logo

# 规范驱动与上下文工程:AI 编程工作流的实践对比与选型思考

作者:谁偷走了我的奶酪2026.11.16 11:03浏览量:0

简介: 本文面向在 AI 编程落地中遇到瓶颈的研发团队,系统对比“规范驱动开发”与“上下文工程驱动的多 Agent 协作”两类工作流方案:从理念、架构、上下文管理、知识沉淀等维度分析异同,并结合企业级存量迭代的真实场景给出选型建议与迁移注意事项,帮助读者走出“工具很强但用不好”的困境。

一、对比背景:为什么这两类工作流值得比较

2025 年 AI 编程工具大量普及,但一个尴尬的现实是:工具越来越强,预期越来越高,落地却越来越难。许多团队的体验是相似的——短上下文场景下 AI 表现良好,一旦进入企业级存量项目的“千层套路”,效果就迅速衰减。

为了解决这些问题,业界出现了两类具有代表性的工作流思路:

  • 方案A:规范驱动开发。以“规范即代码”为核心,通过一套固定的多阶段流程(宪章、规范、计划、任务、实施)约束 AI 的产出,强调测试优先与权力倒置——代码服务于规范,而非规范服务于代码。
  • 方案B:上下文工程驱动的多 Agent 协作。借鉴主流 AI 研究团队提出的多 Agent 架构理念,融合上下文工程与复合工程思想,核心是管理好每一次任务进入模型上下文的“信息配方”,并通过知识资产的沉淀实现复利。

这两种方案在不少团队中都被尝试过,但落地效果差异很大。本文就从实践视角,对它们做一次系统对比。

二、对象定义:两类方案分别是什么

方案A:规范驱动开发

规范驱动开发试图用“流程确定性”对抗“AI 产出的不确定性”。它通常包含明确的阶段划分:

  1. 宪章阶段:确立项目级的原则与约束;
  2. 规范阶段:把需求写成结构化规范;
  3. 计划阶段:由规范推导技术方案;
  4. 任务阶段:拆解为可执行的任务列表;
  5. 实施阶段:按任务逐个生成代码,强制测试先行。

它解决的核心问题是:AI 理解需求偏离、代码质量参差、缺乏持续性。

agent-">方案B:上下文工程 + 多 Agent 协作

方案B 不追求“一套流程走天下”,而是承认两个现实:模型上下文窗口有限,企业知识分散在人脑里。它的工作重点是:

  • 上下文工程:精确控制每个任务喂给模型的信息——哪些规范、哪些历史决策、哪些代码片段需要进入上下文,哪些应该过滤掉;
  • 多 Agent 分工:将规划、实现、审查、验证拆给不同角色的 Agent,主 Agent 负责调度与汇总,子 Agent 在独立上下文中完成子任务,避免单一长会话导致的上下文爆满;
  • 知识资产化:把每次任务的决策、踩坑、方案抽象为可复用的文档与规则,存入知识库,下次相似需求直接注入上下文。

三、相同点分析

尽管理念不同,两类方案在底层逻辑上有明显共通之处:

  1. 都试图引入工程化约束。无论是规范流程还是上下文管理,本质都是把“凭感觉用 AI”变成“有方法论地用 AI”,对抗自由对话式的随意性。
  2. 都重视前置设计。方案A 要求先写规范与测试;方案B 要求先做任务拆解与上下文准备。两者都反对“一把梭”式生成。
  3. 都以提升复杂任务成功率为目标。简单任务两者都游刃有余,它们真正想解决的都是规模化、企业级场景下的可靠性问题。

四、核心差异分析

4.1 上下文管理方式

这是最关键的差异。方案A 的流程是线性长链路:规范、计划、任务文档层层累积,进入实施阶段时,上下文往往已经堆积大量中间产物。在海量存量代码面前,上下文窗口频繁爆满,复杂任务经常半途而废。

方案B 采用“分治 + 按需注入”:子 Agent 各自维护独立上下文,主 Agent 只保留摘要与关键结论;代码、规范按任务相关性裁剪注入。这从根本上缓解了长任务的上下文压力。

4.2 知识沉淀与复利

方案A 的产出物是规范文档,但文档与“下一次需求”之间缺少自动连接——每次做类似需求,还是要花同样时间,因为知识全在工程师脑子里。

方案B 显式地把知识当作资产管理:每次迭代后更新规则库、决策记录与模式库,下一次相似需求通过上下文注入直接复用。长期看,边际成本递减,形成知识复利。

4.3 对企业需求复杂度的适应性

方案A 的五阶段流程在理想化场景(新项目、需求清晰、代码量可控)中表现优秀。但企业存量项目充满历史包袱:隐性约定、兼容性要求、跨服务依赖。固定的规范模板难以覆盖这些“千层套路”,团队容易产生“流程很重、收益不明显”的挫败感。

方案B 的流程可裁剪性更强:简单任务走轻量链路,复杂任务启用多 Agent 协作,对不同规模的需求弹性更好。

4.4 接入与运维成本

方案A 接入简单,按模板填充即可起步,但用好它要求团队先对规范标准达成共识——这恰恰是很多团队的短板。方案B 起步时需要搭建知识库结构、Agent 分工规则与上下文组织约定,前期投入更高,但一旦运转起来,单人上手成本反而下降。

4.5 差异总结表

维度 方案A:规范驱动 方案B:上下文工程 + 多 Agent
核心理念 规范即代码,流程确定性 信息配方,知识资产化
上下文策略 线性累积,易爆满 分治隔离,按需注入
知识沉淀 文档为主,复用弱 显式资产,持续复利
适用代码规模 中小型、新项目友好 存量大项目表现更稳
接入成本 低起步,共识要求高 前期投入高,后期边际成本递减
流程弹性 固定五阶段 可裁剪、按需组合
长任务稳定性 复杂任务易半途而废 多 Agent 分担,更可靠

五、典型场景选择

  • 新项目、需求清晰、代码库小:方案A 足够,规范流程能快速建立质量基线;
  • 存量微服务迭代、需求套路多变、团队规则尚未统一:方案B 更合适,尤其是知识沉淀能力对“重复类需求”收益显著;
  • 混合场景:可以取两者之长——用方案A 的规范思想约束产出质量,用方案B 的上下文管理与知识库承载企业复杂度。

六、选型建议与迁移注意事项

选型建议采用条件化判断:

  1. 团队尚未建立 prompt 复用与规范共识时,先不要急于上重型流程,优先把知识沉淀机制建起来;
  2. 若上下文爆满已是主要矛盾,优先评估多 Agent 分工与上下文裁剪,而不是继续堆规范文档;
  3. 评估指标应看“同类需求的第二次耗时”是否下降,而非单次任务效果。

迁移时的注意事项:

  • 知识资产先行:迁移前先整理团队已有的决策记录与踩坑文档,避免冷启动;
  • 渐进式切换:不要一次性废弃旧流程,先在单个服务上试点,验证上下文组织方式;
  • 人的工作模式转变:工程师的角色从“写代码”转向“设计上下文配方、审查与沉淀知识”,需要配套的团队协作约定与考核方式调整;
  • 风险控制:多 Agent 并行生成时务必保留人工审查关口,防止错误方案在子任务间传播。

七、总结

规范驱动与上下文工程两类方案,代表了对“AI 编程工程化”的两种回答:前者用流程对抗不确定性,后者用信息管理与知识复利对抗复杂度。对于以存量迭代为主、需求多变的团队,上下文工程路径在实践中更容易实现边际成本递减;而对于新项目与清晰需求,规范驱动依然是低成本的起点。真正的关键不在于选哪个工具,而在于把“怎么用好 AI”变成团队可沉淀、可复用的资产——这才是走出困境的根本。

发表评论

活动