背景

在我借助AI进行开发的过程中，最常遇到的困扰并不是“AI写不出代码”，而是它写出的代码过于随意——有时误解了我的意图，有时给出的实现逻辑不够清晰，最终不得不由我逐一修正。

后来，我尝试过像 spec-kit、BMAD-METHOD 这类强调“规范驱动开发”的工具。理念虽好，实际使用起来却不够顺畅，而且它们更适用于从零启动的项目。但在公司实际环境中，大多数项目并非从头开始，更多场景是在现有代码基础上开发新功能或重构旧模块。

直到最近，我发现了一个更轻量、也更实用的新项目：OpenSpec。

相比 Cursor 的 Plan 模式，OpenSpec 更细致、结构更清晰；相比 spec-kit，它又轻得多，非常适合个人开发者和小团队使用。

与其他工具对比

工具	适用场景	特点
spec-kit	从 0 到 1 的系统搭建	结构化强、上手复杂
BMAD-METHOD	团队协作型 AI 项目	自动化程度高、学习曲线陡峭
OpenSpec	已有项目的功能演进与维护	轻量、兼容性强、适合个体开发者

尤其在需要修改现有功能或触及多个模块规范时，OpenSpec 的变更分组与追溯机制非常实用。

工作流&核心理念

┌────────────────────┐│ Draft Change       ││ Proposal           │└────────┬───────────┘         │ share intent with your AI         ▼┌────────────────────┐│ Review & Align     ││ (edit specs/tasks) │◀──── feedback loop ──────┐└────────┬───────────┘                          │         │ approved plan                        │         ▼                                      │┌────────────────────┐                          ││ Implement Tasks    │──────────────────────────┘│ (AI writes code)   │└────────┬───────────┘         │ ship the change         ▼┌────────────────────┐│ Archive & Update   ││ Specs (source)     │└────────────────────┘

OpenSpec 增加了一个规范驱动的工作流程。

你无需在聊天中解释某个功能，并希望 AI 能够正确理解，而是：

• 撰写（或让 AI 起草）提案。
• 共同审查并调整规范。
• 让 AI 实施已批准的计划。
• 将变更归档，以便更新你的项目规范。

其核心逻辑分为两部分：

• specs：记录当前的规范状态（项目规则、API 约束、模块定义等）
• changes：追踪每一次变更提案及其实施过程
  

AI 执行顺序

1. 读取 proposal.md   → 理解"为什么要做"、"做什么"2. 读取 design.md (如果存在)   → 理解"如何做"、"技术决策"   → 了解架构选择和权衡3. 读取 tasks.md   → 获取实现清单4. 开始实现   → 按照 design.md 中的决策编写代码

实操流程

OpenSpec 支持命令行和自然语言两种交互方式，并且支持多种ai coding 工具：

Tool
Claude Code
Cursor
Factory Droid
OpenCode
Kilo Code
Windsurf
Codex
GitHub Copilot
Amazon Q Developer
Auggie (Augment CLI)

安装与初始化流程非常简洁：

npm install -g @fission-ai/openspec@latest

初始化你已有的项目，初始化过程中你可以选择你会使用的AI Coding 工具

cd your_projectopenspec init

初始化后会生成以下结构：

openspec/  ├── specs/  # 已经实现的功能或修改  ├── changes/  # 正在开发的功能  ├── AGENTS.md  # AI 工作流指南（如何使用 OpenSpec）  └── project.md  # 项目整体上下文（技术栈、规范）

其中project.md 的内容结构大致如下：

# [项目名] Context## Purpose[描述项目的目的和目标]## Tech Stack- [列出主要技术]- [例如: TypeScript, React, Node.js]## Project Conventions### Code Style[描述代码风格偏好、格式化规则和命名约定]### Architecture Patterns[记录架构决策和模式]### Testing Strategy[解释测试方法和要求]### Git Workflow[描述分支策略和提交约定]## Domain Context[添加 AI 助手需要理解的领域特定知识]## Important Constraints[列出任何技术、业务或法规约束]## External Dependencies[记录关键外部服务、API 或系统]

project.md 不应该包含：

• 详细的 API 文档（应该在 specs/ 中）
• 具体的实现细节（应该在代码中）
• 临时的开发笔记
• 个人偏好（除非是团队共识）

1. 完善项目文档project.md

---

Please read openspec/project.md and help me fill it out with details about my project, tech stack, and conventions

接着AI 会按照OpenSpec guide 阅读当前repo structure, 并在openspec目录生成project.md。

新 AI 助手首次接入项目:

1. 读取 openspec/project.md

2. 了解项目背景和规范

3. 准备好遵循一致的开发标准

4. 生成变更提案

---

我想增加一个api，用于导出RecommendRecord 成csv, 这个api 可以传餐厅id, 开始时间和结束时间，请使用OpenSpec 创建一个提案

或者使用命令行的方式：

/openspec:proposal 我想增加一个api，用于导出RecommendRecord 成csv, 这个api 可以传餐厅id, 开始时间和结束时间

在公司我一般会习惯拿着产品的需求功能文档，使用/openspec:proposal 帮我生成提案，防止我的表达不到位生成的提案不够精确。

它搭建了以下文件夹：

openspec/ └── changes/      └── add-recommend-record-export-api/           ├── proposal.md  # 变更提案：为什么做、做什么、影响范围           ├── tasks.md   # 实施清单：逐条可勾选的任务           └── specs/recommend-records/spec.md  # 使用 ADDED/MODIFIED/REMOVED 标记

proposal.md 的内容结构如下：

## Why导出推荐记录用于运营分析、质量评估与模型回放，目前缺少按商户与时间窗口导出的标准接口。## What Changes- 新增导出接口：GET /xx/v1/recommend_record/export，支持 CSV 下载- 支持参数：merchant_id、start_time、end_time（ISO 8601）- 内容字段：xx- 大数据量下采用流式响应，避免内存峰值## Impact- Affected specs: recommend-records- Affected code:  - xx  - xx  - xx

tasks.md 将整个开发工作拆分为多个 Phase，每个 Phase 包含若干可勾选的 checkbox 任务

## 1. Implementation- [] 1.1 新增导出视图：注册到 `/xxx/v1/recommend_record/export`- [] 1.2 服务层实现：按商户与时间窗口查询 RecommendRecord，并关联 ProcessRecord、CallRecord 获取 `seat_id`、`call_id`、`merchant_id`- [] 1.3 CSV 生成：使用生成器流式写出，设置 `Content-Type: text/csv` 与 `Content-Disposition`- [] 1.4 校验与错误处理：参数校验（必填/时间格式/范围），异常返回 400/500- [ ] 1.5 单元测试：服务层查询和 CSV 行序列化；空结果与大数据量用例- [ ] 1.6 API 测试：GET 成功/空数据/参数错误## 2. Non-Goals- [ ] 不实现 XLSX 导出（后续需要再提）- [ ] 不新增鉴权机制（与当前工程一致，如后续需要单独提案）## 3. Rollout- [ ] 本地验证与示例导出- [ ] 预发环境验证（大样本）- [ ] 文档更新 README/变更日志

spec.md 记录功能的新增与改动

## ADDED Requirements### Requirement: Export Recommend Records CSV系统 SHALL 提供导出 RecommendRecord 的 CSV 接口，按商户与时间窗口过滤。- Endpoint: `GET /xx/v1/recommend_record/export`- Query 参数（必填）  - `merchant_id`: string，商户 ID  - `start_time`: string，ISO 8601（例如 `2025-01-01T00:00:00-05:00`）  - `end_time`: string，ISO 8601（例如 `2025-01-31T23:59:59-05:00`）- 时间过滤：基于 RecommendRecord `created_at` 范围，包含端点时间- 响应：`text/csv`，`Content-Disposition: attachment; filename="recommend_records_{merchant_id}_{start}_{end}.csv"`- CSV 列（顺序固定）：  - `recommend_id`  - `process_record_id`  - `call_id`  - `seat_id`  - `dish_id`  - `dish_name`  - `std_id`  - `std_name`  - `type`  - `confidence`  - `accept`  - `accept_time`  - `recommend_method`  - `created_at`- 性能：当导出记录量较大时，系统 MUST 采用流式写出，避免一次性加载到内存#### Scenario: 导出成功（有数据）- WHEN 调用 `GET /xxx/v1/recommend_record/export?merchant_id=abc&start_time=2025-01-01T00:00:00-05:00&end_time=2025-01-02T00:00:00-05:00`- THEN 返回 200，`Content-Type: text/csv`- AND 响应包含表头与至少 1 行数据- AND 首行表头与列顺序与规范一致#### Scenario: 导出成功（无数据）- WHEN 指定时间范围内无 RecommendRecord- THEN 返回 200，`Content-Type: text/csv`- AND CSV 仅包含表头，无数据行#### Scenario: 参数缺失或格式错误- WHEN 缺少 `merchant_id` 或 `start_time` 或 `end_time`- OR `start_time`/`end_time` 不是有效的 ISO 8601- THEN 返回 400，JSON 错误消息，指明无效参数#### Scenario: 大数据量流式导出- GIVEN 预置 > 100k 条记录在时间窗口内- WHEN 触发导出- THEN 服务端以流式方式写出 CSV（分块 flush/迭代生成）- AND 不发生内存 OOM 或进程阻塞

当你对变更提案不够满意的时候，你可以继续和ai 交流直到你满意为止，比如：

你能给接口增加一个校验吗，开始和结束时间相差不能超过一周

AI更新了规范，反复修改，直到符合我的要求。

3. 执行任务

---

当一切都和AI以及团队成员对齐之后，就可以执行 openspec.apply 来执行任务，AI 会：

1. 读取 proposal.md、tasks.md、design.md
2. 读取 specs/skills/spec.md 的新增或者修改需求
3. 按 tasks.md 顺序逐条实施
4. 每完成一个 task 就勾选对应的 checkbox

当任务完整之后，我习惯使用另外的模型对这次新增的代码进行审核，并让当前的AI Coding 工具针对审核结果做针对性的修改

4. 归档任务

---

当所有任务都执行结束并测试通过之后，执行归档，以让AI 知道项目的演变路径

/openspec:archive

当这个命令执行完毕之后，会进行两步操作：

1. 移动目录

   # 从openspec/changes/add-recommend-record-export-api/# 移动到openspec/changes/archive/2025-10-20-add-recommend-record-export-api/
   

2. 合并spec.md: 将需求中的spec.md 合并到主的spec 目录下，spec 目录下永远代表系统的最新状态

   # 合并到openspec/specs
   

为什么要归档?

假设没有归档：

第1周: 你计划添加"用户登录"功能  → 创建 changes/add-login/  → 编写代码,测试,部署 ✅第2周: 你计划添加"密码重置"功能  → 创建 changes/add-password-reset/  → 编写代码,测试,部署 ✅第3周: 你计划添加"双因素认证"功能  → 创建 changes/add-2fa/  → 编写代码,测试,部署 ✅现在的状态:changes/  ├── add-login/           ← 已上线3周,但还在"计划"文件夹  ├── add-password-reset/  ← 已上线2周,但还在"计划"文件夹    └── add-2fa/             ← 已上线1周,但还在"计划"文件夹specs/  └── auth/spec.md         ← 3周前的旧规范,不包含任何新功能!

问题出现:

1. 新同事入职:     新同事: "我看了 specs/auth/spec.md,系统只有基础认证?"     你: "不不不,我们还有登录、密码重置、2FA..."     新同事: "可规范里没写啊?代码在哪?"     你: "呃...去 changes/ 目录找找..."2. AI 助手困惑:     你: "帮我添加用户注销功能"     AI: [读取 specs/auth/spec.md]       "我看系统还没有登录功能,需要先实现登录吗?"     你: "不用!我们已经有登录了!"     AI: "可是规范里没有啊..."

当有了归档功能之后

第1周: 添加"用户登录"  → 创建 changes/add-login/  → 实现并部署   → openspec archive add-login     specs/auth/spec.md 更新(包含登录需求)     移动到 archive/2025-10-01-add-login/第2周: 添加"密码重置"    → 创建 changes/add-password-reset/  → 实现并部署   → openspec archive add-password-reset     specs/auth/spec.md 更新(包含密码重置)     移动到 archive/2025-10-08-add-password-reset/第3周: 添加"双因素认证"  → 创建 changes/add-2fa/  → 实现并部署   → openspec archive add-2fa     specs/auth/spec.md 更新(包含2FA需求)     移动到 archive/2025-10-15-add-2fa/现在的状态:specs/  └── auth/spec.md         ←  最新!包含所有已实现功能changes/  └── (空的或只有进行中的工作)archive/  ├── 2025-10-01-add-login/  ├── 2025-10-08-add-password-reset/  └── 2025-10-15-add-2fa/

这样带来的好处就是：

新同事入职:   新同事: "我看了 specs/auth/spec.md"   新同事: "明白了!系统有登录、密码重置、2FA,很完善!"   你: "对!规范就是现状,看规范就够了"AI 助手准确理解   你: "帮我添加用户注销功能"   AI: [读取 specs/auth/spec.md]       "我看到系统已有登录功能,我会在登录流程基础上添加注销"   你: "完美!你理解得很对"

OpenSpec 给我的最大启发是：

“AI 编程不只是写代码，更是定义规则、执行规范的过程。”

它让我重新理解了“AI 参与开发”的意义—— 从简单的任务执行，转变为 以规范为中心的智能协作。如果你正在用 AI 做项目维护或功能升级，强烈建议试试。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​