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

ComfyUI:AI绘画与图像生成的高效工作流(从入门到提效:节点思维 + 模板复用 + 插件管理)

ComfyUI:AI绘画与图像生成的高效工作流(从入门到提效:节点思维 + 模板复用 + 插件管理)

🔥 个人主页:杨利杰YJlio❄️ 个人专栏:《Sysinternals实战教程》《Windows PowerShell 实战》《WINDOWS教程》《IOS教程》《微信助手》《锤子助手》《Python》《Kali Linux》《那些年未解决的Windows疑难杂症》🌟 让复杂的事情更简单,让重复的工作自动化 文章目录 * ComfyUI:AI绘画与图像生成的高效工作流(从入门到提效:节点思维 + 模板复用 + 插件管理) * 一、ComfyUI 是什么?它为什么更“高效”🤖 * 二、核心概念:用“节点思维”理解 Stable Diffusion 工作流🧠 * 三、效率提升关键:选对分辨率与参数(以 SDXL 为例)⚙️ * 1)建议的“省心参数”(我常用) * 四、实战:搭一个“

【AIGC工作流】解构AI短剧生产管线:从手动调用DeepSeek+MJ,到Agent一站式自动化的演进

作为一名在代码堆里摸爬滚打多年的老程序员,我对AIGC技术的落地一直保持着敏锐的观察。从最初的GPT-3 API调用,到Stable Diffusion本地部署,再到现在的视频生成模型,技术迭代的速度令人咋舌。 但在实际的AI短剧(AI Video)落地过程中,由于工具链的极度分散,导致生产效率极其低下。本文将从工作流(Workflow)重构的角度,复盘我如何将短剧生产周期从30天压缩至1天的技术路径,并分享一个我近期深度使用的Agent化平台——有戏AI。 一、 痛点:传统AIGC“烟囱式”架构的效率瓶颈 在早期制作我的《重生之玄界》(全网播放量1亿+)系列时,采用的是典型的分步式微服务架构思路,每一个环节都是独立且割裂的: 1. NLP层:调用 DeepSeek / GPT-4 生成分镜脚本(Prompt Engineering 耗时极长)。 2. 图像层:将脚本转化为绘图Prompt,扔进 Midjourney 或 SD。这里最大的技术难点是角色一致性(Character Consistency)

VSCode Github Copilot使用OpenAI兼容的自定义模型方法

VSCode Github Copilot使用OpenAI兼容的自定义模型方法

背景 VSCode 1.105.0发布了,但是用户最期待的Copilot功能却没更新!!! (Github Copilot Chat 中使用OpenAI兼容的自定义模型。) 🔥官方也关闭了Issue,并且做了回复,并表示未来也不会更新这个功能: “实际上,这个功能在可预见的未来只面向内部人员开放,作为一种“高级”实验功能。是否实现特定模型提供者的功能,我们交由扩展作者自行决定。仅限内部人员使用可以让我们快速推进,并提供一种可能并非始终百分之百完善,但能够持续改进并快速修复 bug 的体验。如果这个功能对你很重要,我建议切换到内部版本 insider。” 🤗 官方解决方案:安装VSCode扩展支持 你们完全不用担心只需要在 VS Code 中安装扩展:OAI Compatible Provider for Copilot 通过任何兼容 OpenAI 的提供商驱动的 GitHub Copilot Chat,使用前沿开源大模型,如 Kimi K2、DeepSeek

5分钟搞定whisper.cpp模型选型:从tiny到large-v3-turbo的速度与准确率实测

5分钟搞定whisper.cpp模型选型:从tiny到large-v3-turbo的速度与准确率实测 【免费下载链接】whisper.cppOpenAI 的 Whisper 模型在 C/C++ 中的移植版本。 项目地址: https://gitcode.com/GitHub_Trending/wh/whisper.cpp 你还在为语音识别项目选择合适的模型而纠结吗?当需要在本地部署高效语音转文字功能时,模型大小、速度和准确率的平衡往往让开发者头疼。本文通过实测对比whisper.cpp的8种主流模型,帮你快速找到最适合业务场景的解决方案。读完本文你将获得: * 不同规模模型的磁盘占用与性能数据 * 实时/离线场景下的模型选择决策指南 * 一行命令完成模型部署的实操教程 模型家族全景图 whisper.cpp作为OpenAI Whisper模型的C/C++移植版,提供了从微型到大型的完整模型系列。这些模型经过优化可在CPU/GPU上高效运行,其核心差异体现在参数量与能力范围上。 官方模型规格速查表 模型名称磁盘占用支持语言典型应用场景tiny.en75 MiB仅