AI 编程工作流框架
·
1. 大模型智能的基础
大模型本质：大模型的本质是基于概率的预测并将预测结果输出。没有 “理解”，没有 “意识”。
举例说明
对任意一句话：
今天天气很____
模型做的事只有一件：
- 从训练数据里统计：
今天天气很后面接 好 的概率最高- 于是输出：好
然后继续：
今天天气很好，我打算去____
再预测下一个词。
为啥这么智能呢
因为：
- 数据量极大（互联网几乎所有文本）
- 模型极大（千亿参数）
- 训练极久（拟合了极其复杂的语言规律、知识、逻辑结构）
它把人类语言里的：语法、常识、逻辑链条、因果关系、代码结构、回答范式……
全部压缩成了一串极其精细的概率分布。
2 为啥需要工作流
基于概率逐词生成，会导致大模型易跑偏、出错、逻辑断裂，输出随机不确定。
对追求确定性的代码开发造成明显阻碍，也会消耗更多 token 与对话轮次。
针对如上痛点衍生出了AI编程开发的规范设置(AI编程工作流)
把 “AI 自由发挥写代码” 变成 “按标准工程流程写代码”，让人少操心、代码更靠谱
工作流职责
强约束输出结构
明确边界与禁止项
分阶段生成，不一次性做完
强制校验与自查
给范例（Few-shot）
限制上下文长度，避免信息稀释
使用工具调用代替纯生成
如下是市面上普遍使用的AI编程工作流框架
| 框架名称 | 核心设计思路 | 主打亮点 | 适用场景 | 复杂度 |
|---|---|---|---|---|
| OpenSpec | 规范驱动开发 SDD | 先写规范再编码、变更可审计、可追溯 | 存量项目、协作迭代、需求频繁变更 | 中等 |
| Superpowers | 技能 / 工作流驱动 | 拆成标准化技能（需求→设计→测试→调试） | 高质量工程、强制规范、复杂功能 | 中偏高 |
| Spec-Kit | 规范即代码、结构化流程 | 官方严谨流程，可执行可生成代码 | 新项目、团队规范、合规要求高 | 偏高 |
| GSD | 目标 - 步骤驱动 | 目标清晰、步骤可执行、进度可见 | 长周期项目、多模块、强管控 | 中等 |
| OMC | 单人高效开发 | 极简流程、自动编排、少人工干预 | 个人 / 小团队、快速交付小项目 | 低 |
| Kiro | 轻量规范驱动 | 轻量化、自动生成规范与任务 | 独立开发者、快速原型 | 低 |
| Trellis | 多代理协作 + 企业治理 | 分层架构、复杂系统编排 | 大型分布式系统、企业级项目 | 高 |
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
5
0- 0
已为社区贡献3条内容
所有评论(0)