、可扩展的开发流程
Spec Kit 是 GitHub 推出的规格驱动开发工具包。
它通过模板、命令和工作流,帮助开发者将自然语言需求逐步转化为可执行的开发任务。
其核心 SDD 工作流可以概括为:
Constitution(项目原则)
↓
Specify(定义规格)
↓
Clarify(澄清需求,可选)
↓
Plan(技术规划)
↓
Checklist(质量检查,可选)
↓
Tasks(任务拆解)
↓
Analyze(一致性分析,可选)
↓
Implement(实施开发)
↓
Converge(检查实现与规格的差距)
其中,Clarify、Checklist 和 Analyze 是可选的质量检查环节,并不是每个任务都必须执行。
各阶段的作用:
Constitution(项目原则)
建立项目长期遵守的工程规范和约束。
例如:
- Android 代码优先使用 Kotlin。
- 遵循现有项目架构。
- 不随意引入新的第三方依赖。
- 涉及支付的逻辑必须具备幂等性。
- 核心业务修改需要补充测试。
Specify(定义规格)
明确需要实现什么功能、用户场景、业务规则和验收标准。
Clarify(需求澄清)
检查规格中存在的歧义、遗漏和未确定的规则,通过向开发者提问完善规格。
Plan(技术规划)
确定技术方案、架构设计、依赖关系和实现策略。
Tasks(任务拆解)
将需求与技术方案拆分为具体、可执行的开发任务。
Implement(实施开发)
让 AI 编程 Agent 根据任务清单执行代码修改,并进行必要的验证。
Converge(实现收敛)
检查实现与规格、计划和任务之间的差距,识别尚未完成的工作。
除了核心 SDD 流程,Spec Kit 还支持 Bug 修复、方案评估以及自定义工作流等扩展能力。
可以将 Spec Kit 理解为:帮助开发者建立结构化、可扩展、可重复执行的 AI 开发流程。
2. OpenSpec:强调规格与变更管理
OpenSpec 是 Fission AI 推出的规格驱动开发工具。
它同样关注需求规格和 AI 开发流程,但其设计中特别值得关注的是 Change(变更)机制。
对于长期维护的软件项目,开发工作往往不是从零开始,而是在现有系统上不断增加功能、修复问题和调整规则。
OpenSpec 将系统当前的规格与正在实施的变更分开管理。
典型目录结构如下:
openspec/
├── specs/
│ └── 当前系统规格
│
└── changes/
└── 正在实施的变更
其中:
specs/:描述当前系统已经确定的行为和规则。changes/:保存新需求或修改需求的相关资料。
OpenSpec 的默认工作流可以概括为:
Explore(探索,可选)
↓
Propose(提出变更)
↓
Update(修订规格,按需)
↓
Apply(实施开发)
↓
Sync(同步规格,可选)
↓
Archive(归档变更)
实际流程并非严格的单向流水线。在实施过程中发现需求变化时,可以返回 Update 修订规格;验证也可以作为可选环节加入。
各阶段的作用:
Explore(探索需求)
分析现有系统,讨论可能的实现方案,澄清不确定的问题。
Propose(提出变更)
创建变更提案,明确需要增加、修改或删除哪些行为,并形成设计和任务资料。
Update(更新规格)
当需求、设计或任务存在遗漏、变化时,修订相关文档,保持内容一致。
Apply(实施变更)
让 AI 编程 Agent 根据规格和任务执行开发。
Sync(同步规格)
将变更中的增量规格同步到当前系统规格。是否需要独立执行取决于工作流。
Archive(归档变更)
在确认变更完成后,归档相关资料,并根据流程完成必要的规格同步。
需要注意:
Archive 是规格与变更管理操作,并不天然保证代码已经通过测试或业务验收。
OpenSpec 还提供可选的 Verify(验证)能力,用于检查实现是否符合相关规格和任务资料。
这里有一个重要概念:
Delta Spec(增量规格)。
它描述本次变更相对于当前系统规格,增加、修改或删除了什么,而不需要每次都重新编写整个系统的完整规格。
这对于长期迭代的项目很有价值。
三、Clarify 到底是什么?Spec Kit 和 OpenSpec 有什么区别?
Clarify 的英文含义是“澄清、明确”。
在 AI 开发中,它主要解决一个问题:
当需求存在歧义、遗漏或未确定的规则时,不让 AI 直接猜测,而是先通过提问把关键问题明确下来。
例如,我们提出:
“增加金币充值失败后的自动补单功能。”
AI 可能需要进一步确认:
- 补单由客户端主动触发,还是服务端自动处理?
- 如果购买成功但金币发放失败,应该重试多少次?
- 同一笔订单重复提交时应该如何处理?
- 用户切换账号后,原订单如何归属?
- 超过一定时间仍未补单成功,是否需要人工处理?
这些问题并不是无关紧要的细节。
不同的答案,可能直接影响数据库设计、API 设计、状态机和测试用例。
1. Spec Kit:提供独立的 Clarify 命令
Spec Kit 提供:
/speckit.clarify
它通常在 Specify 之后、Plan 之前使用。
Specify
↓
Clarify
↓
Plan
↓
Tasks
↓
Implement
执行 Clarify 时,Agent 会检查当前规格中尚未明确的重要问题,并通过交互式提问获取开发者的确认。
官方的 Clarify 工作流每轮最多提出 5 个重点问题,并将确认结果更新到规格文档中;必要时可以再次运行。
它重点检查的内容包括:
- 功能范围。
- 用户角色。
- 数据模型。
- 业务状态变化。
- 异常场景。
- 性能和安全要求。
- 验收标准。
例如:
问题:同一笔 Google Play 购买记录被重复提交时,系统应该如何处理?
A. 每次都发放金币。
B. 已成功发放的购买记录不再重复发放。
C. 全部交给人工处理。
开发者确认后,Agent 将结果写入规格,后续技术规划就能够基于更明确的需求进行。
因此:
Spec Kit 的 Clarify 是一个显式、可重复执行的需求质量检查环节。
它是可选的,但对于复杂业务非常值得使用。
2. OpenSpec:默认没有独立的 Clarify 命令
OpenSpec 的默认 OPSX 工作流没有独立的 /opsx:clarify 命令。
但这不代表它不支持需求澄清。
OpenSpec 更倾向于将澄清融入探索和规格迭代过程。
例如:
Explore
↓
讨论需求与不确定问题
↓
Propose
↓
审查规格
↓
Update(必要时继续澄清、修改)
↓
Apply
其中:
/opsx:explore:用于探索问题、分析代码和讨论方案。/opsx:propose:用于生成变更提案及相关规格。/opsx:update:用于修订规格、设计和任务资料。
即使没有独立的 Clarify 命令,也可以要求 Agent:
“先检查当前规格中有哪些业务规则不明确,逐项向我确认,确认完成后再实施。”
因此:
OpenSpec 不是不需要 Clarify,而是没有将 Clarify 固定为默认工作流中的独立命令。
3. 两者的区别
| 对比维度 | Spec Kit | OpenSpec |
|---|---|---|
| 独立 Clarify 命令 | 有,/speckit.clarify | 默认没有 |
| 澄清方式 | 专门检查规格歧义并提问 | Explore、Propose、Update 中持续澄清 |
| 典型时机 | Specify 后、Plan 前 | 探索、提案及实施调整过程中 |
| 是否强制 | 否 | 无独立强制阶段 |
| 澄清结果 | 更新规格文档 | 更新变更相关文档 |
这里需要建立一个重要认知:
Clarify 是一种需求澄清能力,不一定必须对应一个独立命令。
对于复杂业务,关键不是有没有 /clarify,而是开发流程是否能够及时发现并解决影响实现正确性的需求歧义。
四、Spec Kit 和 OpenSpec 有什么区别?
两者都属于规格驱动开发工具,但设计侧重点有所不同。
| 对比维度 | Spec Kit | OpenSpec |
|---|---|---|
| 项目来源 | GitHub | Fission AI |
| 核心关注 | 结构化、可扩展的开发流程 | 规格与变更管理 |
| 主要组织方式 | 规格、计划、任务、实施 | 当前规格、变更提案、增量规格 |
| 项目原则 | Constitution 机制 | 可通过项目约定与配置表达 |
| 需求澄清 | 独立 Clarify 命令 | Explore / Propose / Update |
| 现有项目迭代 | 支持 | 增量变更机制尤其直观 |
| 工作流风格 | 更强调阶段和质量检查 | 默认流程相对轻量、灵活 |
| AI 编程工具 | 可配合 Codex 等工具 | 可配合 Codex 等工具 |
需要注意,这并不意味着 Spec Kit 只能用于新项目,或者 OpenSpec 只能用于已有项目。
两者都可以支持新项目开发和现有项目迭代。
它们的区别更多体现在默认工作方式和规格组织思路上。
可以用两句话帮助记忆:
Spec Kit 更强调:如何通过结构化、可扩展的流程组织 AI 开发,并在关键阶段进行质量检查。
OpenSpec 更强调:如何管理系统当前规格,以及每一次需求变更。
这是理解它们设计侧重点的简化方式,并不是严格的能力边界。
五、通过 Android 项目理解 OpenSpec 的价值
假设我们已经上线了一款海外 App,现在需要增加一个功能:
Google Play 金币充值失败后的自动补单。
1. 不使用 SDD
我们直接告诉 Codex:
“增加金币充值失败后的自动补单功能。”
Codex 可能立即开始分析代码并进行修改。
但实际业务中存在很多需要明确的问题:
- Google Play 购买已完成,但服务端没有发放金币怎么办?
- 客户端重启后如何恢复?
- Google Play 重复返回购买信息怎么办?
- 服务端如何避免重复发放金币?
- 用户切换账号后,如何处理订单归属?
- 补单失败是否需要人工介入?
如果这些规则没有明确,AI 就可能自行假设处理方式。
代码即使能够编译,也不一定满足业务要求。
2. 使用 OpenSpec
我们可以先创建一个变更:
fix-google-play-recharge
然后按照流程推进。
第一步:Explore,梳理需求
先讨论充值流程中可能出现的异常情况。
例如:
- 购买已完成,但服务端权益发放失败。
- 客户端在支付完成后退出。
- 服务端请求超时。
- 同一订单重复提交。
- 用户切换登录账号。
这一阶段重点不是写代码,而是把业务规则和边界条件明确下来。
如果发现某些规则没有确定,就先进行 Clarify 式的需求澄清,而不是让 AI 自行决定。
第二步:Propose,形成变更规格
定义自动补单的预期行为。
例如:
当 Google Play 购买已完成,但服务端尚未成功发放金币时,系统应支持重新校验购买凭证,并在验证通过后完成补发。
同时明确:
- 必须由可信服务端验证购买状态。
- 必须保证同一购买记录不会重复发放金币。
- 订单必须与正确的用户账户关联。
- 补单失败需要保留可追踪记录。
- 不得仅凭客户端声称支付成功就发放金币。
这些规则构成了 AI 开发时需要遵守的规格。
第三步:Cross-Spec Review,跨规格一致性审查
假设项目中已经存在多个规格:
openspec/specs/
├── payment/
│ └── spec.md
├── order/
│ └── spec.md
├── wallet/
│ └── spec.md
├── subscription/
│ └── spec.md
└── account/
└── spec.md
在实施新变更之前,需要检查新规格是否与已有规则冲突。
例如:
已有 payment/spec.md 规定:
同一笔已成功处理的购买记录,只允许发放一次金币。
但新变更提出:
用户每次点击补单按钮,都重新发放金币。
这两条规则显然存在冲突。
如果 AI 只关注新变更,而没有读取已有支付规格,就可能实现重复发放金币的错误逻辑。
因此,我们应该在实施之前增加一次跨规格一致性审查:
- 识别本次变更涉及的业务模块。
- 检索相关的已有规格。
- 检查是否存在重复定义或相互矛盾的业务规则。
- 检查是否破坏已有接口、状态机或全局约束。
- 对存在歧义或冲突的规则进行澄清。
- 确认后更新相关规格,再进入实施阶段。
这里需要注意:
OpenSpec 和 Spec Kit 都不保证在创建新 Spec 时自动读取全部历史规格,也不保证自动发现所有跨规格的业务语义冲突。
OpenSpec 的规格校验能够检查文档结构和部分增量规格问题,但不能等同于完整的跨模块语义冲突分析。
Spec Kit 的 /speckit.analyze 主要用于检查当前功能的规格、计划、任务之间的一致性,以及与 Constitution 的关系,也不能简单理解为全项目 Spec 冲突检测器。
因此,Cross-Spec Review 更适合作为团队额外建立的一项工程治理流程,而不是默认认为工具已经完整实现了这项能力。
对于复杂项目,可以要求 Agent 在实施前明确执行跨规格检查,并输出检查范围和冲突报告。
第四步:Apply,实施开发
在确认规格没有未解决的重大冲突后,让 Codex 根据规格逐项执行任务。
例如:
- 检查现有 BillingClient 购买流程。
- 增加未完成订单的恢复逻辑。
- 完善服务端购买验证接口。
- 增加订单幂等处理。
- 补充异常场景测试。
需要强调的是,OpenSpec 负责组织规格和开发过程,真正读取代码、修改文件和执行测试的仍然是 Codex 等编程 Agent。
第五步:Verify,验证实现
开发完成后,需要根据规格和验收标准检查:
- 购买成功但权益发放失败时,是否能够正确补单?
- 重复提交同一购买记录,是否会重复发放金币?
- 网络异常是否会造成订单状态不一致?
- 是否存在未经验证就发放金币的路径?
可以使用 OpenSpec 的可选 Verify 工作流辅助检查,也可以通过自动化测试、人工验收等方式完成。
第六步:Archive,归档变更
完成开发并通过必要的验证后,将本次变更归档,并根据流程将相关规则同步到系统当前规格中。
这样,下一次 AI 再修改充值模块时,就有机会通过现有规格了解系统已经确立的行为约束。
这正是 OpenSpec 的价值之一:
让业务规则不再只存在于某一次 AI 对话中,而是成为可维护、可版本管理的项目资产。
六、Clarify、Cross-Spec Review、Verify 有什么区别?
这三个环节很容易混淆,但解决的问题不同。
| 环节 | 核心问题 | 典型检查对象 |
|---|---|---|
| Clarify | 需求是否已经说清楚? | 当前需求和规格 |
| Cross-Spec Review | 新需求是否与已有规则冲突? | 当前规格、历史有效规格、并行变更 |
| Verify | 实际实现是否符合规格? | 代码、测试、规格与任务 |
例如,开发金币补单功能:
Clarify:
“自动补单应该由客户端触发,还是服务端触发?”
这是需求尚未明确的问题。
Cross-Spec Review:
“新补单规则是否违反了已有的支付幂等性要求?”
这是新旧规格之间的一致性问题。
Verify:
“代码是否真的保证同一笔购买记录只发放一次金币?”
这是实现是否符合规格的问题。
三者可以形成一个更完整的质量控制流程:
提出需求
↓
Clarify
明确需求和边界
↓
形成 Spec
↓
Cross-Spec Review
检查新旧规格冲突
↓
Plan / Tasks
制定方案与任务
↓
Implement
执行开发
↓
Verify
验证实现
↓
Archive
归档并维护规格
这是建议的工程实践流程,不是 Spec Kit 或 OpenSpec 的统一内置工作流。
其中,Cross-Spec Review 也可以在技术设计、实施或归档前再次执行,尤其是在存在多个并行变更的情况下。
七、Spec Kit、OpenSpec 与 Harness、Agent、Skill、Workflow 有什么关系?
这是理解整个 AI 编程技术体系的重要部分。
前面我们已经知道:
- LLM 提供推理与生成能力。
- Agent 围绕目标采取行动。
- Harness 支撑 Agent 的执行与控制。
- Tools 提供文件、终端、搜索和 API 等能力。
那么 Spec Kit 和 OpenSpec 应该放在哪里?
可以通过下面的逻辑架构理解:
开发者提出需求
│
▼
┌────────────────────────┐
│ Spec Kit / OpenSpec │
│ │
│ 需求规格 │
│ 需求澄清 │
│ 技术方案 │
│ 任务拆解 │
│ 跨规格一致性审查 │
│ 验收与变更管理 │
└────────────────────────┘
│
│ 提供规格与开发约束
▼
┌────────────────────────┐
│ AI 编程 Agent │
│ Codex / Claude Code │
│ │
│ ┌──────────────────┐ │
│ │ Agent Harness │ │
│ │ │ │
│ │ 上下文管理 │ │
│ │ 工具执行 │ │
│ │ 执行循环 │ │
│ │ 状态与权限控制 │ │
│ └──────────────────┘ │
│ ↕ │
│ LLM / Tools │
└────────────────────────┘
│
▼
代码与验证结果
这是一张概念关系图,不代表真实产品内部必须采用这种模块划分。
实际上,Spec Kit 和 OpenSpec 通常通过命令、模板、Skill 和项目文件等方式与编程 Agent 集成,而不是作为一个独立服务运行在 Agent 外部。
1. 与 Harness 的关系
Harness 主要解决:
AI 如何可靠地执行任务?
例如:
- 如何调用模型?
- 如何读取文件?
- 如何执行终端命令?
- 如何管理上下文?
- 如何处理错误?
- 如何控制执行权限?
Spec Kit 和 OpenSpec 主要解决:
AI 应该按照什么需求、约束和流程完成任务?
两者关注点不同,但可以相互配合。
从广义上讲,规格驱动工具也可能被视为 Agent Harness 生态中的流程约束或能力扩展。
2. 与 Skill 的关系
Skill 通常用于封装可复用的任务知识、操作说明或执行规范。
例如,一个 Android 开发 Skill 可以要求:
- 修改代码前先阅读相关模块。
- 遵循项目现有架构。
- 不随意引入依赖。
- 修改完成后执行测试。
Spec Kit 和 OpenSpec 可以利用类似的机制,让 Agent 知道如何执行规格编写、需求澄清、技术规划和任务实施等工作。
但不能简单地认为:
“Spec Kit 就是一个 Skill。”
因为它们通常还包含模板、命令、配置和项目规格文件等内容。
3. 与 Workflow 的关系
Workflow 关注任务的执行流程。
例如:
需求分析
↓
需求澄清
↓
规格评审
↓
跨规格一致性审查
↓
技术设计
↓
任务拆解
↓
代码实现
↓
测试验收
Spec Kit 和 OpenSpec 都提供了围绕规格驱动开发组织工作的方式。
可以理解为,它们将传统软件工程中的部分开发流程,通过结构化文档和 AI 工具集成,变得更容易重复执行。
4. 与 MCP 的关系
MCP(Model Context Protocol)主要解决 AI 应用如何标准化连接外部工具和数据源的问题。
例如,Agent 可以通过 MCP 连接代码仓库、项目管理系统或其他开发工具。
而 Spec Kit 和 OpenSpec 主要管理需求规格及开发过程。
因此:
MCP 关注能力连接,Spec Kit / OpenSpec 关注开发规格与流程。
它们可以协同使用,但并不存在必须依赖的关系。
八、AI 开发者需要建立哪些认知?
我认为最重要的是建立四个认知。
认知一:SDD 不是全新的软件工程思想
需求规格、技术设计、任务拆解和测试验收,并不是 AI 时代才出现的概念。
传统软件工程早就强调:
- 需求评审。
- 技术方案设计。
- 开发任务拆解。
- 测试用例。
- 验收标准。
- 变更管理。
SDD 的价值,不是重新发明这些流程。
而是让结构化规格能够更直接地参与 AI 辅助开发。
例如,过去的需求文档主要由开发者阅读,再由开发者编写代码。
现在,AI 编程 Agent 也可以读取这些规格,并据此生成代码、执行任务和辅助验证。
规格从单纯供人阅读的文档,进一步成为 AI 开发过程的重要输入。
认知二:AI 的执行能力越强,需求约束越重要
过去,开发者需要亲自完成大量代码编写工作。
在这个过程中,开发者往往能够发现需求中的问题。
但 AI 编程工具可能在很短时间内生成大量代码。
如果需求本身存在歧义,AI 也可能快速实现一个错误的方案。
因此:
AI 编码效率越高,越需要重视需求澄清、边界条件和验收标准。
这也是 Clarify 重要的原因。
当然,Spec 也不保证绝对正确。
如果规格本身存在遗漏或错误,AI 仍然可能按照错误的规格进行开发。
所以,需求评审、技术决策和最终验收,仍然需要明确责任人。
认知三:规格文档是 AI 开发的重要上下文资产
这是一个很值得关注的变化。
传统 AI 对话中的很多信息,只存在于当前会话中。
例如:
- 为什么采用某种技术方案?
- 某个业务规则为什么这样设计?
- 哪些异常情况必须处理?
- 哪些模块不能随意修改?
如果这些信息没有保存下来,新的 AI 对话可能需要重新理解整个项目。
而通过 Spec Kit、OpenSpec 等工具,可以将部分重要信息沉淀为项目文件。
这些文件可以:
- 纳入 Git 版本管理。
- 参与代码评审。
- 在后续开发中重新读取。
- 帮助团队理解历史决策。
- 作为 AI 开发的上下文来源。
这与 Agent Harness 中的 Context Engineering(上下文工程)有着直接联系。
与其只依赖不断增长的聊天记录,不如把重要的项目知识保存为可维护、可检索的工程资产。
认知四:Spec 数量增加后,需要治理跨规格一致性
当项目中只有一两个 Spec 时,开发者通常能够比较容易地理解它们之间的关系。
但随着项目不断迭代,规格数量可能逐渐增加到几十个甚至更多。
这时容易出现:
- 不同规格重复定义相同业务规则。
- 新规格与已有规则矛盾。
- 某个规格已经过时,但仍被 AI 引用。
- 多个并行变更修改同一项系统行为。
- 跨模块约束没有被正确传递。
因此,不能简单地认为:
“项目里有 Spec,AI 就一定能够正确理解全部业务规则。”
更合理的做法是:
建立跨规格检索、冲突审查、需求澄清和变更同步机制。
例如,支付验证规则应有明确的归属,钱包模块可以引用支付结果,但不应该另行定义一套相互矛盾的支付成功标准。
这与传统软件架构中的 Single Source of Truth(单一事实来源)思想非常接近。
需要注意,单一事实来源并不意味着所有规则必须写在同一个文件中,而是强调每项关键规则应有清晰、权威的定义位置。
九、Spec Kit 和 OpenSpec 应该怎么选择?
两者都值得了解,但不一定需要同时引入。
什么时候考虑 Spec Kit?
如果团队希望:
- 建立较为统一的 AI 开发流程。
- 明确需求、设计和任务拆解阶段。
- 通过 Constitution 约束 AI 编码行为。
- 通过 Clarify 显式澄清需求。
- 在关键阶段进行质量检查。
- 支持自定义和扩展开发工作流。
可以优先研究 Spec Kit。
什么时候考虑 OpenSpec?
如果团队主要面对:
- 已经上线、持续迭代的产品。
- 频繁的功能增加和规则修改。
- 需要记录需求变更。
- 希望维护当前系统规格。
- 希望让 AI 理解本次修改与现有行为的差异。
- 倾向于在探索和迭代过程中持续澄清需求。
可以优先研究 OpenSpec。
不过,这只是基于两者设计侧重点的选择建议,不代表它们存在严格的适用边界。
对于个人开发者或小型团队,可以先选择一个实际需求试用,再根据项目复杂度决定是否长期采用。
还有一个需要避免的误区:
不是所有开发任务都需要完整的 SDD 流程。
简单的 UI 调整、明确的 Bug 修复,直接使用 AI 编程 Agent 可能更高效。
而涉及支付、账户、权限、复杂状态管理等业务时,规格驱动开发通常更值得投入。
十、总结
Spec Kit 和 OpenSpec 是理解 AI 编程工程化非常值得关注的两个项目。
如果只记住一句话:
Harness 解决的是如何让 AI 可靠地执行任务,Spec Kit 和 OpenSpec 帮助我们明确 AI 应该按照什么需求和约束完成任务。
它们背后的核心思想是 Spec-Driven Development(规格驱动开发)。
相比直接让 AI 开始写代码,SDD 更强调先明确需求、技术方案、任务和验收标准,再让 AI 执行开发。
其中:
- Spec Kit 更强调结构化、可扩展的开发流程和质量检查机制。
- OpenSpec 更强调当前系统规格与增量变更的管理。
- Clarify 解决需求是否明确的问题。
- Cross-Spec Review 解决新旧规格是否一致的问题。
- Verify 解决实际实现是否符合规格的问题。
对于软件工程师而言,这些工具的价值并不只是提高 AI 生成代码的效率。
更重要的是:
让 AI 辅助开发从一次次临时对话,逐步转向有明确规格、可追踪变更、可验证结果的工程过程。
随着 AI 编程工具的能力不断提升,开发者的工作重点也可能逐渐从具体代码编写,向需求澄清、架构设计、任务编排、质量验证和工程治理延伸。
但无论 AI 工具如何发展,软件工程的核心问题依然存在:
我们究竟要解决什么问题?应该如何设计?如何保证实现正确?如何持续维护?
Spec Kit 和 OpenSpec,正是尝试将这些传统工程问题与 AI 编程能力结合起来的实践。