作者：徐磊
原文地址： https://asdm.ai/blog/zh-cn/20260106/build-for-ai-with-asdm
徐磊
LEANSOFT 创始人、首席架构师，SmartIDE 开源项目创始人，敏捷精益社区 IDCF 创始人。拥有微软 MVP、华为云 MVP、Scrum Master、EXIN DevOps 认证讲师等资质。深耕 AI 赋能软件工程、敏捷精益商业创新咨询，以及 Vibe Coding、规约编程（SDD）等领域。2005 年至今，为电信、能源、制造、金融、电商等行业超 100 家头部企业提供服务，包括华为、农行、中国银行、博时基金、泰康保险、中石油、斯伦贝谢、京东和通用汽车等。
过去三年，AI 编码能力实现质的跃升：从生成单行代码，发展为可一次性生成多文件、上千行工程级代码。AI 已从满足情绪价值的玩具，升级为真正具备生产力的开发协作者。对专业开发者而言，这一跃迁的关键在于——大模型与 Agentic 引擎对工程级代码的理解与驾驭能力趋于成熟。这意味着：AI 编码工具已具备独立完成整个软件产品开发的基本能力。
AI作为初级开发者的现状
技能水平的类比
当前主流 AI 编码工具，能力相当于刚入行的初级开发者：初期仅掌握基础语法与语言概念，尚不具备项目级开发能力；只有在熟悉框架（如 Spring Boot、React.js）、工具链（VSCode、IDEA、Postman）及工程实践（调试、测试、打包、部署、监控）后，才能胜任团队协作开发任务。AI 当前正处于此阶段。
常见问题与挑战
这类初级开发者/AI虽可参与项目，但因缺乏经验与领域理解，常需资深工程师指导。即便如此，仍易出现以下典型问题：
- 重复造轮子，未复用现有组件
- 功能实现但存在严重安全或性能隐患
- A 功能交付导致 B 功能退化或失效
这些问题，正是多数开发者在使用 AI 编码时的真实痛点。
上下文的关键作用
上述现象表明，AI 尚处于“可赋能、需支撑”的成长期。培养人类初级开发者需要时间积累经验，而提升 AI 能力则可聚焦于一个核心杠杆：准确有效的上下文。
只要提供高质量上下文，AI 可瞬间切换至资深开发者角色，在特定任务中完成分析规划、编码实现、调试验证、测试发布全流程；反之，若上下文缺失、模糊或错误，再强大的大模型也将退回初级水平，频繁出错。
超级个体的崛起
行业已显现两极分化趋势：一部分开发者掌握 AI 编程范式，成为“超级个体”，单日交付量堪比他人数周工作；另一部分虽使用相同模型与工具，却长期陷入“修 Bug—重写—再修 Bug”的低效循环，甚至觉得手写更快。
新时代的技能要求
超级个体的出现，客观验证了 AI Coding 的生产力革命。尚未进阶的开发者，关键不在更换模型或工具，而在于掌握 AI 时代的全新核心能力：
- LLM 工作原理
- 提示词编写技能
- 上下文构建方法
- 为 AI 构建工具的能力
这些能力，直接决定开发者能否在未来持续立足。当他人以百倍速交付价值，仅掌握传统编码技能者将丧失基本竞争力。
替代你的不是 AI，而是那些掌握了 AI 技能的人。
ASDM 方法论的诞生
基于对 AI 编程演进的长期观察，以及在数十家企业 AI 转型实践中的经验沉淀，我提出 ASDM（AI First System Development Methodology）——AI 优先的系统研发方法论，旨在系统化提升开发者“驯服 AI”的能力，并推动企业将 AI 深度融入软件全生命周期。
两个基本假设
- 假设1：若 AI 编码速度可达人类数百倍，则解决代码生成准确性问题，即可实现百倍级软件产能跃升；
- 假设2：若 AI 承担主要价值产出，研发体系就应围绕 AI 构建工具，而非为人构建工具。
愿景
基于上述假设，未来软件生态将发生结构性变革：
- 人类开发者专注于为 AI 构建工具
- AI 使用这些工具，面向终端用户按需生成应用
- 所有工具与软件均以“AI 可操作”为设计前提
行业角色亦将重构：仅具基础编码能力的开发者将退出舞台；唯有深谙软件工程本质与 AI 运行机制者，才能成为新一代“软件生产流水线构建者”。未来开发者的职责，是定义规范、搭建管线、配置反馈机制，由 AI 驱动完成具体实现。
核心目标
为达成愿景，ASDM 聚焦解决两大根本问题：
- 问题1：如何让 AI 准确生成代码？
- 问题2：如何构建适配 AI 使用的工具？
如何让 AI 生成准确的代码？
模型训练的局限性
提升模型能力固然重要，但仅靠训练无法解决个性化场景问题。通识训练可打造更扎实的“初级开发者”，却无法替代其进入特定领域后的知识学习过程。
三个关键制约因素
- 泛化与最优解的矛盾：LLM 训练天然倾向泛化，追求特定场景最优解易引发过拟合，导致面对新问题时性能骤降；
- 数据量级问题：个性化场景样本稀缺，难以达到模型训练所需的数据规模；
- 算力与迭代周期：个性化场景变化快，模型训练周期长、成本高，成果极易失效。
解决方案
个性化问题无统一解法，必须放弃“依赖模型训练”的单一路径，转向上下文工程 + 提示词工程——即用最佳模型，搭配能应对不确定性场景的上下文设计与提示策略。
因此，准确生成代码的核心公式是：顶尖模型 × 高效上下文工程/提示词设计。
如何有效处理不确定性场景？
反认知的思路转变
传统提示词设计强调约束输出以求稳定，但软件工程的本质恰恰是高度不确定的创造过程。与其强行压制不确定性，不如主动利用它探索更优解。
软件工程的第一性原理
软件开发中没有绝对需求，只有待验证的假设。所有特性在实现并运行前，其正确性都无法 100% 确认。这源于软件的数字化本质：它被“制造”一次后即可零成本复制，过程不可逆、不可预演。
软件开发的不确定性特征
两名开发者实现同一功能，必然产出两份不同但均有效的代码；同一开发者两次实现，结果亦不相同。规格说明（spec）再详尽，也无法消除这种内在差异。这是软件工程的客观属性，非技术缺陷。
个人开发者 vs 企业开发者的差异
此特性也解释了为何 AI Coding 在个人场景高效，在企业场景难落地：
- 个人开发者以“解决问题”为目标，接受多种可行路径；
- 企业开发者需严格遵循既定架构与流程规范，强调“过程+结果”的双重正确性。
如同投石入海：个人只需石头落于百米外；企业则要求石头沿指定抛物线，精准命中百一米处漂浮水瓶。二者目标差异，本质是过程管理范式的不同，而非 AI 或人的能力问题。
代码正确性的本质
代码的“正确性”无法在编写前被完全定义；一旦可被 100% 定义，代码即已完成。这一根本限制，不因 LLM 多么强大而改变——它并非技术问题，而是软件第一性原理的体现。
自反馈系统：核心解决方案
PDCA 戴明环的应用
试图通过提示词强约束来确保代码“一次写对”，是违背软件本质的错误路径。真正有效的方式是构建自反馈系统——让 AI 在闭环中持续校准、逼近最优解。这正是爱德华·戴明提出的 PDCA 循环在 AI 编程中的落地：
- Plan（计划）：AI 根据需求生成方案
- Do（执行）：AI 编写代码并提交
- Check（检查）：通过编译、测试等工具验证结果
- Act（改进）：依据反馈调整代码，进入下一轮循环
内循环与外循环
传统开发中存在嵌套反馈层级：
- 内循环（Inner Cycle）：编码 → 编译/调试 → 修改
- 外循环（Outer Cycle）：单元测试 → 集成/功能测试 → 生产部署
AI 的价值不在于改变流程，而在于加速每一级循环——前提是赋予 AI 自主调用工具的能力：自动编译、自动运行测试、自动解析日志、自动修正代码。
AI 时代的加速循环
当 AI 具备工具调用能力，即可打通 inner + outer cycle，实现从需求输入到上线交付的端到端闭环。此时，“spec”不再指用户需求文档，而是指各环节自反馈机制的定义——即SDD（Spec Driven Development，规约编程）的核心内涵。
Agentic Coding 的演进
过去三年，Function Call、Tool Use、MCP、Skills 等技术持续演进，其底层共性目标高度一致：提升 AI 调用外部工具的能力，从而构建更完备的自反馈系统。这正是 Agentic Coding 成熟的标志。
结论
让 AI 准确生成代码的根本解法，是建立自反馈系统。这也是 ASDM 方法论的核心思想。
由此，我们必须彻底转变研发体系构建逻辑：从为人构建系统，转向为 AI 构建系统。
未来的 5–10 年，我们将为 AI 构建世界——而世界本身，就是一个巨大的、动态演化的自反馈系统。