专题演讲嘉宾： 邓立山

面对AI编码实践中暴露出的研发流程低效（如需求理解偏差、多轮调试）和编码质量不可控（如单文件臃肿、代码纠缠、前后端耦合、缺乏架构约束）两大核心问题，我们团队一直在持续不断的迭代优化实践经验，前期实践分享无论在内网还是外网都获得广泛认可。本次分享结合团队实战经验，融合Spec-Kit的规范严谨性与OpenSpec的轻量敏捷性以及当前主流技术，创新提出 “Rules + Spec + Skills”三位一体全栈AICoding架构，进一步提高研发效率：

1. Rules（宪法级规则）：将工程目录结构、技术栈、架构模式等全局信息固化为“项目宪法”，确保AI生成内容与现有系统完全兼容；
2. Spec（场景化规范）：针对前后端差异设计专属需求分析模板（前端重交互逻辑，后端重业务规则），并前置表结构、错误码、依赖分析等逻辑设计，强化需求完整性与可实施性；
3. Skills（自动化能力包）：封装动态路由的任务流程（如“分析工程→分析需求→编码实现→归档”），实现意图识别、规范加载、代码生成、DDL/接口文档自动生成的一站式闭环，真正达成“用户无感、过程透明、高度自动”。

该方案已落地验证：支持0门槛上手、极简过程文件、高质量生码、易扩展复用。其本质是——在AI消融技术门槛的时代，将开发者角色从“写代码”升维为“定义问题+设定规则”，以规范为锚、以自动化为翼，实现人机协同效能的最大化。

演讲提纲

1.  AI 编码的本质思考及挑战：AI编码工具层出不穷，为什么依然写不好生产级代码
   • AI编码的“幻觉”本质
   • 生产级编码应用面临的挑战
   • AI编码对程序员认知的转变
2.  AI编码方案的探索：如何低门槛让AI高效写出可控的生产级代码
   • 让AI写出质量可控的生产级代码
   • 系统架构的兼容与落地
   • AI生码质量和效率的平衡
   • AI编码方案的规模化可复用
   • AI编码方案的自由扩展性
3.   AI编码方案的演进：AI编码方案随着新技术的出现不断迭代升级，紧跟AI技术潮流
   • AI编码范式的发展及演进
   • AI编码主流技术分析及对比
   • Rules+Skills+Spec三位一体AI编码方案的形成
   • 构建自我反思与规范迭代的持续进化机制
4. 中后台全栈研发的破局：突破技术栈限制，AI助力走向全栈开发
   • 前后端研发技术的特点分析
   • 研发规范的分而治之
   • 前端研发实践的三种模式
5. AI编码质量的保障：人机协作，多维度共同保障AI编码质量
   • 需求分析阶段的澄清至关重要
   • 多维度的代码质量审查
   • 构建审查->优化->再审查的闭环机制
   • 人作为监督者的不可或缺
6. AI编码方案的推广及运营：如何让大家轻松接受AI，提升团队整体AI能力
   • AI编码指标牵引
   • 营造AI编码氛围
   • 运营推广，助力全员AI
7. AI编码未来的演进方向：迈向全自动智能研发闭环
   • 跨应用AI研发任务的智能化拆分
   • 测试驱动的更加完善的AI迭代保障机制
   • 构建“研发-测试-部署-运维”全链路AI智能化协作生态

这样的技术在实践过程中有哪些痛点？ 

1. 面对不同团队可能需要调整规范（具备高扩展），在实践的过程中不断迭代演进；
2. 无法确保生成100%符合预期的代码，研发人员作为Review者的角色很重要；
3. 面对跨应用需求，当前阶段还不能自动根据应用拆分需求，需要人工界定需求边界。

演讲亮点

1. 融合Spec-Kit的规范严谨性与OpenSpec的轻量敏捷性，比OpenSpec更轻量，具备高扩展，自适应工程架构。
2. 弥补了Spec-Kit和OpenSpec在编码阶段缺少的编码规范，这套规范在我们的前期实践中已经得到了质量验证，产出更高质量的代码。
3. 洞察前后端研发特点（前端更注重交互逻辑，后端更侧重业务逻辑），拆分出前、后端不同的研发规范，遵循统一套流程，真正做到前后端全栈。
4. 对用户更友好，0门槛上手，无需特别指令（commands），全程自动识别用户意图、自动加载相关技能及规范，用户只需聚焦于需求分析的正确性、完整性

听众收益

1. AI编码当前主流技术，以及各技术优缺点；
2. AI如何生成得以控制的高质量代码；
3. AI生成的代码如何跟当前工程架构兼容；
4. 如何实现团队级的研发提效，打造适合自己团队的研发范式，而不是每人一套方案；
5. 一套基于Rules+Spec+Skills方法论打造的高质量可复用的AI全栈开发新范式，有助于沉淀团队级的研发范式，提高人机协作效率。