AI编程总是
AI编程技术虽已普及,但在处理完整项目时仍面临“上下文腐烂”的瓶颈。由于大模型上下文窗口容量有限(通常为128K-200K Token),随着对话长度增加,模型会逐渐遗忘早期需求,导致代码质量断崖式下跌,产出互相矛盾的代码碎片。针对这一痛点,开源项目GSD(Get Shit Done)提出了一套基于上下文工程、元提示工程、规格驱动开发及多智能体编排的解决方案,旨在通过系统化的管理流程,确保AI编程在复杂项目中的稳定性和可靠性。
01核心机制:四大技术支柱
GSD并非单纯的代码生成工具,而是一个AI编程的“指挥系统”。其核心机制由四个关键部分组成,分别对应AI编程中的指令生成、信息管理、流程规范和执行调度。
- 元提示工程(Meta-Prompting)
采用“AI指挥AI”的架构。系统内部设有“指挥官”AI,负责分析需求并将大任务拆解为小任务,为每个子任务生成包含精确指令和验证标准的XML格式描述。专门的“执行者”AI根据这些独立指令进行工作,确保每一层只处理特定职责。 - 上下文工程(Context Engineering)
针对上下文窗口容量限制,GSD摒弃了将所有信息一次性塞入窗口的做法,转而维护一套结构化文档体系(如PROJECT.md、PLAN.md、STATE.md等)。系统根据任务类型动态加载相关文档,确保主编排器和执行者的上下文使用率始终保持在安全范围内(如30%-40%),避免记忆污染。 - 规格驱动开发(Spec-Driven Development)
强制引入完整的规格流程以消除“氛围编码”的不确定性。系统包含提问、调研、需求提取和路线图生成四个阶段,要求在动工前明确目标、约束、技术偏好及边界情况。用户需批准路线图后才能进入开发阶段,从而在规划阶段规避潜在风险。 - 波次执行(Wave Execution)
通过分析任务间的依赖关系,将无依赖的任务归入同一“波次”进行并行执行。每个并行任务在独立的AI上下文中运行,互不干扰。这种调度方式不仅提高了效率,还杜绝了多任务抢占资源导致的冲突。
02实操工作流:五步项目构建
- 初始化项目
执行命令后,系统提问以收集项目目标、技术栈及核心功能,随后自动生成项目文档、需求清单和路线图。 - 讨论阶段
针对特定阶段(如Phase 1)的任务细节进行深入挖掘,明确设计决策(如布局选择、分页逻辑等),消除模糊需求。 - 规划阶段
系统派出调研AI研究实现方案,生成原子级的执行计划,并进行自动校验。 - 执行任务
系统按波次调度AI执行计划。每完成一个任务自动提交一次Git commit,全部完成后自动验证代码。 - 人工验收
系统列出可测试的功能点供逐一验证。如发现问题,自动生成修复计划并重新执行。
03竞品对比与局限性分析
| 方案名称 | 核心思路 | 主要问题 |
|---|---|---|
| BMAD | 完整的敏捷开发模拟(冲刺、故事点、站会) | 流程过重,不适合独立开发者 |
| SpecKit | 规格驱动的代码生成 | 缺少全局架构理解,规划深度不足 |
| Taskmaster | 任务拆解和执行跟踪 | 无上下文隔离机制,仍面临上下文腐烂风险 |
| GSD | 上下文工程 + 多智能体编排 + 规格驱动 | 从根本上解决上下文腐烂,平衡复杂度与易用性 |
AI编程工具方案对比
尽管GSD在解决上下文腐烂方面表现突出,但仍存在一定的局限性。首先,该工具要求用户必须明确自身需求,无法替代产品规划思考;其次,理解“讨论-规划-执行-验证”的完整流程需要一定的学习成本;此外,多智能体编排会增加Token消耗,使用成本高于直接使用AI编程工具;最后,对于简单的单函数编写任务,GSD的完整流程可能显得过重(尽管提供了Quick模式以应对此类场景)。
当前文章无评论,是时候发表评论了