SDAD：用规范驱动重塑 AI 原生软件开篇流程

一篇发表于 arXiv（编号 2608.20341v1）的报告提出了名为「规范驱动智能体开发」（Spec-Driven Agentic Development，简称 SDAD）的新框架，旨在为大模型驱动的编码智能体定义一套可治理、可审计的软件开发流程。该论文认为，随着前端编码智能体普遍具备数十万乃至上百万 token 的上下文窗口，并能进行多步推理，软件研发生命周期（SDLC）的瓶颈正从「写代码」转移至「写规范」。

核心思路：把工程纪律搬回到规范层

SDAD 将整个交付流程归纳为四个阶段：意图捕获、机器可读规范、智能体合成、以及多智能体独立验证加人类签批。论文强调，智能体带来的速度提升并没有取消工程纪律，而是把纪律从代码评审层面「上移」到了规范精确度、显式关卡（gates）和可追溯来源（auditable provenance）上。简言之，规范本身成为执行的燃料，规范质量直接决定自动化产出的上限。

历史脉络：把 AI-Code 列为第四范式

报告回顾了软件工程从瀑布式（Waterfall）到敏捷（Agile）的钟摆演变，并主张引入「AI-Code」作为继瀑布、敏捷之后的第四种生产范式。作者对比了「人类-敏捷」（约 2020 年）与「智能体-SDAD」（约 2026 年）在工件、节奏、问责机制与安全姿态上的差异，认为后者要求更明确的角色重构与更严格的发布授权分离。

团队角色与量化治理

在组织维度上，论文讨论了工程师、QA、平台与产品等职能在智能体时代下的角色蜕变（team role metamorphosis）。在量化治理层面，报告提出若干新指标，包括「歧义税」（Ambiguity Tax）、「规范保真度」（Spec Fidelity）、「规范执行率」（SER）以及带修复乘子 φ 的「智能体技术一致性指数」TCI_agentic，用于度量从意图到交付的损耗与修复成本。作者还给出混合估算方法与分阶段迁移蓝图，作为落地 SDAD 的过渡路径。

合成与发布的分离

报告整合了 AI 增强测试与验证领域的工业与研究证据，主张在流程设计上把「智能体合成」与「发布授权」严格分离：前者由编码智能体高速完成，后者仍由人或独立验证智能体把关，以此兼顾速度与可审计性。整体而言，论文将 SDAD 定位于一套面向 AI 原生时代的工程治理框架，而非单一工具或模型。