Spec-Kit+Copilot打造AI规格驱动开发

Spec-Kit+Copilot打造AI规格驱动开发

作者:算力魔方创始人/英特尔创新大使 刘力

一,什么是Spec-Kit?

在传统的软件开发中,通常先有需求→ 写规格 → 再写代码;规格多数是“指导性文档”,而真正的业务逻辑和边界由程序员“翻译”出来。Spec-Driven Development(规格驱动开发)的理念是,将规格(spec)从“仅供参考”提升为可执行、可驱动的核心工件,直接引导后续设计、计划、任务拆解、实现等流程。spec-kit 是 GitHub 提供的一个工具集 / CLI / 模板库,用来在项目中落地这种流程!

Github: https://github.com/github/spec-kit

二,搭建运行环境

本节将指导您从零开发搭建Spec-Kit的运行环境。

第一步:在Ubuntu24.04上安装uv:

curl -LsSf https://astral.sh/uv/install.sh | sh

第二步:请首先按装Spec-Kit:

uv tool install specify-cli --from git+https://github.com/github/spec-kit.git

第三步:新建项目文件夹,例如“cube4060”;在cube4060文件夹路径,执行:

specify init my-website

然后,选择您所用的AI assistant,并键入“Enter”。笔者选用Github Copilot。

三,在VS Code中使用SpecKit

在VS Code中,打开my-website文件夹,然后在Github Copilot的Chat对话框中,依此输入命令:

  • 用 /speckit.constitution 定义团队或项目的原则和治理(code style、测试标准、性能要求等)
  • 用 /speckit.specify 写规格,专注于 “要做什么 / 为什么做” 而非技术细节
  • 用 /speckit.plan 在选定技术栈下做技术规划
  • /speckit.tasks:创建可操作的任务列表
  • /speckit.implement:执行所有任务并根据计划构建您的应用程序
详情参见:https://github.com/github/spec-kit

按照2-6步,输入命令后,可以获得开发好的网站,如下图所示:

四,总结

使用spec-kit 的价值在于:提升规格驱动的贯穿力、减少误解、标准化流程、让AI 融入软件开发流程。对那些希望把“写好规格 / 早期明确边界”作为核心竞争力的团队/项目,spec-kit 提供了一条可实践的路径。

如果你有更好的文章,欢迎投稿!

稿件接收邮箱:[email protected]

更多精彩内容请关注“算力魔方®

Read more

AIGC创作平台怎么设计?高保真案例拆解+AI生成原型实测

AIGC创作平台怎么设计?高保真案例拆解+AI生成原型实测

引言 到了2026年,我发现AIGC创作类产品明显进入了“第二阶段”。第一阶段解决的是能不能生成,而现在,越来越多产品开始认真解决好不好用、是不是一个真正的创作工具。 尤其在音乐、视频这类复杂创作领域,单纯把一个输入框丢给用户,已经远远不够。在实际使用中,真正拉开差距的,反而是页面结构、参数怎么摆,以及生成结果能不能被反复利用。 本文基于墨刀素材广场中的一个高保真AI音乐创作平台原型案例,对核心页面做详细拆解,分析结构层面的设计要点。同时结合AI生成原型图的方式,实测了3个不同场景的AIGC产品案例,希望为正在做AI产品、原型或交互设计的同学,提供一些可复用的思路。 一、高保真AI音乐创作平台原型拆解 这是一个完整的一站式AI音乐创作系统,覆盖从创意构思、内容生成、资产管理、二次创作的全音乐生产链路。这个原型给我最大的感受,是它很克制地把复杂流程拆散了,让非专业用户也能一步步跟着走,同时又保留足够的专业深度,满足专业级用户需求。 1. 首页 首页同时承担了「快速开始创作」和「激发灵感」两种职责,因此在结构上做了明显区分。 * 左侧导航:固定核心功能入口(音乐、歌词、

LobeChat能否实现AI绘画描述生成?Stable Diffusion联动

LobeChat 能否实现 AI 绘画描述生成?与 Stable Diffusion 的深度联动解析 在创意工具正经历“AI 化”浪潮的今天,一个越来越常见的需求浮出水面:普通人如何用几句话就生成一张高质量图像?过去,这需要用户掌握复杂的提示词技巧、熟悉模型参数,甚至要在多个平台之间来回切换。而现在,借助像 LobeChat 和 Stable Diffusion 这样的开源工具组合,我们离“说一句,画一幅”的理想体验前所未有地接近。 这个设想的核心并不复杂——让用户以自然语言表达想法,系统自动将其转化为专业级绘图指令,并调用图像模型完成生成。听起来像是科幻场景,但实际上,只要打通几个关键环节,这套流程已经可以在本地部署并稳定运行。而其中最关键的桥梁,正是 LobeChat 的插件机制与 Stable Diffusion 的开放 API。 为什么是 LobeChat? LobeChat 并不是一个简单的聊天界面克隆项目。它基于

ComfyUI:重新定义AI绘画工作流的节点式创作引擎

ComfyUI:重新定义AI绘画工作流的节点式创作引擎

当Stable Diffusion(SD)在2022年引爆AI绘画革命时,大多数用户依赖的是WebUI这类“傻瓜式”界面——点击按钮即可生成图像,但灵活性被严重束缚。2023年,ComfyUI的出现彻底改变了这一局面:它将AI绘画拆解为可自由组合的“节点”,让用户像搭积木一样构建从文本到图像的完整逻辑链。这种“可视化编程”模式不仅解锁了SD底层功能的全部潜力,更催生了从图像修复到风格迁移的无限创作可能。本文将系统剖析ComfyUI的核心架构、节点生态、高级工作流设计及实战案例,帮助你从“按钮使用者”进化为“AI绘画工程师”。 一、ComfyUI核心价值:从“黑箱操作”到“全链路掌控” 1.1 为什么选择ComfyUI? 与WebUI(如Automatic1111)的“一键生成”不同,ComfyUI的本质是可视化工作流引擎。其核心优势体现在三个维度: 对比维度WebUI(Automatic1111)ComfyUI操作逻辑表单填写式,功能模块化节点连接式,逻辑可视化参数控制粒度预设参数为主,高级功能隐藏全链路参数暴露,支持细粒度调节扩展能力依赖插件,兼容性受限原生支持自定

2026年各大高校AIGC检测政策汇总(持续更新)

2026年各大高校AIGC检测政策汇总(持续更新)

2026年各大高校AIGC检测政策汇总(持续更新) 2026年毕业季正式来临,AIGC检测已经不再是"可能会查",而是"一定会查"。从去年下半年到现在,全国高校密集出台了一系列针对论文AI生成内容的检测政策。本文将为大家做一个尽可能全面的汇总,方便同学们快速了解自己学校的要求,提前做好准备。 本文持续更新,建议收藏。 2026年高校AIGC检测的整体趋势 在详细列出各高校政策之前,先给大家概括一下今年的整体形势: 三大核心变化 1. 检测范围全覆盖:不再只是抽检,而是全部论文必查AIGC 2. 检测标准趋严:AI率阈值从去年普遍的30%收紧到20%甚至10% 3. 处罚力度加大:从"修改后重新提交"升级到"延期答辩"甚至"取消答辩资格" 主要检测平台分布 * 知网AIGC检测系统:覆盖约60%的985/211高校