KeyFrame內部研究專用

Simon Martinelli - Lessons from Spec-driven Development - AI Native DevCon June 2026

AI Native Dev31 min英文
觀看原始影片

三句話摘要

規範驅動開發(Specification-Driven Development)如何結合 AI 加速軟體交付,核心是用 SysML 用例與實體模型定義規範,讓 AI 精準生成程式碼。 規範驅動開發透過 SysML 用例與垂直模組化架構,讓 AI 從精確定義直接生成可靠程式碼,但成功的關鍵不在 AI 的聰明,而在於規範工程的紮實投入與架構設計的合理性。 SysML 用例優於用戶故事的精確性

重點整理

  1. SysML 用例優於用戶故事的精確性

  2. Ivar Jacobson 於 1987 年創建的 SysML 用例已歷經驗證,包含前置條件、主流程、備選流程、後置條件等結構化元素。相比模糊的用戶故事,用例定義明確且 AI 已能理解此格式,使規範既能滿足人類溝通需求,又能直接驅動程式碼生成。

  3. 自包含系統架構的必要性

  4. 傳統微服務易導致上下文爆炸(如 500 個微服務配 500 個微前端形成 N2M 關係),讓 AI 難以獲得足夠資訊進行程式碼生成。自包含系統將功能垂直整合——UI、業務邏輯、資料庫位於同一模組,讓 AI 能在有界上下文內精準工作。

  5. 技能(Skills)是程式碼品質的決定因素

  6. 不同技術堆棧(React+Spring Boot、Vaadin+Spring Boot、Angular+Quarkus)需要不同的程式碼生成策略。講者為 6 位客戶管理多組技能,避免在龐大 Prompt 中堆砌所有規則(ETH 研究表明系統提示越大幻覺越多),而是按需組合技能並持續迭代改進。

  7. 工作重心向規範工程前移

  8. AI 自動化了實現層,導致時間成本從「寫程式碼」轉移到「定義規範」。講者在政府議會案例中,自己編寫程式碼花時間少,但需求工程師定義規範花時間反而更多,宣告開發工作的重心已徹底轉向需求工程。

實用技巧與重點

  • 規範定義方式
  • SysML 用例組成:前置條件、主要成功場景、備選流程、後置條件、API 規格
  • 實體模型(Entity Model)或領域模型(Domain Model)
  • 用例圖用 PlantUML 生成
  • Markdown 格式詳細文字規範
  • 架構與組織模式
  • 自包含系統(Self-Contained Systems)—— 垂直模組化
  • 主幹開發(Trunk-based Development)
  • 持續流而非迭代迴圈
  • 看板追蹤用例進度
  • 持續審查而非 Pull Request 機制
  • 團隊規模:每模組 1-2 人(原 5-7 人)
  • 技術棧與工具
  • Spring Pet Clinic(示範專案)
  • Figma(UI 設計,可通過 MCP 伺服器整合與 AI 互動)
  • arc42(架構文件格式)
  • start.spring.io 或 CLI(初始專案建立,不交由 AI)
  • MCP 伺服器(向量搜尋內部文件)
  • Confluence、Jira(規範管理)
  • 防護措施
  • 不讓 AI 創建專案結構(浪費 token,易過時)
  • Claude.md 與 Agents.md 應精簡(避免系統提示過大)
  • 根據風險等級決定審查深度(訂單系統 > 庫存系統)
  • 技能應與結果對應(生成程式碼方式與測試方式配合)
  • 具體案例數據
  • 瑞士鐵路公司:2000 年初即使用 SysML 用例成功溝通
  • 保險公司現代化:500 微服務、500 微前端、N2M 關係
  • 醫生名單用例實現時間:約 1.5 分鐘
  • 政府議會商業案例管理系統:1 位開發人員 vs 2 位需求工程師(PoC 階段)
  • 現代化專案:從 5-7 人團隊縮至 1-2 人/模組

結論

規範驅動開發透過 SysML 用例與垂直模組化架構,讓 AI 從精確定義直接生成可靠程式碼,但成功的關鍵不在 AI 的聰明,而在於規範工程的紮實投入與架構設計的合理性。

完整解析

Simon Martinelli 從一個實際問題開場:他在瑞士運動俱樂部開發志工管理系統時,遇到音樂節也提出相同需求卻不同細節的情況。這個困境觸發他思考:如何系統化地讓 AI 參與軟體開發,而不只是讓 AI 胡亂補題。他的答案是「規範驅動開發」。

規範驅動開發的核心論點是:與其讓 AI 直接從自然語言產生程式碼,不如先用機器與人都能理解的中間語言——規範——來橋接。具體工具是 SysML 用例,這是 Ivar Jacobson 在 1987 年確立的標準。用例由前置條件、主流程、備選流程、後置條件組成,定義明確且已有 30 年歷史。相比模糊的用戶故事,用例更全面:一個用例通常對應多個用戶故事,用例包含邊界條件、異常處理、成功定義。AI 已被訓練理解此格式,人類也習慣用此方式溝通,因此規範一旦定義,就能成為機器與人的共同語言。

架構選擇對規範驅動開發的成功至關重要。Simon 警告傳統微服務架構的危害:他見過保險公司有 500 個微服務配 500 個微前端,導致前後端呈 N2M 關係,系統變成分散化的大泥球。此時 AI 無法獲得足夠上下文進行可靠的程式碼生成。解決方案是採用「自包含系統」(Self-Contained Systems)架構——將應用按業務功能垂直拆分,每個模組自行包含 UI、業務邏輯、資料庫,位於同一程式碼庫內。這樣每個模組上下文有限且完整,AI 能精準工作。在 ERP 現代化改造中,不同模組可使用不同技術棧(庫存系統用 Vaadin,訂單系統用 React),同時規範保持一致——證明規範的獨立性與可遷移性。

工作組織也隨之根本轉變。團隊規模從傳統的 5-7 人縮至每模組 1-2 人;開發節奏從兩週迭代改為持續流,用看板追蹤用例進度而非 Sprint;程式碼審查改為主幹開發配同儕審查。最關鍵的轉移是時間成本的重新分配:AI 解放了「實現」層,但「定義規範」的成本不變甚至上升。在政府議會的商業案例管理系統 PoC 中,Simon 一人編寫程式碼不到半天,但兩位需求工程師定義規範花的時間遠多得多。這宣告了軟體開發工作重心的徹底轉向——從技術實現能力轉向需求分析能力。規範的長期價值在持續性:規範一旦確立,業務人員可直接修改 Markdown 規範而無需開發人員參與,系統可更換技術棧、改變 UI 形式(從網頁到聊天介面),實現真正的技術無關性。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。