AI导哈

规范驱动AI开发课程

一套面向工程师、产品经理和技术领导者的5门课程系列，教授如何在实际生产环境中采用AI技能、开放标准和LLM工作流程。

  • by andrewwint
  • 本地部署
  • 更新于
在 GitHub 查看 andrewwint/spec-driven-ai-dev-00-overview

使用说明

规范驱动的人工智能开发

“像管理自己的注意力一样管理LLM的上下文窗口。”

面向工程师、产品经理和技术领导者的5门实践课程系列，采用人工智能技能、AgentSkills.io等开放标准以及真实生产环境中的LLM工作流。

TL；工程领导者DR

规范驱动的人工智能开发提供了一种有纪律的使用方式 在生产软件交付中安全地使用人工智能技能和开放标准.

团队跟随 规格→ 专业代理商→ 自动闸门→ 人类评论 而不是临时提示。

典型结果：

  • 重复编码和研究时间减少20-40%
  • 产生幻觉的输出缺陷更少
  • 更快的入职流程
  • 标准化、可审计的人工智能使用与CI/CD和合规性保持一致

人工智能成为生产力的倍增器，而不是技术债务。

执行摘要

您可以为您的组织提供的代理开发生命周期（ADLC）示例。

这是什么？

一个实用的框架和课程系列，教导团队如何安全、可预测地将AI代理直接集成到软件开发生命周期（SDLC）中。

这不是更换工程师。这是关于在保持相同标准的同时提高工程杠杆率 可靠性, 测试, 治理，以及 问责.

方法

  • 而不是： “及时和希望”
  • 我们使用： 规格→ 代理→ 确定性门→ 人工审核

业务影响

度量 影响 描述
生产力 高 更快的脚手架、自动化研究、更快的原型制作。
质量 高 范围较小的任务，较少的幻觉，自动化测试/门。
风险 低 审计跟踪，可重复的工作流程，兼容SOC2/ISO。

投资回报率示例（保守）

对于一个由6名工程师组成的团队：

  • 研究与文档： 每周节省3-5小时
  • 锅炉板/脚手架： 每周节省3-6小时
  • 返工减少： 每周节省2-4小时
  • 总计： 每位工程师每周节省约8-15小时

📊 查看详细的投资回报率分析→ --包括独立开发人员与团队的比较、分工、协作模式以及如何衡量自己的投资回报率。

⚡ 快速入门（5分钟）

立即查看工作流。

git clone https://github.com/andrewwint/spec-driven-ai-dev-01-foundations
cd spec-driven-ai-dev-01-foundations
uv pip install -r requirements.txt
code .

然后：

  1. 写一个小规格。
  2. 请问 顾问代理 以供指导。
  3. 生成解决方案。
  4. 用闸门检查输出。

责任泳道

人类拥有书挡。 AI协助在中间。

阶段 人类工程师 研究代理 构建代理 审查代理
发现 ✅ 编写规范 收集文档
规划 批准设计 总结 草拟框架
构建 引导方向 生成代码
验证 检查输出 测试/门
部署 ✅ 自行发布

人工智能并不能取代判断。它增强了你的判断能力。

核心概念

渐进式披露

不要把所有的指示都放在前面。向代理传递上下文 当它相关时:

方法 示例
决定阅读 顾问说“为此阅读docs/patterns/X.md”
发现 Agent从现有代码中学习约定
触发 预提交挂钩火验证说明
在反馈中给出 测试失败指导修复

请参阅： 向AI模型提供指令

DARE模型

平衡人工智能和确定性工具的决策框架：

信件 原则 问题
D 确定性优先 这可以是脚本、正则表达式或规则吗？不要使用AI
A. AI用于歧义 这需要判断还是世代？使用AI
R 边界审查 人类应该在哪里检查？
E 失败后升级 是什么触发了交接？定义限制。

顾问模式

有些代理不生成代码。他们 引导:

  • 总结文件。
  • 解释领域概念。
  • 建议架构模式。

想想看：一个资深队友给你指路，而不是自动驾驶你的键盘。

模型层选择

使用 能胜任这项工作的最便宜的型号:

层级 用途 示例
快 简单的任务，翻译 最小的可用模型
平衡的 代码审查、教学 中层推理模型
高级 架构决策 最有能力的可用模型

模型选择是一种技能。不要拖欠保费。

10倍你的谷歌福（MCP）

代理使用直接连接到文档 模型上下文协议（MCP） 获取官方文档并比较选项。查找时间从几分钟缩短到几秒钟。

企业=易于推理

企业并不意味着复杂。这意味着其他人可以编写代码 理解并贡献于:

反模式 企业模式
一个巨大的CDK堆栈 多堆栈：网络、数据、api、监控
500行工作流文件 可重复使用的工作流模板
部落知识 Runbook和剧本
“它在我的机器上工作” Docker+一致性环境
长期证书 OIDC+短期令牌

测试：“新团队成员能在一天内理解这一点吗？”

🎓 Capstone成果

到本系列结束时，您将拥有 生产准备系统:

  • ✅ 代理人协助SDLC： 从创意到可重复的生命周期→ 生产。
  • ✅ 专业代理： 研究•顾问•规划师•建设者•审稿人•历史学家。
  • ✅ 生产工件： API、管道、模型、CI/CD、监控。
  • ✅ 可重用模板： 规格、回购结构、护栏、代理模式。
  • ✅ 实际判断： 知道什么时候 不 使用人工智能与知道何时使用它同样重要。

📚 学习之路

课程 重点和关键概念介绍 时间
1.基础 规范驱动的工作流程、DARE模型、Doer+Gate代理 ~9小时
2.数据平台 管道+顾问， 顾问模式，渐进式披露 ~10小时
3.ML管道 模型+评估门、实验建议、评估门，🏢 企业环境 ~9h
4.API及代理商 服务+MCP， MCP文件访问 （“10倍谷歌赋”） ~9小时
5.DevOps 部署+运营，应用前计划，合规性为准则 ~9h

总计： 约46小时内容

贯穿每门课程的模式

模式 引入 继续
顾问代理 课程2 3,4,5
渐进式披露 课程2 3,4,5
🏢 企业背景 课程3 4,5
投资回报率权衡分析 课程2 3,4,5
重点提案 课程2 3,4,5

🛠️ 工具

我们保持堆栈开放和标准：

  • 编辑： VS Code或任何具有AI技能支持的编辑器
  • 标准： AgentSkills.io 网站 开放标准（广泛采用，与工具无关）
  • 运行时间： Python 3.10+，节点18+
  • 包装经理： uv（快速Python管理）
  • 无需专有供应商锁定。

可观察性（可选但推荐）

工具 目的 我们为什么使用它
Splitrail 令牌和成本跟踪 “上下文即注意力”。此工具可准确可视化您消耗了多少上下文（和金钱），帮助您验证投资回报率假设。

📁 存储库结构

每门课程都遵循相同的仓库布局：

spec-driven-ai-dev-0X-[course-name]/
├── README.md                # Course overview & how to use
├── code/
│   ├── 01-[module-name]/    # Complete snapshot at Module 1
│   ├── 02-[module-name]/    # Complete snapshot at Module 2
│   └── ...                  # One folder per module
├── slides/                  # Course slides (if any)
└── attachments/             # Templates, cheat sheets, extras

每 code/0X-*/ 文件夹是 完整、可运行的项目 在该模块检查点。在GitHub上浏览或克隆并探索任何模块。

每个模块内部快照

code/0X-[module-name]/
├── README.md
├── CHANGELOG.md         # What shipped (Human owned)
├── HISTORY.md           # Persistent context (Agent owned)
├── AGENTS.md            # Agent definitions & strategy
├── src/                 # Application source code
└── skills/              # AgentSkills.io skill definitions

工具原则

我们教授以下基本原则 转移到任何工具:

我们的方法 行业标准 我们为什么选择我们的
熊猫→ Lambda dbt+仓库 原理相同，设置更简单
Python验证 寄予厚望 你明白发生了什么
Makefile触发器 气流DAG 关注逻辑，而不是编排
Flask FastAPI 模式传输
CDK Terraform 两者都是IaC思维

当你准备好采用行业工具时，你会认识到这种想法。

🚀 从这里开始

👉 课程1：基础

相关 MCP