AI时代的软件工程：把环境搭建成一个可持续运行的系统

周末参加了腾讯云架构师深圳同盟的线下活动，各位老师都相当精彩。我今天主要分享下何明璐老师的《AI时代的软件工程-从面向代码到SDD面向规约驱动》

何老师的b站账号叫人月聊IT，内容相当高质量，也很高产。在流量时代，属于清流了，关键全部免费观看。不止方法论，也有实操。

一句话总结作者的分享

软件工程的核心方法论，就是分解与集成：

用 Fork 的思想拆解复杂问题，用 Join 的思想合并分散结果。

从需求拆解到系统构建，从数据采集到业务反推，整个软件生命周期都在重复 “分而治之、合而为之”。

AI 时代的本体建模，并非让这套过程完全由人工走向全自动，而是对其中高成本、高重复、高复杂度的环节进行优化与增强，让分解更清晰、集成更顺畅、数据关联更天然，最终把 “分而治之、合而为之” 的沉重流程变得更轻量化、更高效、更可控。让AI软件真正自带业务语义、能够自我进化、具备持续学习与自适应迭代能力。

软件工程的本质是什么

软件工程，就是一群人通过规范输出、流程输出、技术标准输出，去约束、协调、控制团队里每个人的行为，减少内耗、避免混乱、防止系统失控的一套方式。

它的目的，就是集中力量，用最低的长期总成本，把软件做成、用好、维护住。

软件工程的本质，是解决大型软件全生命周期的复杂性

传统软件工程发展历程

在这里插入图片描述

软件工程的解决方式的思路

1. 分而治之，把大系统拆分为细粒度组件/模块，定义接口再集成
2. 流水线作业，通过需求、设计、开发、测试的专业化分工，降低对单个人的技能要求。

在这里插入图片描述

传统软件工程的误区

在早期软件开发实践中，行业内普遍存在一种导向：

初级开发者应当专注于编写高质量代码、熟练掌握 API 集成，将编码能力视为核心竞争力。笔者刚步入编程领域时，Java 8 尚未发布，开发者广泛使用 Google Guava 库来提升开发效率，其核心原因正是当时的开发模式完全面向代码。在需求实现过程中，大量工作集中在集合转换、数据处理等编码层面，只要在这些方面投入足够精力，就能高效完成代码编写。

但我们必须清醒认识到，代码仅仅是软件工程中的一个环节，而非全部。

《人月神话》中早已指出：十个人也无法在一个月生出一个小孩。并行工作虽能提升局部效率，却无法消除复杂系统固有的分解成本与集成成本。

核心问题在于：即便开发过程实现了并行化，复杂系统的拆解依然需要大量时间，系统集成与整合同样面临高昂成本。分解与集成，已然成为大型软件系统构建过程中最具挑战性的关键环节。

矛盾会在工程推进中不断转化：系统分解得越细致，团队沟通成本就越高，明确需求与目标的耗时越长，过长的传递链路也更容易引发理解偏差。分解仅仅是工程的起点，等到进入集成合并阶段时，需求往往已经发生变化。从最初的分解设计到最终的集成交付，周期短则数月，长则逾年，整个过程充满权衡与妥协。

没有银弹，只有焦油坑。

由此可见，传统软件工程大多只解决了次要任务—— 即通过代码实现模型的自动化执行。但软件构建的根本任务（将现实世界抽象为复杂概念结构、完成业务建模）依然复杂且难以自动化，系统的整体复杂度并未被真正解决，只是从技术实现环节前移到了业务建模环节。

需求乱、协作乱、系统乱、长期失控：这才是软件工程的真正复杂度。

这也正是许多人感到困惑之处：为什么行业长期以来都只聚焦于代码层面的问题优化？正如前文所提到的 Guava 库的例子，本质上依然停留在提升编码效率，并未触及软件工程的核心矛盾。

AI软件工程的误区

AI软件工程并非是产品+AI，开发+AI等。这些只是效率的提升

而是彻底重构开发模式。AI可以一专多能，单个组件内部的全流程流水线作业，都能由AI自主闭环完成，不再需要复杂的多角色分工。

这个过程优化的就是上面说的流水线作业。而架构师+ai。程序员+ai这些只能在单个个体上提效。流水线作业不优化。说明前面说的分而治之之后的合并过程还是一样复杂，这等于没解决主要矛盾。

流水线作业：思考这个问题的时候，你的身份可以先思考是一个组内。而不是在一个大公司里面的一个大领导的位置。大领导思考的流水线作业是各部门间的利益关系，你看到的往往不是软件工程本身。

在这里插入图片描述

方法论：从面向代码，走向面向规约（Spec Coding）

传统开发以代码为中心，程序员核心能力是写代码；AI时代以规约为中心，规约即代码（Spec as Programming）。开发者的核心能力不再是编写算法与逻辑，而是精准、清晰、可验证地定义需求、规则与约束，只要规约足够准确，AI就能自动生成可靠、可落地的完整代码。

![[bf2bca6df136edb83070b86fef125325 1.png|697]]

SDD VS BMAD

![[dfc4044fb1eaad46428f12dc992e4d5a.png]]

实践论: 亚马逊的Kiro这个AI IDE工具

这个工具何老师实践后，据说一次的成功率相当高。而且何老师还做了改进

常规的spec作业流程

1. 需求->首先给我一份需求文档，它就会按流程、按场景、按可验证性详细的列出我要实现的最终的软件需求。然后确认后进入设计环节
2. 设计->基于需求去出完整的组件模块的设计、接口的设计、数据库的设计。设计的文档出来以后又需要进行确认，完了没有问题，它才会进入到详细任务安排模式
3. task->执行任务，跑单侧，交给人验收结果

改进后

1. 独立的Demo原型阶段
2. 拆分独立的数据库设计和接口设计
3. 提前增加一个复杂项目的分而治之的过程

原型的意义无非是为了快速的和用户去沟通确认，以减少后续需求变更。

![[Pasted image 20260327121413.png]]

组织级工程能力沉淀：实现Skill经验显性化

Skill可以简单的理解为提示词工程、上下文工程加MCP加代码片段，加参考模板、最佳实践的一个组合。

前面说的Spec Coding，还是个人层面的工作方式升级。但团队用AI，不能各写各的——需要标准化。我复盘了我们团队的现状，至少这些东西可以做成Skill：

• 需求文档的标准格式（减少来回确认）
• 基于我们技术栈的Code Review检查清单
• 单元测试的断言模式模板

这些原本靠老带新口口相传，现在可以固化下来。AI生成代码前先过一遍Skill，输出自然符合团队规范，省掉大量沟通成本。但这里有个关键限制：Skill能解决单个模块的规范问题，解决不了"怎么拆系统"的问题。

所以核心点还是叫分而治之。

回顾一下：

1. 大型的系统，你首先要分解的复杂性
2. 分解完的单个组件，你的流水线作业协同的复杂性

回到开头的核心矛盾。AI能跑通单个模块的全流程——需求→设计→代码→测试，但"拆成哪些模块、模块间怎么接口"，还得人拍板。何老师强调的原型阶段，本质就是用低成本方式先验证分解方案。别等代码写完了才发现：这两个模块其实该合并，那个接口定义根本对不上业务流。他改进后的流程把"分而治之"显式提出来，我觉得是点睛之笔：

1. 先跑独立Demo，和用户快速确认需求
2. 拆分数据库和接口设计，提前暴露集成风险
3. 再进入模块级的Spec Coding

原型不是为了好看，是为了减少后续返工。 这个顺序不能省。

企业级祖传系统的重构方法---AI逆向工程

![[Pasted image 20260327122103.png]]

大家都很怕祖传代码，祖传项目，文档确实，维护的人也没有，完全没有用户手册。但是一般这种系统还存在都有他存在的意义。

AI时代是否可以使用代码反推文档。但是必须要注意先抽象，再泛化

抽象的过程

比如说我要写一个技术方案，我们原来经常用的方法就是我丢给他一个类似的技术方案，让他参考，让他模仿的技术方案，然后帮我输出一个新的技术方案。

但是我们在使用的过程中发现AI输出的技术方案，虽然说跟我原来的很类似很像，但是有一些关键点它丢失掉了。那么更好的解决方案是什么样？

我应该先丢给AI两到三个技术方案，让他先抽象出我写技术方案的核心的模式、要点、关键项、约束规则，把它形成一个写技术方案的元模型。

泛化

这个元模型我拿到了以后，我首先会对这个原模型进行审核检查和补充，然后接着我再将这个元模型加上参考的技术方案丢给AI，让它输出新的技术方案。

这就叫先抽象再泛化的过程。

通过这种方式，通过原模型的精确化语义的表达，那么这个时候AI输出的时候可以进一步的提升精度，也不会丢失相关的细节。我一直在强调，AI逆向不是技巧，而是共建和AI对某个事情底层逻辑的关键理解，这个点太重要了。

对比：传统做法 vs 元模型方法

AI 逆向工程打破了 “源码无法反向生成文档” 的困境，可通过现有源码自动输出完整的需求文档、系统架构设计、用户操作手册等，显著降低老系统维护与迭代成本。其核心实现方法仍是先抽象元模型，再泛化生成：先从源码中提炼统一元模型，明确核心逻辑与关联关系，再基于该模型泛化生成各类文档，保证输出精度，避免 AI 直接复制参考内容时丢失关键细节。

下一代软件工程范式：本体建模支撑AI原生应用

本体论的两种思想方式

1. 类似于企业架构、业务对象建模，包括传统的面向对象分析设计理念，它本身也是类似于本体论的思想，但是这个模型建完以后，它更多的是驱动新的业务系统的构建。

本质是为了更大效率的写代码完成系统

1. 另外一个就是Palantir的本体论的思想。Palantir的本体论，不是说你要去新构建一个新的OLTP系统，它更多的是在考虑你已经有的数据分析类的系统怎么跟你的类似于ERP、CRM这一些事务操作类的系统直接进行集成和打通，怎么样实现数据驱动业务，怎么样实现数据反向贯穿这个业务流程。

本质是系统构建好后的数据反推业务。也就是数字化

用一套统一模型同时干两件事：既能驱动新系统开发，又能支撑业务数据分析?

把整个本体模型分成了M1到M7，7部分的模型。

• 对象模型
• 行为模型
• 规则模型
• 场景模型
• 主体模型
• 异常补偿模型
• 质量约束模型

回顾Spec Coding面向规约的编程，在SDD的模式下面我们会拆分出相关的需求文档、测试文档和设计文档。我的理解，整个本体模型本身也是可以驱动整个应用系统构建的。整个本体模型也是一组相当精准的Spec的定义。

这比SDD更彻底——SDD还要拆分需求文档、设计文档、测试文档，本体模型本身就是最精准的规约定义。

通过跟AI大模型的交互，大模型自己评估完的结果就是这么一个本体模型，基本上可以完完全全的覆盖你传统的软件需求。这个本体模型是完全可以支撑你应用系统新的构建。

![[Pasted image 20260327122355.png]]

三步落地

他演示的实操视频已经跑通：

1. 建本体：基于原始需求快速生成M1-M7模型，配套编辑器人工修正
2. 配能力：基于本体构建底层Skill包（提示词+工具+代码模板）
3. 搭应用：本体模型 + Skill包 → 前端轻应用（AI语义对话 + 传统UI结合）

结果：系统不是只有数据增删改查，而是自带业务语义、能自我迭代——这才是真正的AI原生，不是套个AI壳子。

感兴趣的可以看看原文。

何老师本人分享的原文：

AI时代的软件工程-从面向代码到SDD面向规约驱动

B站视频相关视频主要讲解方法论。如下，第一个8分钟，第二个13分钟。

基于本体论思想，构建个人思维元模型(一)

基于本体论思想，构建个人思维元模型(二)

微信公众号主要讲解实操，原文很长，需要耐心阅读：

基于本体模型和AI大模型驱动的AI 原生应用构想和设计思路

基于本体模型驱动的AI原生应用的架构设计方案和原型系统实现

欢迎大家关注我的公众号【老周聊架构】，AI、大数据、云原生、物联网等相关领域的技术知识分享。