AI 编码代理新框架：Spec Growth Engine 缓解上下文爆炸与规范漂移

一篇发表于 arXiv 的研究论文提出「Spec Growth Engine」框架，尝试系统性地解决 AI 编码代理在大型项目中面临的两个结构性问题：上下文爆炸（context explosion）与静默的规范-代码漂移（silent spec-code drift）。论文由 Hartwig Grabowski 提交，主张将既有软件工程原则综合为一套轻量级、机器可强制执行的规范驱动开发流程。

背景：AI 编码代理的两种结构失效

论文指出，AI 编码代理显著加快了代码实现速度，但现有规格驱动的开发方法未能完全消除两类失效模式：

上下文爆炸：代理必须对整个代码库进行推理，随着上下文窗口被逐步填满，输出质量随之下降。
规范-代码漂移：代码在迭代中不断演进，但规范文档并未同步更新，二者的偏差往往在代价高昂时才被发现。

这两类问题在人工编码中早已存在，但在 AI 代理大量介入的情况下被进一步放大。

Spec Growth Engine 的核心机制

论文提出的框架围绕四个关键组件构建：

机器可读规范图谱（spec graph）：每个节点明确区分「契约（contract）」与「设计（design）」两类信息，使规范层与实现层在结构上可追溯。
Spine 上下文组装器：基于所有权路径（ownership path）将代理的上下文范围限定在相关代码区域，避免一次性载入整个仓库。
垂直切片增长协议（vertical-slice growth protocol）：按照「hardest-first」排序强制推进开发，确保复杂部分优先被验证。
漂移门禁（drift gate）：将规范与代码的偏离设为合并（merge）的阻塞条件，而非仅供人查阅的提示。

整套设计的目标是让规范与代码保持持续耦合，使漂移问题在工程流程而非事后审计中被捕获。

综合的工程原则

论文强调，框架并非发明新概念，而是将多个成熟的软件工程实践整合为一个轻量、代码耦合、机器可强制执行的体系，包括：

Parnas 信息隐藏（information hiding）
C4 架构模型
架构决策记录（ADR）
Walking Skeleton 起步骨架方法
Reflexion Models（反思模型）
Fitness Functions（适应性函数）

论文同时指出，该框架刻意避开了 RUP、MDA 等重型方法论的流程开销，主张以最小化的脚手架实现类似的质量约束。

边界与现状

目前该论文仅发布了摘要与框架概述，未提供量化 benchmark、对比实验或具体实现细节，规范图谱的存储格式、Spine 组装器的算法复杂度、漂移门禁的判定阈值等关键工程参数均未披露。其实际效果仍需后续验证，但所提出的问题——尤其是上下文窗口压力与规范同步——在 AI 编码助手广泛采用的当下，是开发者社区正在普遍关注的痛点。