1. 在自己的项目中使用了 Spec Coding，但需要更好的组织和复盘
  2. 参考了得物技术的分享文章：AI 编程能力边界探索：基于 Claude Code 的 Spec Coding 项目实战｜得物技术，结合该文章对自己的项目进行了记录和复盘思考

一、概述

10 天时间，完成了 10,428 行代码的开发。基于 Claude Code 的 Spec Coding 方法，不仅实现了从 0 到 1 的前后端项目搭建，更学会了规范编程，摸清了 AI 编程的真实能力边界。

1
2

# 统计 Go/JS 文件行数，排除 frontend/node_modules 目录
find . -type f \( -name "*.go" -o -name "*.js" \) -not -path "./frontend/node_modules/*" -exec wc -l {} +

什么是 Spec Coding：在写代码之前，先编写规范文档。 价值体现：

  • 减少返工
  • 特别适合复杂功能开发，能让 AI 更聚焦当前 story 的实现
  • 可审计性：每一个变更都有记录，方便审计 Spec Coding 工作流程

AI 复盘：可以让 Claude Code 对.jsonnl 会话文件进行整体数据统计，揭示 AI 的工作模式：xx 次文件读取、xx 次代码编辑、xx 次终端命令执行，以及 xx 次任务进度标记。（这个我没做，后续记得使用）

二、研发过程

  1. 设计阶段

    • PRD：对齐需求，也是后续 AI 生成代码的重要参考

  2. 项目框架搭建

    • 主要让 AI 充当架构师角色，围绕提供的框架要求完善技术栈、组件选型、代码架构设计等
    • 目标是搭建完整的项目框架，配置好开发环境，确保基本编译通过

  3. 功能开发

    • 开发强度最高的阶段
    • 引入 Spec Coding，先与 AI 共同定义清楚每个 story 的规范和方案
    • AI 基于这份"契约"完成编码

  4. 调试与压测

    • 重心转向功能迭代、系统重构和压测
    • 与 AI 协作完成已有功能优化：
      • 前端：例如添加邮箱账号切换功能，订单列表数据从 mock 数据改为调用真实后端接口
    • 后端：技术债务处理（部分接口字段格式不统一、json 字段设计不合理、异步消费架构设计问题）
    • 性能强化：通过压测和火焰图观测，修复暴露的问题

  5. 生产环境部署

    • 在云服务器安装 docker 及相关组件
    • 通过 scp 等方式上传本地二进制文件及配置文件
    • 安装 HTTPS 访问所需的证书
    • 经过与 AI 多轮分析，最终将整个功能部署上线

三、思考

整个 AI 开发过程中的关键点：

  1. CLAUDE.md 及相关文件：需要渐进性加载，将规范、经验和开发流程规范放入其中，这样 AI 才能更理解需求
  2. 示范文件提供：在编写单元测试时，将之前的 TDD 编程示例提供给 AI 后，AI 能够按照参考完成所有核心文件的单元测试撰写

遇到的问题：

  1. AI 会无条件服从，有时甚至过度阿谀奉承，需要保持警惕（例如你说有问题它就考虑有问题，你说好它就说好）
  2. AI 设计的方案有时会过于繁杂臃肿，缺乏高质量工程师的代码品味（例如在添加链路追踪功能时，AI 最初设计了业务侵入严重的方案，直到明确指出"核心原则是进程内通过 context 传递，进程之间通过 body metadata 传递"，AI 才意识到开源库 OpenTelemetry 也采用类似思想）
  3. AI 存在上下文丢失和压缩问题，目前还没有非常好的解决方案（提炼经验信息也会丢失）
  4. 实测发现 Claude 的 CodeReview 能力不是很强，后续可以考虑尝试 Codex 或 ChatGPT 模型