ARTICLE · 1388769
需求文档从改 50 版到 3 版:我让 AI 当一个没开过会的开发
需求文档从改 50 版到 3 版:我让 AI 当一个没开过会的开发
一份需求文档,我平均要改 50 版左右。
一版 1.5 到 2 万字,以前我是一个字一个字看过去,审一版要两三天。后来把审查交给 AI,试了几种办法,最后留下来的做法可以用一句话说完:写文档的 AI 和审文档的 AI 分开,审的那个什么背景都不给,让它当一个没参加过需求讨论的开发。
为什么是开发?因为需求文档真正的读者就是开发。他没参加需求会,不知道我们争过什么、定过什么,手里只有这份文档。他照着做会不会做错,才是这份文档合不合格的标准。
下面是我走到这一步的三个阶段。
第一阶段:人工逐字审
这段时间非常痛苦。每个字都要看,一版文档审两三天,大大小小的改动加起来,一份需求文档平均要改 50 版左右。
第二阶段:让 AI 自己审自己
我用同一个项目库、同一个模型,让它对自己写的文档做对抗性审查,也就是自己给自己挑刺,跑 3 轮左右。当时没多想,就是想试试,大力出奇迹。
有效果,但不大,问题也跟着来了:
- 自己审自己,本来就不公正。
这不只是感觉,有研究发现模型能认出自己写的文本,而且认得越准,就越偏爱自己写的东西(参考 1)。 - 跑多了也没用。
我试下来,跑 3 轮和跑 10 轮差不多。研究里也是这样:让模型反复改自己的输出,提升的大头在第一轮,后面越来越少(参考 2)。
第三阶段:模拟一个真人开发来冷读
后来我想明白一件事:看需求文档的主要是下游的开发。开发是执行者,对「做什么」「怎么做」卡得最严(「为什么做」看人,有些开发不太看重)。所以文档的实现细节必须按开发的标准来把关。
而开发对需求本身是不了解的,这恰好就是「脱离上下文」。
所以现在我的做法是:一个 AI 写,另一个模型来审,模拟开发的视角。我管这一步叫「冷读」。
Anthropic 官方的 Claude Code 最佳实践也推荐类似做法:一个 Claude 写,另一个在干净的上下文里审,因为分开的上下文有时效果更好(参考 3)。我多做的一步是,不让它当一个泛泛的「审稿人」,而是让它当一个具体的人:要照这份文档开工的工程师。
具体规矩是这几条:
- 开发手上有的才给。
只给整本文档和配图;标注库、原型代码、项目规则、我和写稿 AI 的对话,开发都没有,所以一律不给。冷读开在仓库外一个只有这两样东西的空文件夹里。 - 换一个模型。
写稿用一个模型,冷读交给另一个模型(我用的是 Codex)。 - 只报三类问题:
照着做会做错的句子、两处说法对不上、必须回头问产品才能开工的地方。不提文风,也不建议补背景。 - 报回来的不照单全收。
逐条核实,成立的才改。 - 最多 3 轮,0 条就停。
改完换一个新的冷读再跑;某一轮查出成立的问题是 0 条就停,最多跑 3 轮。 - 简单改动不跑。
一节里补几条规则、改措辞、调顺序,这些不跑;只有新增改动点或整节重写才跑。
第 4 条很关键。Anthropic 自己也提醒过:被要求找问题的审稿人,总会找出点什么(参考 3)。冷读每一轮都会报几条,但不一定都成立。
写稿的 AI 和冷读的 AI 之间有个来回。冷读只管挑问题,挑出来的交回给写稿的 AI。写稿的 AI 拿每条去对照之前的讨论记录:说得对的直接改;我没拍过的口径,它按推荐先写进去,标上「待我推翻」;实在拿不准的,才单独列出来问我。
所以我不用再逐字审,只看它标出来的那几处,同意就过,不同意就推翻。人工审查的成本,大部分就是这样省下来的。
下面是一次实际的冷读记录:跑了三轮收口,一条它自己拍了、等我推翻,一条拿不准的交给我拍。

结果
以前一份文档要改 50 版左右,审一版就要两三天。现在一份文档改 3 到 5 版,基本就没什么大问题了,前后大概半天到一天。
写在最后
让 AI 审文档,关键不是让它更聪明,而是让它更「无知」:像一个真正拿到文档的开发那样,只看得到文档本身。
附:我的冷读提示词
读当前文件夹的 整本文档.md,配图在 配图/。这次只审第 <章节号> 章,其他章节用来理解背景。你是要照这份文档开发的工程师,没参加过需求讨论。只报三类问题:照着做会做错的句子、两处说法对不上、必须回头问产品才能开工的地方。每条引原句,一句话说为什么。不提文风,不建议补充背景或边界。
参考
Panickssery 等,《LLM Evaluators Recognize and Favor Their Own Generations》,2024。https://arxiv.org/abs/2404.13076 Madaan 等,《Self-Refine: Iterative Refinement with Self-Feedback》,2023。https://arxiv.org/abs/2303.17651 Anthropic,Claude Code 最佳实践。https://code.claude.com/docs/en/best-practices















































































