Vibe Coding - 从Vibe Coding到Spec Coding_AI编码范式的进化之路

优质文章学习记录

— 11 min read
Vibe Coding - 从Vibe Coding到Spec Coding_AI编码范式的进化之路

文章目录

在这里插入图片描述

Pre

Vibe Coding - 使用cursor从PRD到TASK精准分解执行

Vibe Coding - Spec Workflow MCP：打造结构化、AI 驱动的软件开发新范式

Vibe Coding - GitHub官方开源项目spec-kit_spec规范驱动开发

Vibe Coding - 规范驱动AI协作：深入解析OpenSpec改变开发流程的力量

Vibe Coding - 深度解读规范驱动开发（SDD）：对 Kiro、spec-kit、Tessl 三大工具的剖析与实践

朦胧与探索

回忆第一次使用AI编码助手，那种既兴奋又有点笨拙的心情。比如有一天，你需要让AI帮你写一个日志审计模块——“帮我搞个日志收集和异常报警，能对接到ELK即可”。你随口一句话，把需求抛给AI。这就是**“Vibe Coding”**，也称“意念/氛围感编程”。它的本质是凭感觉，你输入模棱两可的描述，希望AI能意会“我要实现的是日志自动收集、聚合和告警的全流程”。

在Vibe Coding时代，我们和AI的互动大多如此：

  • “帮我做个能自动聚合日志并告警的Service”
  • “这个ES索引满了，自动扩容怎么搞？”
  • “日志量大时服务崩掉了，优化一下这段处理代码。”

你像在对AI咏唱魔法，靠“氛围”驱动、靠反复试错和调试摸索。但AI常常理解偏差，比如日志格式处理被自动省略、Collector部署策略不明确，甚至会遗漏最基础的告警阈值配置。你要不停嵌入新提示、微调描述，一轮又一轮纠错，像“侦探”一样盯着AI的每一步产出。这阶段开发者的角色，其实更像灵感提供者与质量把关员。

革新发生：进入Spec Coding时代

技术从不止步。大型语言模型的推理与结构化能力迭代后，全新范式——Spec Coding（“规格说明编码”/“蓝图编码”）崛起了。

Vibe Coding是印象派，Spec Coding则是工程制图。

Spec Coding依赖清晰、结构化的“规格说明书”，开发者逐渐变为蓝图工程师，重点转向定义问题本身。

案例：日志审计模块“规格化”描述

不是“一句话描述”，而是：

/* 任务：实现微服务日志采集与异常告警模块 模块名：AuditLogModule 主要接口： - public void logEvent(LogEvent event) - public void sendAlert(String ruleId, String msg) 输入与约束： - LogEvent对象含level（INFO/WARN/ERROR）、message、service、timestamp，所有字段必填，最大message长度1KB。 - 所有ERROR日志自动触发异常告警，WARN根据配置策略决定 核心处理逻辑： 1. 收集所有服务的日志，支持批量写入Elasticsearch，采用异步队列处理。 2. 关键字段需索引（service、level），日志存储保留90天，自动归档。 3. 当ERROR日志检测到规则命中时，自动发送钉钉告警（限频：每分钟最多3条，同服务合并）。 4. 提供定制化配置，允许外部变更告警规则与阈值，配置热更新。 技术栈要求： - Spring Boot 3.x，异步队列用ExecutorService。 - 日志采集适配Logback、Log4j2两种主流组件。 - ElasticSearch操作通过Spring Data ES实现。 - 告警推送对接钉钉开放平台。 测试： - 单元测试覆盖核心流程分支，异常断言，模拟告警推送。 - 提供10条示例日志和2种告警配置供测试。 非功能要求： - 异步处理性能指标：单节点每秒支持2000条写入不丢失。 - 所有配置参数可热加载，并日志记录热更历史。 - 需具备详尽的操作日志（通过AOP记录API被调用及参数）。 */

你把这样的详细蓝图丢给AI，大模型可以直接产出高可用、真实可落地的企业级日志采集和告警代码：接口规范清晰、异常路径覆盖、参数约束充分、告警推送与速率限制合理、扩展性与性能都考虑进来。你和AI的关系也发生质变——你确定“做什么”和“功能边界”，AI则具体“如何落地”和“实现细节”。

Spec Coding的实际价值

  • 开发者价值升维：主要能力不是记API、写循环，而是高度抽象、拆解问题、预设边界和设计出自洽且可测试的“蓝图”。
  • 代码质量跃迁：明确规格驱动下生成的代码，可靠性和可维护性大大提升。
  • 协作模式进化：需求文档向结构化Semi-Formal语言迈进，既为AI所懂，也为后期维护团队所依赖，成了自动生成设计文档、测试用例的基础素材。

主流的规范驱动开发开源项目

1. Spec-Kit

  • 简介：Spec-Kit 是 GitHub 推出的开源规范驱动开发工具包，深度集成了 Cursor、Claude 等 AI 编码助手，帮助开发者从需求到实现全流程结构化开发，摆脱“瞎写代码”困境。
  • 核心特点：
    • 命令和模板完整中文化
    • 结构化流程（从规格定义、计划制定到任务拆分）
    • 技术无关，可自由选择技术栈和框架
    • 支持零基础开发者，用规范驱动 AI 生成高质量代码
    • 集成测试驱动开发原则[1][2][3][4]
  • 主要应用场景：新项目从零开发，多技术栈探索，现有系统迭代优化，企业级合规和定制化开发。

2. OpenSpec

  • 简介：OpenSpec 是一个革命性的规范驱动开发框架，主打 AI 编程助手与人类工程师协调、达成一致，确保开发流程的高质量与可控性。[5][6]
  • 核心特点：
    • 一站式规范管理与变更跟踪
    • 集成任务管理、AI协同、进度追踪、文档生成、版本控制
    • 支持团队协作与多角色方案，配置管理简单
    • 轻量级，不依赖复杂API或密钥
  • 应用场景：新建项目提议、现有项目架构迁移、自动生成设计文档与测试用例，适配多种主流 AI 工具（如 Claude Code、Cursor）。[6][5]

3. Spec-Workflow MCP

  • 简介：Spec Workflow MCP 基于 Model Context Protocol (MCP) 的开源服务器，专为规范驱动开发设计，配套实时 Web 仪表板与 VSCode 插件。[7][8]
  • 核心特点：
    • 支持完整需求/设计/任务三阶段 Markdown 文档生成与管理
    • 任务进度实时可视化（进度条、WebSocket 更新）
    • 审批、反馈、修订全流程追踪，JSON 状态管理与版本控制
    • 支持多语言用户界面，适合全球团队合作
    • 预置文档模板，可自定义扩展[8][7]
  • 应用场景：多团队远程协作、规范归档管理、企业级需求变更、可追溯的工程开发全流程。

4. Tessl Framework

Tessl Framework 是一个支持“规范驱动开发（Spec-Driven Development）”的现代工具链，能够帮助开发者用结构化的“规格说明（Spec）”描述需求，自动驱动 AI 生成高质量实现。以下为官方快速入门指南的要点整理：

Tessl Framework 快速入门指南

  1. 安装 Tessl
    • 按官网 Installation 指南完成安装和登录。
    • 终端输入 tessl 验证安装，tessl whoami 验证登录状态。
    • 推荐为每个项目新开目录（如 quickstart）。
  2. 初始化项目
    • 命令：tessl init
    • 会生成配置文件，根据提示可选择使用“规范开发框架+规范注册表”或仅用后者，推荐选“Framework”。
    • 可选：初始化 AI agent（大大提升体验）。
  3. 集成 AI Agent（推荐）
    • 命令：tessl setup agent
    • 支持与主流 AI Agent（如 Claude Code、Cursor IDE 内置 Agent）对接，推荐自动配置 MCP 服务器。
    • 通过 MCP 协议让 IDE/Agent 轻松连接。
  4. 创建你的第一个 Spec
    • 以“将英文单词变为复数”为例，可用 Agent prompt 或 CLI 工具交互生成 Spec 文件。
    • Tessl 会自动收集项目上下文到 AGENTS.md，提升辅助能力。
    • 回答规范化“面试”问题，如编程语言、结构、功能等，Agent 可建议默认设置。
  5. Review & Edit Spec
    • Spec 会自动保存在 specs 目录中。
    • 可人工修改或继续用命令、对话方式让 Agent/CLI 增强规格描述（如支持特殊单词复数）。
  6. 生成实现代码
    • “build my application”即可自动生成实现，并可生成/完善测试用例。
    • 规范、上下文会通过 AGENTS.md 影响代码风格和细节。
  7. 运行与迭代
    • 启动应用并测试功能。
    • 后续可不断用迭代方式丰富 Spec、补充测试和文档，驱动项目持续演进。

如需手动配置，一般形如：

{"tessl":{"type":"stdio","command":"tessl","args":["mcp"]}}

高级扩展与示例

  • 支持将现有代码反推为 Spec。
  • 支持多 Agent 协同与团队管理。
  • 配合 MCP、各种 IDE（如 Cursor）及开放生态，持续增强工作流。

Tessl 的核心理念是在结构化需求/规格的驱动下，最大化释放 AI 生产力，让开发者聚焦业务需求与工程设计，让实现和维护更高效、可控、更“可沟通”。

这些工具正在推动“规范→AI代码生成→自动测试→持续迭代”的新型 Spec Coding 工作流，让开发者可以专注在高层设计和问题抽象，高效落地业务需求，高质量产出工程成果。建议在博客末尾引入这类项目，并附加说明：如果你希望实践 Spec Coding，建议亲自体验 Spec-Kit、OpenSpec 及 Spec-Workflow MCP 这些开源工具，实证其对提质增效的巨大价值巨大价值。

未来展望 —— 人机共生的工程师

Spec Coding是AI开发协作的必然进化方向。未来的程序员，将拥有更敏锐的系统思维、工程抽象能力，成为数字时代的“蓝图设计师”，而AI则是你高效、忠实的合作伙伴。

最终，代码只是细节，设计与思想才是永恒。

这种新的AI编程范式，将推动行业高质量、高效率发展，让开发者把更多精力投入到需求洞察、架构设计与创新上，真正实现人机协同、优势互补的局面。

  1. https://github.com/888888888881/spec-kit-chinese
  2. https://blog.ZEEKLOG.net/m0_63309778/article/details/154118831
  3. https://www.cnblogs.com/treasury-manager/p/19130337
  4. https://x.com/shao__meng/status/1966752535752176112
  5. https://aicoding.ZEEKLOG.net/68f9f00b0e4c466a32e07201.html
  6. https://lilys.ai/notes/zh/vibe-coding-20251026/ai-driven-development-openspec
  7. https://devpress.ZEEKLOG.net/aibjcy/68ca133c8867235e13852adb.html
  8. https://github.com/Pimzino/spec-workflow-mcp
  9. https://www.toutiao.com/article/7570607326185439796/
  10. https://www.youtube.com/watch?v=PtIGaAPzCR0
  11. https://www.reddit.com/r/GithubCopilot/comments/1n7v2pv/kiro_is_cooked_githubs_spec_kit/
在这里插入图片描述

Read more

大模型Token入门详解：概念、原理、换算与核心作用【AI基础】

用通俗直白的语言拆解Token相关知识点，全程无晦涩术语，适合AI初学者、大模型入门人群快速掌握核心逻辑，干货好懂易记。 一、Token核心定义：大模型的语言基础单元 我们常说的大语言模型上下文窗口，它的计量单位并不是日常的字数或者词语数，而是Token。大模型的本质是做数字矩阵运算，本身无法直接理解人类的自然语言，必须依靠Tokenizer（分词器）充当“翻译官”，完成文字与数字之间的双向转换，这也是大模型能够理解、生成文字的核心前提。 二、Tokenizer两大核心功能：编码与解码 分词器Tokenizer的工作流程主要分为两步，分工明确且逻辑连贯，支撑起语言与机器指令的转换闭环： * 编码（Encoding）：将用户输入的文本内容，转换成模型能够识别的数字序列，包含两个关键步骤。第一步是切分，把完整的语句拆分成模型可处理的最小单元，也就是Token；第二步是映射，为每个Token分配专属的数字编号，即Token ID，让模型能够读取和处理。 * 解码（Decoding）：把模型输出的Token ID，反向还原成人类可以正常读懂的自然文字，该过程不需要再次对文本进
探索高性能AI识别和边缘计算 | NVIDIA Jetson Orin Nano 8GB 开发套件的全面测评

探索高性能AI识别和边缘计算 | NVIDIA Jetson Orin Nano 8GB 开发套件的全面测评

随着边缘计算和人工智能技术的迅速发展，性能强大的嵌入式AI开发板成为开发者和企业关注的焦点。NVIDIA近期推出的Jetson Orin Nano 8GB开发套件，凭借其40 TOPS算力、高效的Ampere架构GPU以及出色的边缘AI能力，引起了广泛关注。本文将从配置性能、运行YOLOv5算法实测，以及与树莓派系列（Raspberry Pi 4B、Raspberry Pi 5）的横向对比三个维度，全面解析Jetson Orin Nano的实际表现，帮助开发者深入了解其在实时目标检测等AI任务中的优势和适用场景。 一、NVIDIA Jetson Orin Nano 介绍 NVIDIA Jetson Orin™ Nano 开发者套件 是一款尺寸小巧且性能强大的超级计算机，重新定义了小型边缘设备上的生成式 AI。它采用了性能强大的Orin架构模块，在体积小巧的同时提供高达40 TOPS的AI算力，能够无缝运行各种生成式 AI 模型，包括视觉变换器、大语言模型、视觉语言模型等，为开发者、学生和创客提供了一个高性价比且易于访问的平台。 图注：
AI工具链：MLflow实验跟踪

AI工具链：MLflow实验跟踪

AI工具链：MLflow实验跟踪 📝 本章学习目标：本章聚焦职业发展，帮助读者规划AI学习与职业路径。通过本章学习，你将全面掌握"AI工具链：MLflow实验跟踪"这一核心主题。 一、引言：为什么这个话题如此重要 在人工智能快速发展的今天，AI工具链：MLflow实验跟踪已经成为每个AI从业者必须掌握的核心技能。Python作为AI开发的主流语言，其丰富的生态系统和简洁的语法使其成为机器学习和深度学习的首选工具。 1.1 背景与意义 💡 核心认知：Python在AI领域的统治地位并非偶然。其简洁的语法、丰富的库生态、活跃的社区支持，使其成为AI开发的不二之选。掌握Python AI技术栈，是进入AI行业的必经之路。 从NumPy的高效数组运算，到TensorFlow和PyTorch的深度学习框架，Python已经构建了完整的AI开发生态。据统计，超过90%的AI项目使用Python作为主要开发语言，AI岗位的招聘要求中Python几乎是标配。 1.2 本章结构概览 为了帮助读者系统性地掌握本章内容，我将从以下几个维度展开： 📊 概念解析 → 原理推导 → 代码
OpenClaw（龙虾）开源AI智能体科普解析：核心原理、功能特性与本地部署教程

OpenClaw（龙虾）开源AI智能体科普解析：核心原理、功能特性与本地部署教程

近期开源AI领域，OpenClaw（俗称“龙虾”）凭借其本地优先、可定制的特性，受到开发者社区的广泛关注，其项目保活程度与社区活跃度可通过GitHub数据直观体现：目前该项目已获得222k stars、1.2k watching、42.3k forks，各项数据均处于开源AI智能体领域前列，足以证明其社区认可度与持续更新能力。作为一款开源AI智能体工具，它在办公自动化、系统辅助等场景具有实用价值，适合开发者了解和落地实践。 OpenClaw是一款开源的个人AI助手编排平台，采用TypeScript开发，目前在GitHub上拥有较高的关注度，其核心价值在于将大模型的推理能力与本地系统操作相结合，打破了传统AI助手“仅能交互、无法执行”的局限。本文将从技术科普角度，围绕OpenClaw的核心定义、功能特性、技术细节及本地部署步骤展开，帮助开发者全面了解这款工具的原理与使用方法。 对于ZEEKLOG的开发者群体而言，了解OpenClaw的技术架构与应用场景，既能拓展AI智能体的认知边界，也能将其应用于日常开发、办公场景，提升工作效率。 本文将从「核心定义、功能特性、技术细节、本地部署」