2025年被称之为 Vibe Coding 元年，由于模型能力的增强，以 Claude Code 为代表，出现了大量低门槛的 Vibe Coding 工具，同时，低代码、可视化开发等技术也受到了很大的冲击。然而，Vibe Coding 带给企业的并非只有提效的优势，AI 生成发散，技术栈不受控，代码难以维护等问题严重影响了企业落地 AI Coding 。

本次分享会分析自然语言编程的问题，用 Spec Driven（规格驱动） 引入形式化约束来"降熵"，同时将 CodeWave NASL 可视化底座与 SDD 结合，构建从需求标准化→技术设计→ NASL 代码生成的完整 AI 软件工厂。技术上通过马具工程、渐进式上下文披露、沙箱隔离等手段保障长程任务稳定性，并建立 Benchmark 体系驱动模型微调迭代。通过此套实践，重塑 AI 开发工作流，实现企业级大规模应用的 AI Coding 稳定落地。

1. 为什么要用 SDD 来解决 Vibe Coding 的问题
   • 低代码 + AIGC 的思路及目前存在的问题：低代码 + AIGC 效果不及预期，难以度量，Vibe Coding 方式缺少必要的约束，质量不可控。
   • 48 年前的预言与分析问题本质：自然语言 + 软件工程局限性 → 引入 Spec 先行
   • 介绍 Spec driven，通过 Spec driven 解决 Vibe coding 遇到的问题
   • 两套形式化的发展和对比：从 AI Coding 到 AI + 可控底座，从低代码到拥有自研语言的低代码到 Spec Driven
   • 结合低代码的规范和最佳实践，实现 Spec Driven 驱动的可视化开发模式，让 AI Coding 支撑大规模企业级应用的开发
2. 产品介绍：围绕需求标准化（Spec First）的开发平台
   • 基于 Spec-Driven 理念的企业级全栈开发平台，及 SDD 核心：需求工程（EARS 标准化、消除模糊词、量化非功能需求）的介绍
   • 老应用历久弥新：基于 SDD+Code2Sepc 的逆向工程
3. 技术方案：大规模 SDD 任务的 Harness Engineering 实践
   • CodeWave平台架构介绍：AI 友好的平台底座
   • 代码智能体底层：需要什么样的 Code Agent（开源 Wave-Agent 介绍）
   • 围绕 NASL 生成的 SDD 全链路介绍
   • "马具工程"到底是什么
     • 需求标准化：上百页需求如何塞进上下文窗口
     • 技术设计：如何生成给架构师看的完整文档
     • NASL 代码生成：海量上下文下的任务稳定性保障渐进式披露：私有知识如何避免上下文遗忘
     • Compound 复合工程：让 AI 越跑越精准
     • 文档解析：RAG 知识工程能力复用
     • 多模态支持：UI 理解与图片意图判断
     • 沙箱技术：智能体运行时核心（Bubblewrap）
     • 总结：马具工程设计原则 — 解决长程任务稳定性
4. Benchmark：数据驱动的产品与语言模型训练
   • 核心痛点：提效难度量 / 产品能力难度量 / 效果达不到预期
   • No Data No BB — 建立 AI 功能的 Benchmark 体系
   • 建立 AI 提效的量化标准
   • 语言能力的瓶颈如何量化：行业 Benchmark（HumanEval）
   • 选择模型基座的标准（代码生成/补全/推理能力）
   • 微调自己的大语言模型（数据构造 → SFT → DPO 偏好对齐）
   • AI Infra：工程化平台支撑 AI 功能迭代与微调闭环
5. 总结与展望
   • Spec Driven 的本质：通过形式化来"降熵"
   • CodeWave 可视化软件工厂 vs AI Coding IDE 对比
   • 未来规划

您认为，这样的技术在实践过程中有哪些痛点？

• 原始需求到标准化需求到 NASL 代码的关联
• 长时复杂任务的稳定性和可干预性
• 需求到代码生成的准确率、完整度和验证

演讲亮点

• Spec Driven 的形式化约束方案
• 需求标准化-EARS 驱动的需求工程与多模态解析
• 大规模 AI Agent 的 Harness 实践
• 私有化语言模型能力训练与AI效果量化

听众收益

• Spec Driven 方式在低代码可视化开发领域的落地及面向未来的软件生产方式
• Coding Agent 的设计与优化方案
• 大规模需求管理的需求工程思路
• 复杂 AI Agent 的 Harness engineering 实践
• 构建并训练开源私有化模型实现 ToB 商业交付