效率提升100%！分享我的 AI Coding 大杀器：SDD 工作流

很多人高强度用 AI 写代码时，经常会遇到一种让人哭笑不得的局面：今天的 AI 在否定昨天的 AI，现在的 AI 在推翻上一轮对话的自己

你明明在三个小时前跟它敲定了接口规范，换了个窗口或者聊了十几轮之后，它突然自作主张换了一套写法，甚至把之前写好的逻辑全盘推翻。这种"左右脑互搏"，几乎是每个深度 AI 开发者都会踩的坑

这种问题为什么会发生？业界有没有很好的解决方案？今天这篇文章Left就带你来揭晓答案

一、为什么 AI Coding 总会左右脑互搏？

造成左右脑互搏问题的核心原因有三点：

1、上下文注意力的天然衰减：执行阶段高度依赖规划阶段的记忆。但大模型的注意力有限，上下文越聊越长，注意力就会衰退，导致漏看关键决策，在执行阶段直接做错

2、任务完成后历史决策丢失：每次关闭会话，当时的技术取舍就全丢了。下一次新建窗口，AI 拿不到历史背景，摸不清之前的设计意图，极易产生误判

3、缺乏统一底线规则：AI 在长期开发中没有参考标准，非常容易随意发挥，写着写着代码风格就彻底散架

规范驱动开发（Spec-Driven Development，简称 SDD），就是为了解决这些问题而生的

二、什么是 SDD？

简单来说：普通 AI Coding 以聊天上下文为准，SDD 规范驱动开发以规范文档为准

看到这里，很多朋友会疑惑：Left，你把规范喂给 AI，AI 不照样是从上下文读吗？

虽然 SDD 最终也是加载到上下文，但 SDD 跟普通模式的关键差异在于：只依赖历史上下文开发像走马灯，在任务执行过程中极易跑歪；而 Spec 是人工审查确认后固化下来的结构化文件，就算跑歪也能及时补救回来

SDD 的本质，是把依赖海量聊天记录的黑盒记忆，转变成按需读取、每次只读一小段的白盒档案库

举个栗子：

普通模式就像每次在输入框打字都要反复叮嘱 "用 TypeScript 写、错误要用 AppError 包装、别用 any"。聊了十轮之后，AI 上下文被冲刷，第十一轮它又开始偷懒写 any

而 SDD 模式中，输入框只聊业务 "新增一个登录接口"，AI 自动读取项目规范里的 code-style.md，从第一行代码开始就严格遵循既定规则

Thoughtworks 等工程团队在 AI 研发的落地实践中也验证过，把规范前置之后，由于减少了反复返工与对齐成本，整体交付效率相比普通的对话式开发能带来 30% 到 50% 的提升。现今越来越多的团队和独立开发者也都在践行这套模式

三、最简开发流程

从我的最佳实践出发，SDD 的最简开发流程就四步：

1、需求对齐：给 AI 输入一句话需求，要求它充当产品经理反问："指出这段逻辑里所有模糊、有冲突的边界条件"。讨论完毕后，由 AI 整理成结构化的需求文档，人工只做审查确认

2、技术方案：把需求文档发给 AI，让它结合项目现有架构列出影响范围与潜在技术风险，输出技术方案与改动文件清单

3、精准编码：向 AI 明确约束范围："严格根据上述文档执行，只允许改动清单内的文件，严禁擅自重构未提及的模块"

4、对照验收：让 AI 按照需求文档与技术文档自检，逐条核对验收项并生成交付报告

在这套流程里，人类的核心精力放在前两步的文档把关和最后的验收上，写代码和验收则全权交给 AI 对照执行

四、Spec 如何分类

很多朋友不知道规范该怎么存。其实规范主要分两类：

1、事实来源（唯一事实）

它的作用是定义系统现在的样子，属于长期规范。比如统一的代码风格、数据库表结构、全局路由规则。它应该是唯一的，不散落多处，长期有效，开发新功能都必须以此为准

2、历史决策（时效文档）

就是上面提到的需求文档和技术方案。它的作用是记录当初为什么这么做，属于时效性文档。这类文档只满足当前某次迭代的需求，功能上线后就可以归档。保留它们是为了让 Agent 随时看懂当时的决策意图，避免后人踩坑

五、Spec 如何管理

经常用 Agent 写代码的朋友都知道，每个会话窗口一次给 Agent 喂的规则不能太多，太多了会导致指令遵循度断崖式下降。那历史有这么多的决策和规范，要如何喂给 AI？

答案就在渐进式披露中

渐进式披露最早在 Skill 中被广泛应用。会话加载时，并不会把完整的规则一股脑塞进上下文，而是先加载一层轻量的摘要索引。任务进行过程中，Agent 会自行判断是否需要某份规范，需要的时候再去完整加载对应内容

我的 SDD 工作流也是基于这个原理：不把所有规范都塞在同一个规则文件里，而是把入口规则文件当成索引，指向细分的规则文档

实际的目录结构长这样：

docs/ ├── specs/ # 事实来源（长期有效的全局规则） │ ├── code-style.md # 代码风格与架构约束 │ └── database.md # 数据库设计与现有表结构 │── requirements/ # 历史决策（按需求方案归档的时效文档） │ └── 2026-03-01-auth/ # 某次具体迭代的需求方案 └── technicals/ # 历史决策（按技术方案归档的时效文档） └── 2026-03-01-auth/ # 某次具体迭代的技术方案 AGENTS.md # 根索引：告诉 AI 什么时候该去读哪份规则

在 AGENTS.md 里面只需要写清晰的路由指引：

在修改数据库相关代码前，必须先完整读取 docs/specs/database.md 在开启新功能开发前，必须先在 docs/requirements/、 docs/technicals/ 目录下生成本次的需求和技术文档

看到这里，有的朋友可能会问：在 AGENTS.md 里面写了指引，AI 真的会老老实实去读子文档吗？

我们在根文件（CLAUDE.md、AGENTS.md）注入的是高优先级的触发规则，在会话创建时就注入到系统提示词中。AI 在生成修改方案前，会先根据根文件规则读取指定的 Spec 文件。这样既不把几万字的完整规则一次性塞爆上下文，又能确保在动关键代码时规范精准生效

六、开箱即用的 Spec 管理 Skill

手动维护这套结构虽然有效，但现实中往往很繁琐：写着写着规范路径失效了、规则之间出现冲突，或者换个新项目又得重新手搓一遍目录

为了解决这些重复劳动，我把上面这套经过验证的目录规范与治理逻辑，封装成了一个开箱即用的开源 Skill：agents-spec

它主要帮你搞定几件事：

1、自动化规范审计：直接对项目现有的指令和文档做结构体检，指出哪些规则写散了、哪些索引没挂上，先出迁移报告再动工

2、标准的渐进式目录治理：一键梳理出标准的根目录 AGENTS.md，并在 docs/ 下自动组织好 specs/（项目规范）、requirements/（需求决策）和 technical/（技术方案）

3、自带轻量 Guard 校验：内置了无第三方依赖的 Python 校验脚本，在本地或 CI 流程里随时检查 AGENTS.md 的合规性，防止规则被误改写崩

4、全平台通用：基于标准的 Agent Skills 规范开发，无论你平时用的是 Claude Code、Cursor 还是 Codex，都能无缝接入

安装极其简单，在终端里敲一行命令就行，或者把仓库地址丢给 AI 让 AI 帮忙安装：

npx skills add https://github.com/leftzzzz/agents-spec-skill

装好后，直接在你的 Agent 会话里用大白话下指令：

"用 agents-spec 帮我审计一下当前项目的规范索引，整理出迁移计划"

仓库完全开源，感兴趣的朋友可以去 GitHub 自取，直接集成到你现有的工作流里体验

https://github.com/leftzzzz/agents-spec-skill

七、最后的话

很高兴你能看到这里，如果这篇文章对你来说有收获，Left 在这里跪求一个小小的赞

本教程是基于我的 AI Coding 实践编写的，如果有问题的话，欢迎跟我交流探讨，大家一起讨论交流，共同进步

我是程序员 Left，关注 AI Coding、Agent 与独立开发，我们有缘再见！