保证质量的前提下,AI编程,到底有没有可能实现10倍提效?(长文,收藏)

昨晚直播《企业级AI编程,个人10倍提效》,今天把纪要+PPT分享给大家。


下周继续直播企业级AI编程,欢迎预约。


问题一:在保证质量的前提下,AI编程为你提升了多少效率?

1. AI编程?还没怎么用的、一直古法编程;

2. 有问题问问 AI,大概提升50%;

3. AI写日常编码,大概提升2倍;

4. 大部分AI做,我只审关键代码,大概提升5倍;

5. 几乎全部交给 AI,大概提升10倍。


问题二:AI写代码这么快,为什么效率还是提不上去?

AI编程的同学,大概率被这 6 类问题折磨过:

1. 范围失控,你让它改 A 它顺手改了 B;

2. 代码报错,反复沟通修改;

3. 功能偏差,做出来的不是你要的;

4. 反复修改,来来回回十几次;

5. 会话失忆,开个新窗口全忘了;

6. 偷懒忽悠,没做完它说做完了。


整体结果就是:写代码是快了,人工堵漏洞的时间算进去,提升有限,甚至负提升。


用到企业项目里,就是灾难,出了问题,背锅的还是自己。于是,出现了一系列的工程方法,来提升企业 AI 编程的效率与质量。这就是今天要分享的东西。


问题三:衡量AI编程效率有哪些指标?


问题四:企业AI编程,10倍生产力模型是怎么样的呢?

主线,就是这张图,10 倍生产力来自三层嵌套:

1. 最内层,体系化开发流程,保证交付质量;

2. 中间层,Loop工程,提高单任务效率;

3. 最外层,多 Agent 调度,并行任务。


【核心一:体系化开发流程,保证交付质量】


基础概念:SDD

SDD把"规范"放在编码之前:描述需求、生成规范、按规范实现、按规范验证。


核心十四个字:用文档约束行为,用验证确保正确。


Spec 是同时面向需求方、开发者、Agent 的中间层,它用自然语言描述,用轻量结构化表达。


基础概念:TDD

TDD三步循环,红、绿、重构:

1. 红,先写一个会失败的测试,确认它确实是因为功能没实现而失败;

2. 绿,写足够让测试通过的最少代码,同时跑已有测试防止改坏;

3. 重构,测试保持通过的前提下改善结构。

然后从测试清单选下一个行为,继续小步循环。


对 AI 来说三重价值:把需求变成可执行的例子、每次只验证一个小步、积累的回归测试能及时发现破坏。


它和 SDD 是这么配合的:SDD 明确做什么,TDD 逐步实现并验证。


问题五:企业级AI编程,流行的开发模式是怎么样的?

答:OpenSpec + Superpowers。


工具介绍:OpenSpec

OpenSpec,AI时代最热门的开源 SDD 框架。它做的事很纯粹:一切围绕 spec 展开。一次代码变更,它帮你组织成四个标准产物:

1. proposal,为什么做;

2. specs,要做成什么;

3. design,准备怎么实现;

4. tasks,拆成任务。


工具介绍:Superpowers

Superpowers,面向编程 Agent 的软件工程方法和 skills 框架,整体分为三段:

1. 设计,需求澄清、方案设计、任务拆分;

2. 实施,Git Worktree 隔离、TDD、子 Agent 开发;

3. 审查,规格审查、代码审查、最终验证。


其核心价值两个:一个是强制 TDD,编码质量的稳定性直接上一个台阶;一个是子 Agent 驱动开发,每个任务在独立干净的上下文里执行,精准高效。


那OpenSpec和Superpowers是怎么配合的呢?

规格层,OpenSpec 统一维护为什么做、做成什么、现状、变更,统一管理、版本化、可评审。


实施层,Superpowers 管 Git Worktree、TDD、双重审查,隔离开发、小步验证、质量闭环。两层之间通过spec输入。


一套规格真相源加一套工程执行框架,这就是最常见的企业级组合。


问题六:具体来说,整个流程细节是怎么样的?

整体来说,分为六个阶段。


阶段一,探索:用 openspec 的 explore 加 superpowers 的 brainstorm,让 Agent 把涉及这个需求的细节补全。


阶段二,提案:

(1)openspec 的 propose,生成本次变更的四个标准产物:proposal、spec、design.md、tasks.md——为什么做、做成什么、怎么做、分几步;

(2)superpowers 的 writingplans 技能,把任务拆成具体的开发任务清单。

到这里为止,一行代码还没写,但"要做什么、怎么做"已经全部落在文档里了。


阶段三,应用:openspec 的 apply 进入执行,superpowers 的 TDD 和子 Agent 开发。TDD 保障每次改动只成功一个小范围——红、绿、重构,小步快跑;子 Agent 开发让每个任务在独立干净的上下文里执行,没有对话污染,执行更准确、更高效。


阶段四,验证:openspec 的 verify 命令,确认完成全部任务目标。


阶段五,归档:

(1)openspec 的 archive,把这次变更的 spec 增量合并进项目的主 spec——变更沉淀为项目资产;

(2)superpowers 的 finish 技能,完成代码分支合并。


到这一步,需求从头开始变成文档、变成代码、变成测试、最后变成项目历史的一部分——全链路闭环。


问题七:能不能用一张图来说明,人,OpenSpec,Superpowers的协同?


【核心二:Loop工程,提高单任务效率】


问题八:Loop工程解决什么问题,为什么能提高单任务效率?

人和AI的典型协作模式是:你问,它答,你再问,它再答... 人成为环上的主要矛盾,效率能高吗?


而Loop工程是:通过/goal 持续控制:稳定目标,证据反馈,未达标继续——执行、验证、反馈、修正,循环往复。Loop的退出机制是:由/goal 决定要不要继续,测试和指标决定合不合格——证据达标才结束,没达标继续。


问题九:哪些任务特别适合使用Loop工程来解决?

这里举了三个场景:

1. 代码质量优化链路——围绕代码建立评分标准,Agent 优化,重新评分,未达标继续;

2. 运行独立测评集链路——用固定测评集批量验证、通过率对比,未通过继续修正;

3. 线上报错持续优化链路——日志告警接进来,Agent 复现修复,回归验证,新问题继续进 Loop。


问题十:能不能再细化一点,说明Loop工程的流程?


以“代码质量优化”为例。


第一步:建立代码质量评分标准。

有标准,才有优化方向(不同企业要求不同)。

同时,跑出基线初始评分,例如:30分。


第二步:首次评审优化。

Agent对代码进行了首次优化,评分变了,38分。


第三步:执行Loop,任务周期化。


注意,启动Loop之前要设定/goal,例如:

1. 如果分数降低就回退;

2. 如果达到50分就终止;

3. 如果连续5轮分数不上升就终止;


有了Loop工程,我们没有时间做的代码质量,性能提升,代码安全性等非功能需求,就可以利用Loop工程启动长任务来优化了。


【核心三:多Agent调度,并行任务】


问题11:为什么Peter Steinberger能在两周内写出几十万行代码的OpenClaw?

答:不是靠Loop工程,而是靠多Agent(N个屏幕,每个屏幕里N个Agent在跑)。


问题12:我不是Peter Steinberger,有对普通人有用的多Agent工具吗?

介绍两个比较流行的吧:multica和herdr,细节大家可以去问问AI,欢迎多Agent尝鲜。


问题13:多Agent,有对普通人有用的典型场景吗?

多角色研发小队,就是一个典型的场景:多个角色,使用不同的Agent,使用不同的模型,相互配合,并行推进多任务。


【总结+行动+作业】


企业AI编程,10倍生产力模型,就这一幅图:

10 倍生产力来自三层嵌套:

1. 最内层,体系化开发流程,保证交付质量;

2. 中间层,Loop工程,提高单任务效率;

3. 最外层,多 Agent 调度,并行任务。


行动指南,我们可以立刻做的四件事:


课后作业(发布在星球)


PPT资料(发布在星球)

阅读原文获取。


===全文完===


企业里真正的AI编程是什么样的?

AI研发工作台,SDD全流程,祖传代码AI接手,Human On The Loop,端到端的自动化,垂直Agent多智能体的编排,FDE新模式解决业务问题...


做了一个新项目,2个月(12.1-1.31),实操企业级AI编程,欢迎来玩。详见:

企业级AI编程(2个月集训)


下次直播:企业AI编程,团队10倍提效。

欢迎预约,届时分享资料和PPT。



文章原文

内容来自 架构师之路,版权归原作者所有。

阅读原文 ↗

用 HomepageTab 新标签页关注 RSS,打开浏览器就能看到更新。

安装 HomepageTab