ARTICLE · 1397471
需求会成为新的源代码么?

——从 SDD 到规约工程,看 AI 研发如何重写交付起点
▼
过去,软件项目最显眼的瓶颈是代码产能。需求排进队列,产品经理等研发,研发等联调,测试再等版本。谁能更快地把需求翻译成代码,谁就能缩短交付周期。
AI Coding 改变了这条链路。一个描述清楚的任务,Agent 可以在几分钟内生成实现、补充测试、修改配置,甚至提交一个看起来完整的变更。代码生产突然变快以后,新的问题也暴露出来:如果需求本身含糊、边界缺失、验收口径不一致,AI 不会替团队消除这些不确定性,反而可能更快、更完整地把它们写进系统。
“支持批量导入”“页面要足够快”“异常时友好提示”“兼容原来的流程”——这些人类团队过去还能在会议、评审和联调中反复追问的模糊表述,到了 Agent 手里,往往会被迅速补全成某一种实现。生成速度越快,未经澄清的假设也越容易穿过设计、编码和测试,直到上线前才以返工的形式出现。
因此,当 AI 开始写代码,企业研发真正稀缺的能力正在上移:不再只是把代码写出来,而是把业务意图表达成机器可理解、工程可执行、测试可验证、组织可追踪的输入。
这也是“需求会不会成为新的源代码”值得讨论的原因。
答案不是需求将取代代码,而是:经过结构化和验证的规约,正在成为代码之上的控制层。

图 1:AI Coding 降低代码生产成本后,研发瓶颈正在从“怎么写”前移到“到底要什么”
▍一、需求不是源代码,但正在获得源代码的约束力
源代码之所以能驱动软件运行,不只是因为它写得详细,而是因为它具备几种关键属性:有明确结构,可以被机器解析;有确定语义,可以被编译或执行;有测试与错误反馈,可以判断结果;有版本记录,可以比较、回滚和追踪变化。
传统需求文档通常不具备这些属性。它主要服务人的理解和协作,可以保留模糊表达,也允许大量背景知识存在于会议、聊天和个人经验里。一个有经验的研发会追问:“批量”最多是多少?“足够快”是 500 毫秒还是 5 秒?失败后是重试、回滚,还是交给人工?
Agent 不会天然知道这些答案。它可能根据训练经验选择一个“看起来合理”的解释,却无法确认这个解释是不是当前业务真正需要的。
所以,真正接近“新源代码”的,不是未经整理的自然语言需求,而是经过工程化处理的 Spec:目标被定义,范围被限定,规则被显式化,异常被枚举,非功能要求被量化,验收条件可以执行。
这份 Spec 不必写成一种复杂的形式化语言,但必须让产品、研发、测试和 Agent 对同一个问题得到尽可能一致的解释。它不是代码的替代品,而是生成代码、测试、配置、文档和审计证据时共同依赖的上游事实源。

图 2:自然语言中的模糊词、隐含假设和遗漏边界,会被 Agent 逐级放大为设计、代码与测试偏差
▍二、AI 写得越快,模糊需求的代价越高
在传统研发中,模糊需求的损失往往以“沟通慢”和“返工多”出现。进入 AI Coding 以后,它还会带来一个新的风险:错误可以被规模化生成。
如果需求没有说明数据边界,Agent 可能用理想样本完成实现;如果没有定义权限,它可能默认调用当前可用的最高权限;如果没有性能阈值,它可能只保证功能正确;如果没有异常策略,它可能把失败统一处理为重试;如果没有验收条件,它甚至可能通过修改测试来让结果“看起来通过”。
这不是模型故意犯错,而是系统缺少足够明确的判定依据。自然语言擅长表达意图,却不天然等于工程契约。一个人听到“订单失败后要及时处理”,可以结合业务语境继续追问;Agent 则需要知道失败类型、重试次数、幂等规则、补偿路径、告警对象和超时阈值,才能稳定执行。
网易智企 CodeWave 技术负责人姜天意将在第11届 AiDD 深圳站分享《Spec Driven 重塑 AI 研发流程:CodeWave 的大规模 Harness 实践》。Vibe Coding 的问题主要为生成发散、技术栈不受控和代码难维护,并提出用 Spec First、EARS 需求标准化、模糊词消除和非功能需求量化,为 AI Coding 提供形式化约束。

图 3:姜天意《Spec Driven 重塑 AI 研发流程:CodeWave 的大规模 Harness 实践》议题卡片(来源:第11届 AiDD 深圳站)
这里最值得关注的不是某一种模板,而是研发控制点的变化:过去,团队主要在代码评审阶段控制质量;未来,很多偏差必须在 Agent 开始生成之前就被阻断。
代码评审仍然重要,但需求评审正在从沟通活动变成生产控制活动。
▍三、一份可执行规约,至少要回答五类问题
SDD 常被误解为“先把文档写得更长”。但文档长度与可执行性没有必然关系。几十页描述如果仍然缺少边界和判据,对 Agent 来说只是更多上下文;一页结构清晰的契约,反而可能更接近可执行输入。
一份能够进入 AI 研发链路的规约,至少需要回答五类问题。
第一,目标:为什么做,解决谁的什么问题,成功意味着什么。
第二,范围:哪些场景包含在内,哪些明确不做,依赖哪些系统和数据。
第三,规则:业务条件、状态转换、权限、接口和数据约束是什么。
第四,质量:性能、可靠性、安全、兼容性和成本要达到什么阈值。
第五,验收:用什么样本、测试、指标和证据判断任务真正完成。
这五类信息共同构成 Agent 的任务契约。目标决定方向,范围限制发散,规则约束实现,质量定义底线,验收负责收口。缺少任何一层,都可能出现“代码生成了,但项目没有完成”的情况。

图 4:目标、范围、规则、质量与验收共同构成 Agent 可执行的五层需求规约
更重要的是,规约不应只在项目开头被阅读一次。它要能持续进入任务拆分、技术设计、代码生成、测试构造、结果验收和变更追踪。只有这样,需求才不再是一份交接后逐渐失真的文档,而成为贯穿交付链路的控制面。

图 5:同一份规约连接需求、设计、代码、测试与证据,减少不同角色各自解释造成的漂移
▍四、只规定“怎么做”还不够,还要证明“是否做对”
Spec 能减少发散,却不能自动保证结果正确。大模型具有概率性,同一份规约在不同上下文、工具和环境中,仍可能生成不同结果。因此,SDD 如果只有从需求到实现的正向链路,就容易变成一套更整齐的文档生产流程。
瓴岳科技测试总监徐实的议题《SDD 驱动下的质量工程建设》,把这一问题拆成两部分:`why → what → how` 负责把意图向执行展开,`did / whether` 负责验证系统实际做了什么、是否满足要求。其团队在推广 SDD 后继续把 Test Case Agent、Verify Agent 和 Test Harness 嵌入研发流程,在 Spec、Plan、Implement 之后增加契约测试、代码审查、构建、单元测试和端到端验证。Bug 密度从推广前的 0.7 降至 SDD 后的 0.47,加入 Verify 后进一步降至 0.20,完善 Harness 后约为 0.15。这些数字说明了一个重要方向:
规约只有和反馈控制连在一起,才可能成为可靠的工程输入。

图 6:徐实《SDD 驱动下的质量工程建设》议题卡片(来源:第11届 AiDD 深圳站)
生成者与验证者还需要适度分离。负责提出实现的 Agent,不能只用自己的解释证明自己正确;固定规则、隐藏样本、契约测试、静态检查、真实环境和人工复核,要共同构成独立证据。

图 7:Why、What、How 构成前馈控制,Did、Whether 构成反馈控制,两者共同闭合 SDD 交付环
这意味着,未来的需求条目可能不只附带一段说明,还会同时携带验收断言、测试数据、风险等级、权限边界和停止条件。需求、测试和代码不再按部门顺序接力,而是在同一份契约下同步生长。
▍五、规约不只约束代码,也要约束模型、路由与降级
当 AI 系统从单一代码生成扩展到多模型、多工具和复杂业务流程,Spec 的对象也会扩大。
微众银行武汉研发中心数据算法工程师陈清宇将在深圳站分享《以规约为锚的大小模型协同落地——金融复杂文档解析场景中的 SDD 实践》。这一场景同时面对数据不出域、算力有限、关键字段精度要求高,以及正文、表格、印章、手写和附件混合等约束。

图 8:陈清宇《以规约为锚的大小模型协同落地——金融复杂文档解析场景中的 SDD 实践》议题卡片(来源:第11届 AiDD 深圳站)
在这种系统里,“把文档交给一个更强的大模型”并不是完整方案。需求方预期需要被写成可判定条款、自动化边界和验收指标;大模型、轻量模型、专项模型、规则组件和存量能力被整理为能力规格;路由按任务类型、版式、图像质量、字段风险和资源状态选择路径,并配置降级条款;输出还要保留原文位置、处理路径、校验状态和复核记录。
这里的 Spec 已经不只是“代码要实现什么”,而是系统如何选择能力、何时降级、怎样仲裁以及由谁复核的运行契约。

图 9:在复杂业务中,规约同时约束能力选择、智能路由、结果仲裁、规则校验与人工复核
这也解释了为什么企业级 SDD 不能脱离 Harness。Spec 管输入,Agent 负责执行,Harness 提供上下文、工具、权限、沙箱、验证和观测环境。没有受控运行环境,再清晰的需求也可能在长程执行中发生偏移;没有评测与追踪,团队也无法判断偏差来自规约、上下文、模型、工具还是实现。
因此,需求成为“源代码”的前提,不只是写法发生变化,而是整个研发系统具备消费、执行和验证规约的能力。
▍六、需求也要像代码一样版本化
需求在真实项目中不会一次写完。市场变化、用户反馈、系统约束和线上问题,都会推动它持续修改。如果 Spec 驱动了代码和测试,那么每次需求变化都必须回答几个问题:改了哪一条规则?影响哪些服务与测试?旧版本是否仍适用于存量客户?验收基线是否同步更新?出现问题后能否回到上一版?
这让需求管理从“文档维护”进入“版本治理”。
每一项规约都应有版本、状态、责任人和适用范围;每次变化都应留下差异、评审和影响分析;代码、测试与运行证据需要能够追溯到对应规约;线上 Bad Case 则要回写成新的边界、样本或验收条件。

图 10:需求规约通过版本、变更差异、代码与测试映射、运行证据和回滚点形成可追踪资产谱系
荣耀终端测试架构师李前国在《从人工卡点到自主收敛——需求驱动的智能测试流水线》中,把需求编号作为测试流水线入口,并通过用例、脚本、执行、覆盖率和失败分类形成闭环。特别强调“证据化完成判定”:覆盖率目标、单轮提升阈值、最大循环次数和停滞条件共同决定系统是否继续,而不是让 Agent 自己宣布任务完成。

图 11:李前国《从人工卡点到自主收敛——需求驱动的智能测试流水线》议题卡片(来源:第11届 AiDD 深圳站)
这类实践提示我们:未来真正有价值的需求资产,不只是描述“要做什么”,还要保存“怎样证明做完”“在哪些条件下算失败”“发生变化后如何重新验证”。
当这些信息能够被版本化、比较和回放,需求才开始拥有类似源代码的工程生命力。
▍七、需求工程师不会消失,角色反而会向上游迁移
如果 AI 可以根据 Spec 生成大量实现,需求工程的价值不会下降,反而会从“写一份文档”迁移到“设计一套可靠输入”。
产品经理需要把目标、边界和业务规则表达得更可判定;架构师需要把接口、约束和非功能要求前置;测试与质量人员需要在实现前参与验收契约和风险设计;研发人员需要判断技术方案是否忠实实现意图;业务负责人则必须对价值和取舍承担最终责任。
这不是把所有人都变成形式化方法专家,而是让过去散落在会议、经验和返工中的关键判断,尽可能进入可评审、可执行的共同对象。
企业可以从五步开始:选择边界清晰、结果可验证的任务;建立最小 Spec 模板;把验收条件与测试一起前置;让 Agent 在受控 Harness 中执行;最后用真实运行证据回写规约。先形成一条闭环,再逐步扩大场景,而不是一开始就试图把所有需求全部形式化。

图 12:企业落地 SDD 可从试点任务、最小规约、验收前置、受控执行和证据回写五步起步
▍八、深圳站要讨论的,不是“多写文档”,而是重建交付起点
在第11届 AiDD 深圳站,「SDD 落地实践与规约工程」论坛的三个演讲议题:徐实《SDD 驱动下的质量工程建设》、陈清宇《以规约为锚的大小模型协同落地——金融复杂文档解析场景中的 SDD 实践》、孔炜《领域驱动,规范落地:SDD 融入 DDD 架构设计》。此外,姜天意还将在「Agentic 研发流程重塑」论坛分享《Spec Driven 重塑 AI 研发流程:CodeWave 的大规模 Harness 实践》。

图 13:孔炜《领域驱动,规范落地:SDD 融入 DDD 架构设计》议题卡片(来源:第11届 AiDD 深圳站)
这些议题从质量闭环、金融复杂场景、领域架构和研发平台四个方向,指向同一件事:当 Agent 获得更强的生成与执行能力,软件工程必须把更多确定性前移到输入、契约和验证。
所以,需求会成为新的“源代码”吗?
如果需求仍是一段模糊描述,答案是否定的。
如果它被转化为可结构化、可执行、可验证、可追踪的规约,并与 Harness、测试、评测和版本治理共同运行,那么它确实正在成为 AI 研发系统的上游源资产。
代码不会消失。但在 Agent 时代,决定代码质量的第一现场,越来越可能不是编辑器,而是需求被定义的那一刻。
第11届 AiDD 深圳站将于2026年12月3—4日举行。大会围绕 Coding Agent Harness、智能体评测与进化、Agentic研发流程、知识工程、SDD、自主测试和企业级FDE等方向展开。(具体议程以大会官网最新更新为准,https://www.aidd.vip/2026-shenzhen-schedule)

▍References:
• 第11届 AiDD 深圳站官方日程:https://www.aidd.vip/2026-shenzhen-schedule
• 徐实:《SDD 驱动下的质量工程建设》:https://www.aidd.vip/2026-shenzhen-track-0161
• 陈清宇:《以规约为锚的大小模型协同落地——金融复杂文档解析场景中的 SDD 实践》:https://www.aidd.vip/2026-shenzhen-track-0133
• 孔炜:《领域驱动,规范落地:SDD 融入 DDD 架构设计》:https://www.aidd.vip/2026-shenzhen-track-0137
• 姜天意:《Spec Driven 重塑 AI 研发流程:CodeWave 的大规模 Harness 实践》:https://www.aidd.vip/2026-shenzhen-track-0162
• 李前国:《从人工卡点到自主收敛——需求驱动的智能测试流水线》:https://www.aidd.vip/2026-shenzhen-track-0092















































































