将传统的需求文档直接丢给AI，往往是开发失败的开始。AI缺乏人类工程师的上下文和判断力，无法填补信息缺口。一种全新的Spec架构设计——四层模型，正成为解决这一问题的关键。它通过构建结构化的“执行环境”，让AI精准理解任务，显著提升编程效率与产出质量，是AI原生开发的核心基础设施。
智能速览
传统PRD不适合AI，AI需要的是结构化的“执行环境”而非“需求文档”。
有效的Spec架构趋向四层模型：宪法层、技能层、知识层和状态层。
宪法层作为项目“宪法”，建议不超过200行以保证AI的遵从率。
技能层通过拆分任务模块，避免“指令诅咒”，极大提升执行精准度。
状态层赋予AI长期记忆，避免其每次对话都从零开始理解项目。
写Spec的能力比选择AI工具更重要，是决定最终产出质量的核心。
精华内容
要驾驭AI，不能只靠简单指令，而需构建一个完整的执行环境。经过实践验证的四层模型，正是这套环境的核心架构，它系统化地解决了AI编程中的信息过载与上下文缺失问题。
宪法层：项目的最高法则
宪法层是整个AI开发环境的“宪法”，定义了项目的基本法则，约束所有Agent的行为。其内容应包含关键原则，如Git提交必须先询问，以防止AI在不知情的情况下污染代码历史。
一个重要的实践发现是，宪法层的内容绝非越多越好。超过200行后，AI的遵从率会显著下降。保持简洁，聚焦于不可逾越的底线和最高指导原则，是宪法层发挥效力的关键。
技能层：破解指令诅咒
“指令诅咒”是指同时给AI太多指令，反而会降低其遵守每一条指令的能力。技能层正是解决此问题的核心，它将复杂的任务按类型拆分成独立的、自包含的执行模块，如“需求分析技能”、“API设计技能”等。
每个技能模块只关注自身任务，通过“按需激活”机制，确保AI在执行特定任务时只看到相关指令，从而极大提升了专注度和执行的准确性。这种“Markdown即插件”的模式，在实践中被证实远优于将所有指令塞进一个大文件。
知识层：共享领域智慧
知识层用于存放多个技能模块共享的领域知识，例如RESTful API设计规范、代码质量标准或标签体系。将其独立分层，核心目的是为了维护效率和一致性。
如果将这些共享知识复制到每一个技能文件中，一旦规范需要修改，就将面临“牵一发而动全身”的维护噩梦。知识层通过集中管理，确保了单一数据源，让知识可以被不同技能轻松引用，降低了维护成本，保证了全项目的规范统一。
状态层：赋予AI长期记忆
状态层是四层模型中最容易被忽视，但对长期项目至关重要的一环。没有状态层，AI每次开始新对话时，对项目的理解都归零，会反复做相同的调研、犯相同的错误。
通过项目内的`data/`目录或Memory MCP Server，可以为AI提供一个持续更新的记忆库。最佳实践是进行冷热分离，热区只保留近30-60天的活跃数据，冷数据归档，避免状态文件无限膨胀，最终超出AI的上下文窗口。
核心原则与最佳实践
Addy Osmani总结的五条Spec写作原则在实践中得到了验证。其中，拆分任务比大提示更有效，这是最重要的一条。例如，让AI“构建一个完整Web框架”往往失败，但拆分成“实现IoC容器”、“实现路由器”等子任务后，产出质量会指数级提升。
另一条高ROI原则是：用可直接执行的命令（如`uv run pytest`）代替模糊描述（如“运行测试”）。此外，建立明确的“绝不做”边界清单，是防止AI做出愚蠢行为的最后一道防线。
在AI编程时代，Spec架构设计能力已从“锦上添花”变为“核心竞争力”。掌握四层模型，不仅是提升单次任务效率的技巧，更是构建高效、可维护AI原生团队的基础设施投资。未来的开发者，比拼的将是谁能更好地“设计”AI的工作环境，而非仅仅使用AI工具。
