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

Whisper.cpp 语音识别终极指南:5分钟快速部署跨平台ASR方案

Whisper.cpp 语音识别终极指南:5分钟快速部署跨平台ASR方案 【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 想要在本地快速实现高质量语音识别?Whisper.cpp 作为 OpenAI Whisper 模型的 C++ 移植版本,为你提供了轻量级ASR解决方案。无需复杂配置,只需简单几步,就能将强大的语音识别能力集成到你的应用中!🚀 🎯 为什么选择 Whisper.cpp? 真正开箱即用的语音识别体验:告别繁琐的云端API调用,在本地即可享受与OpenAI Whisper相同的识别精度。无论是会议记录、语音助手还是音频内容分析,Whisper.cpp 都能提供稳定可靠的识别服务。 核心优势亮点: * ✅ 零外部依赖 -

颠覆级里程碑:Whisper Large-V3-Turbo重构语音交互技术范式

颠覆级里程碑:Whisper Large-V3-Turbo重构语音交互技术范式 【免费下载链接】whisper-large-v3-turbo 项目地址: https://ai.gitcode.com/hf_mirrors/openai/whisper-large-v3-turbo 技术背景:实时交互时代的语音识别困境 在智能座舱、远程医疗、元宇宙社交等新兴场景推动下,语音交互正从"可用"向"自然"跨越。行业数据显示,当语音识别延迟超过180ms时,用户对话流畅度将下降47%,而多语言混合场景的识别错误率普遍高达23%。传统语音模型面临三重矛盾:高性能模型推理成本过高(单句识别需GPU支持)、轻量化方案精度损失显著(WER提升11-15%)、多语言支持与识别速度难以兼得。OpenAI此次推出的Whisper Large-V3-Turbo,通过解码层重构+注意力机制优化的组合策略,正在改写语音识别技术的效率边界。 核心特性:解码革命与性能跃迁 架构突破:从32层到4层的极限压缩 Whisper Large-V3-Turbo实现了87.5%

AI绘画新选择:对比Stable Diffusion与Z-Image-Turbo的快速搭建方案

AI绘画新选择:对比Stable Diffusion与Z-Image-Turbo的快速搭建方案 为什么需要快速切换AI绘画模型? 作为一名数字艺术家,我经常需要在不同AI绘画模型之间切换测试效果。传统方式每次都要重新配置环境,不仅耗时耗力,还可能遇到依赖冲突等问题。本文将分享如何通过预置环境快速对比Stable Diffusion和Z-Image-Turbo这两个热门模型。 这类任务通常需要GPU环境支持,目前ZEEKLOG算力平台提供了包含这两个模型的预置镜像,可以快速部署验证。下面我会从实际使用角度,带你了解两种模型的特性差异和部署技巧。 环境准备与快速启动 基础环境要求 * GPU:建议NVIDIA显卡,显存≥8GB(Z-Image-Turbo最低6GB也可运行) * 系统:Linux/Windows WSL2 * 驱动:CUDA 11.7+ 一键启动命令 # 拉取预置镜像(已包含双模型) docker pull ZEEKLOG/ai-painting:sd-zimage # 启动容器(自动挂载输出目录) docker run -it --gpus al

OpenClaw 和 Claude Code、Cursor、Copilot 有什么区别

在了解了 OpenClaw 的基本能力之后,很多人都会产生一个很自然的问题: 它和常见的 AI 编程工具到底有什么区别? 比如: * Claude Code * Cursor * GitHub Copilot 这些工具看起来都能: * 写代码 * 改代码 * 提供建议 但如果你真正用过一段时间,就会发现: 它们解决的问题,其实不在一个层面。 这一篇我们就从实际使用角度,把它们的区别讲清楚。 一、先说结论:它们不是“替代关系” 很多人会下意识认为: OpenClaw 是不是 Cursor / Copilot 的升级版? 其实不是。 更准确的理解是: 它们分属于不同类型的工具,可以配合使用,而不是互相替代。 简单划分一下: * Copilot / Cursor:写代码的助手 * Claude Code:理解和修改代码的助手 * OpenClaw:执行任务的 Agent 接下来我们分别看。 二、