认知重建：Speckit三个月实践与突围

摘要

作者分享了Speckit三个月实践失败的深刻反思，揭示了规范驱动开发在企业复杂场景中的局限性，并提出了基于复合工程与上下文工程的解决方案。文章强调AI工程化不应依赖约束流程，而是通过完整信息供给和知识沉淀机制，实现边际成本递减和经验复利。

内容框架与概述

文章以作者在后端研发团队的实际经历开篇，描述了团队尝试AI辅助编程初期面临的规模化复用困境。作者遇到Speckit和openspec两个规范驱动开发工具，其清晰的五阶段流程和测试优先理念看似完美，但在企业真实需求面前暴露出严重局限性。

通过一个跨部门协作的12月活动需求案例，作者生动展示了企业需求的复杂性：多方博弈、动态调整、并行推进、持续扯皮，以及大量的考古需求需要查询历史经验。Speckit假设需求清晰可规划，openspec的Delta机制也救不了频繁变动的现实，更致命的是两者都缺乏上下文检索机制，无法自动关联历史经验和已知陷阱。

作者从第一性原理重新审视问题，指出人的认知局限是刚性约束，执行过程中的排查信息才是最宝贵的知识，但Speckit模式的边际成本恒定，无法形成复利效应。最终作者转向复合工程与上下文工程理念，设计了一套AI工程工具架构，通过上下文完整性、意图识别和知识沉淀机制，让每次工作都成为下一次的基石。

核心概念及解读

规范驱动开发：以规范为代码源，强制测试优先、权力倒置的开发方法论，但在企业复杂需求面前显得理想化。

复合工程：让每个单元的工程工作使后续工作变得更容易，通过Plan、Work、Review、Compound闭环实现知识持续沉淀和复利增长。

上下文工程：不是约束AI行为，而是给AI提供完整信息，通过experience-in和intent机制让AI自动加载相关历史经验和领域知识。

边际成本递减：通过知识沉淀和自动加载机制，让类似任务的执行时间逐次减少，实现越用越快的复利效应，而非每次都要重新想起遗漏。

考古需求：企业真实开发中必须查询的历史经验、已知陷阱、配置规范和平台知识，这些隐藏上下文往往比代码本身更重要。

原文信息

此摘要卡片由 AI 自动生成