随着人工智能技术的飞速发展，AI软件的复杂性逐渐成为软件工程领域面临的重大挑战。传统的命令式编程模式在面对由深度学习模型驱动的系统时，显得力不从心。规格工程（Specification Engineering）作为一种新兴的方法论，试图通过声明性规范与智能化代码生成的结合，为AI软件开发带来全新的视角和可能性。正如业界所见，规格工程不仅是一场关于更优代码生成技术的赌注，更是对如何有效管理软件复杂性的深刻反思。AI工程追求的是声明式的开发方式，它试图摆脱那些隐藏在大型模型权重与注意机制背后不可捉摸的黑箱。开发者们习惯于使用Python或Typescript将AI模块与传统逻辑结合，这种混合模式中，AI部分的自然抽象并非具体代码，而是某种保证或谓词，这些定义的是模型行为的期望结果而非具体实现细节。
当前，绝大多数AI软件的核心仍是传统编程逻辑的集合，仅以少部分代码调用AI模块。例如，大规模使用数据库的传统软件开发依赖于SQL查询，但由于其界限清晰且易于管理，这不会造成太大问题。然而，随着软件系统中AI成分的比例逐渐增多，甚至达到99%的情况，原本以命令式思维支撑的软件开发就变得极其困难。在这种情况下，程序员面对的是无法通过普通代码直接理解的复杂AI逻辑，软件的“真实逻辑”往往只存在于开发者的头脑中。这种知识的隐性存在，使得维护程序变得尤为艰难，代码本身并不能准确表达系统的全部意图，也难以被超级智能深入解析。将关键的系统信息仅依赖于人类记忆存储，是AI软件开发的软肋。
人脑的信息传输带宽有限，知识也会随着时间的推移而自然衰减，团队协作效率因此受到极大制约。相比之下，传统软件开发在清晰的代码结构和版本控制的辅助下，生产力获得了显著提升。因此，依赖人脑的模式必然束缚AI软件开发的发展。即便有所谓的评估机制（evals）辅助检验，这些工具也往往过于零散，测试要求分散在成百上千的用例中，使得版本管理和更新变得极为繁杂且难以跟进。面对这种情况，越来越多的团队开始寻求新的解决方案，例如引入类似Synth这样的智能系统来协助管理AI组件及其交互逻辑。为了让这些工具发挥最大效能，它们必需依托一种清晰且持久的“真相来源”——也就是系统规范。
合理的抽象和规范的制定是一个逐步演化的过程，需要开发者们在实践中不断探索和完善。值得强调的是，任何一种抽象模式都无法做到完全无泄漏，难以完全覆盖系统中隐含的细节。因此，在可预见的未来，维护底层的命令式代码（如Python）仍然不可或缺。然而，卓越的工程团队会借助流程管理和工具支持，使得系统规范始终保持同步，并优先于代码本身。代码审核以及提示（prompt）的更新可以被自动转换为规范差异，违背规则的修改将被阻止，从而保障系统的整体一致性与稳定性。令人振奋的是，这种规范与实现之间的同步是双向的，而非单向。
一方面，新增需求能激发AI自动生成大量代码，Synth系统可推动对新提示和子代理的压力测试，配合若干新评估用例，从而确保软件功能符合规范。另一方面，模型的升级往往意味着代码的简化和优化，促使评估标准、规范文本和代码相互作用，持续调整，走向一种动态的平衡状态。这种状态远非传统意义上的编译过程，而是一种“均衡”机制，和值得研发者去探索和适应的范式。虽然声明式规范和保证等概念并不新鲜，软件工程历史上早已有之，但如今强大的智能辅助让这些规范与代码之间的写作和转换变得更为简便和高效。借助自动化工作流和Git提交钩子，我们能够实现更及时、更准确的规范同步，推动软件演进迈上新台阶。未来，规格工程有望成为管理AI软件复杂度的关键路径。
它通过以声明式方式表达系统级保证，结合智能代码生成与自动验证，既提升了开发者的生产效率，也极大降低了因隐含知识流失而引发的维护风险。团队协作得以更加透明和可扩展，软硬件的适配空间进一步扩大。综上所述，规格工程是在AI驱动软件开发时代进行的一场深刻变革，它不仅是对更优代码生成技术的投资，更是对软件复杂性管理的创新探索。开发者和管理者应当积极拥抱这种理念和工具，从而迎接未来软件发展的无限可能与挑战。
