企业如何建立 AI Native Software EngineeringAI 原生软件工程目标帮助技术管理者与架构师系统掌握 AI Native 软件工程的六大体系Spec/Context/Rules/Skill/Agent/Observability理解岗位冲击与转型方向获得可落地的企业转型路线图与全套可复用模板。目标受众技术管理者CTO/技术VP/研发总监与架构师关注AI Native 工程体系的战略规划、组织结构变革、岗位冲击应对、可落地转型路线图。课程介绍这是一门面向技术管理者与架构师的AI Native软件工程体系化课程系统讲解从传统软件工程到AI Native软件工程的范式迁移、六大工程体系Spec/Context/Rules/Skill/Agent/Observability的构建方法、岗位冲击应对策略以及可落地的四阶段企业转型路线图。课程基于2026年行业最新实践Augment Code调研、Anthropic Agent实践、Cursor官方文档、Spec Native/SpecDD方法论提供30个可复用模板和实战案例帮助企业在12个月内完成AI Native工程体系建设实现Context Fluency从L1到L4的跨越。课程覆盖完整技术栈Context Engineering核心方法论、Spec First规范驱动开发、Cursor Rules与CLAUDE.md最佳实践、Skill生命周期治理、多Agent协作模式、MCP协议应用、AI Review管线设计、可观测性体系建设。内容特色特色说明六大工程体系完整覆盖Spec体系模块化设计/SpecDD方法论、Context体系五大组件/外显化、Rules体系三层架构/Cursor Rules、Skill体系生命周期/注册中心、Agent体系多Agent协作/MCP协议、Observability体系可观测性/Review管线每个体系配套4章深度讲解四阶段落地路线图阶段1Rules体系1-2月→阶段2Spec体系3-4月→阶段3Skill/Agent体系5-8月→阶段4Review/Observability体系9-12月每阶段有明确成功标准和关键指标岗位冲击全景分析7大岗位后端/前端/测试/架构师/项目经理/运维/技术负责人的冲击矩阵和转型路径3个新岗位AI架构师/AI Platform Engineer/Context Engineer的职责和能力模型30个可复用模板包括传统vs AI Native成熟度自评表、四大共识自检清单、岗位冲击评估矩阵、Spec五类文件模板、Context五大组件模板、Rules三层架构模板、Skill JD模板、Agent编排配置模板等2026年行业数据支撑Augment Code调研48%代码AI生成、54%领导者担忧、63%技能焦虑、Anthropic Agent实践、Cursor官方定义、Superlinear组织形态理论等最新行业洞察第一部分范式迁移第1章范式迁移——从传统软件工程到AI Native核心内容传统开发 vs AI Native 开发的8维本质变化代码核心→Context核心、PRD驱动→Spec驱动、人脑记忆→Context持久化、开发语言重要→Context结构重要、架构师设计系统→Rules约束Agent、Jira管理任务→AI Task Graph、人Review代码→AI ReviewHuman Review、人写代码→AI生成代码AI Native 的三个层次辨析层次1多几个markdown文件→层次2AI辅助编码→层次3AI主开发人做治理为什么 Prompt/模型/IDE 都不是核心Context Engineering 才是——来自Anthropic/Cursor/Spec Native/SemaCode的统一方向2026年行业现状数据48%代码AI生成Augment Code调研、54%领导者担忧代码理解力、219位工程领袖的五大矛盾、63%工程师技能焦虑范式迁移的本质从人写代码到人定义规则AI生成代码第2章四大行业共识——AI Native的认知基础设施核心内容共识1Spec First——Spec从文档升级为系统本身来源Spec Native/SpecDD证据Kiro/spec-kit/Tessl三大工具共识2Rules是AI的操作系统——Persistent Context本质来源Cursor官方文档证据RulesPersistent Context的官方定义共识3AI最大问题不是智商而是失忆——Agent Memory五种关键机制来源Anthropic Agent实践证据Progress File/Feature JSON/Git State/Context Snapshot/Structured Memory共识4开发者核心能力变为Context Fluency来源MIT/arXiv研究证据“能否把人类隐性知识结构化给AI”每个共识的完整证据链与实践含义第二部分岗位冲击与变革第3章AI Native对现有岗位的冲击全景核心内容冲击本质执行成本趋近于零后组织必须重写引用Superlinear理论按岗位类别的冲击分析矩阵7岗位×8维度后端开发者CRUD类工作被Skill替代核心转向API设计数据建模前端开发者页面生成自动化核心转向交互设计组件架构测试工程师用例生成自动化核心转向质量策略测试架构架构师设计文档被Spec替代核心转向Rules治理Agent编排项目经理任务跟踪被Task Graph替代核心转向Context Assembly运维工程师部署自动化核心转向MCP治理可观测性技术负责人Code Review被AI Review增强核心转向意图验证63%工程师技能焦虑的根源角色定义变了但组织没变Anthropic趋势报告发现AI让工程师变得更全栈第4章每个岗位的人员需要如何转变——具体行动指南核心内容后端开发者的转变路径从写CRUD到编排 generate-crud / generate-ddd / create-api Skill新增能力Spec编写、Context构建、Rule定义日工作流对比转型前70%写代码20%调试10%会议 → 转型后30%Spec25%Context20%编排15%Review10%会议前端开发者的转变路径从写页面到编排 create-react-page / create-table-page / generate-form Skill新增能力交互Spec定义、组件Context维护日工作流对比测试工程师的转变路径从写用例到编排 generate-e2e / api-test Skill 质量策略制定新增能力AI测试审查、Spec验收标准编写架构师的转变路径从画架构图到设计Rules体系 Spec架构 Agent协作协议新增能力Rules治理、Agent编排、Context架构设计项目经理的转变路径从Jira管理到Context Assembly Task Graph编排新增能力Context组装、AI任务分解技术负责人的转变路径从Code Review到Intent Review AI Review管线治理新增能力AI输出验证、三层技术债管理运维工程师的转变路径从写部署脚本到MCP治理 可观测性体系构建新增能力MCP Server设计、AI行为监控第5章新增的三个关键岗位——AI架构师、AI Platform Engineer、Context Engineer核心内容AI架构师AI Architect职责范围Agent治理/Rules治理/Context治理/Prompt治理/MCP治理为什么这是未来核心岗位——5大治理缺一不可能力模型传统架构能力AI工程能力治理思维与传统架构师的区别4维对比表AI Platform Engineer职责范围MCP/Model Gateway/Prompt Router/Context Memory/Agent Runtime平台工程在AI Native中的全新定位——“AI的基础设施工程师”技术栈要求MCP协议、模型路由、上下文存储、Agent运行时Context Engineer新职业职责把隐性知识结构化——未来最稀缺岗位为什么会成为一个独立职业类比DBA从开发者中独立出来的历史日常工作内容与产出物6类Context文件维护、Context质量评估、Context版本管理Context Fluency的评估标准4级模型第6章组织结构变革——从人开发AI辅助到AI主开发人做治理核心内容组织变革的本质执行成本下降→组织必须重写AI Native团队的四层新型组织结构治理层AI架构师 技术负责人编排层Context Engineer Spec Engineer执行层AI Agent Skill编排开发者保障层AI Platform Engineer Observability Engineer团队规模变化5人团队→2人编排AI实际案例协作模式变化从每日站会到Context同步绩效考核变化从代码量到Spec质量/Rule覆盖度/Skill复用率/Context质量评分招聘标准变化41%优先评估AI代码审查能力、35%优先Agent编排能力、34%优先系统思维第三部分Spec Engineering第7章Spec First——Spec从文档到系统的范式升级核心内容Spec不是PRD不是README是AI唯一可信源Single Source of Truth传统Spec vs AI Native Spec的本质区别5维对比表受众/目的/粒度/格式/生命周期Spec Native / SpecDD 核心理念Spec是系统本身不是开发参考为什么Spec必须是AI生成的依据而不是人的阅读材料Spec与代码的关系反转从代码实现Spec到Spec生成代码Spec First的实践原则先写Spec再写代码→AI先读Spec再生成代码第8章Spec模块化设计——对抗Token爆炸的结构化方案核心内容为什么一个10000行PRD会导致Token爆炸/上下文污染/Agent失忆——三种失败模式详解Spec模块化拆分原则按功能域分离 按关注点分离正确的Spec目录结构详解specs/ └── auth/ ├── auth.spec.md # 功能规范做什么 ├── auth.api.md # API契约怎么调用 ├── auth.states.md # 状态机定义状态流转 ├── auth.acceptance.md # 验收标准怎么验证 └── auth.edge-cases.md # 边界场景异常处理每个文件的职责、编写规范、与AI交互方式Spec粒度控制太粗→Token浪费太细→维护成本高粒度评估矩阵Spec版本管理与变更追踪Spec变更→AI重新生成→Review验证第9章SpecDD方法论与工具链核心内容SpecDD完整方法论从需求到可执行合约的5步流程四大SDD工具深度对比6维对比表Amazon Kiro三阶段工作流需求→设计→实现适合绿地项目GitHub Spec Kit四阶段Specify→Plan→Tasks→Implementagent无关BMad Method多Agent框架19Agent最全面但最复杂AI Unified ProcessAIUP棕地友好、技术栈特定插件、迭代式企业选型建议绿地用Kiro/Spec Kit棕地用AIUP大规模用BMadSpec与Task Graph的关系Spec→AI Task Graph→Skill SelectionSpec的测试化从验收标准到自动化测试用例Spec在企业CI/CD中的集成方式第10章Spec Engineering实战案例集核心内容案例1金融支付模块——高安全场景的Spec设计安全Spec、合规Spec、审计Spec的拆分方法边界场景Spec如何防止AI生成安全漏洞完整5个Spec文件内容展示案例2社交Feed模块——高并发场景的Spec设计性能Spec、缓存Spec、降级Spec的拆分方法状态机Spec如何指导AI生成正确的并发逻辑完整5个Spec文件内容展示案例3企业管理后台——CRUD场景的Spec设计标准CRUD Spec模板化方法如何用Spec驱动 generate-crud Skill自动生成完整Spec文件内容展示Skill联动示例三个案例的Spec文件完整内容展示可直接复用第四部分Context Engineering第11章Context ≠ Prompt——Context Engineering的核心概念核心内容Context vs Prompt——最大误区辨析3维对比表Context Engineering是Prompt Engineering的自然进化Prompt Engineering如何写好指令静态、单次Context Engineering如何策划最优Token集合动态、持续Context的完整定义LLM推理时可用的全部Token集合Context与信息论有限Token下的信息优化问题为什么Context Engineering是AI Native的核心命脉——来自Anthropic的官方定位Context Engineering与软件工程中内存管理的类比有限资源→必须管理→优化策略第12章Context窗口的约束与优化——注意力预算、Context Rot与Token治理核心内容上下文窗口的本质约束注意力预算每个Token都在消耗AI的注意力类比人类工作记忆n²关系Token间两两关系的计算复杂度Context Rot随Token增加模型精确回忆能力下降Needle-in-a-Haystack实验性能梯度不是硬悬崖而是渐变退化Token治理策略最小充分集原则找到最小的高信号Token集合Token预算分配System Prompt 20% / Tools 15% / Examples 10% / History 40% / MCP 15%参考配比上下文修剪何时丢弃旧信息、如何保留关键信息Context Explosion问题及解决方案MCP RAG Context Search按需检索而非全量加载上下文分层核心层/扩展层/存档层上下文压缩摘要、引用、指针第13章Context五大组件与检索策略核心内容组件1System Prompt——结构与精简原则分段组织background/instructions/tool guidance/output descriptionXML标记与Markdown头部从最小Prompt开始测试的方法论组件2Tools——工具设计的Token效率最小可行工具集原则如果人类工程师也无法确定用哪个工具AI更无法确定工具间功能去重叠输入参数的描述性设计组件3ExamplesFew-shot——多样性胜过数量典型示例 vs 边缘示例的选择策略一千字的图片原则示例比规则更有效精选多样性示例集 vs 大量边缘案例罗列组件4Message History——上下文修剪与摘要何时摘要、何时丢弃、何时保留原文Anthropic的compaction机制组件5MCPModel Context Protocol——即时检索预检索Pre-inferencevs Just-in-Time检索MCP在Context工程中的角色Context检索策略三阶段嵌入检索→Agent自主检索→混合检索第14章Context外显化与持久化——从人脑记忆到Context体系核心内容Context外显化开发人员脑子里的知识必须外显给AI以前人知道系统怎么设计/为什么这样设计/哪些不能碰现在必须把这些知识写成Context文件正确的Context目录结构详解.ai/contexts/ ├── business.context.md # 业务知识业务规则、流程、约束 ├── architecture.context.md # 架构决策技术选型、分层、模式 ├── coding.context.md # 编码规范风格、命名、错误处理 ├── testing.context.md # 测试策略覆盖率、类型、工具 ├── domain.context.md # 领域知识术语、概念、关系 └── security.context.md # 安全约束认证、授权、数据保护每个Context文件的职责、编写规范、触发时机Context持久化五机制Anthropic实践Progress FileAgent进度日志Feature JSON功能清单与状态Git State代码变更追踪Context Snapshot上下文快照Structured Memory结构化记忆Context更新策略何时刷新、何时追加、何时重建Anthropic Agent Memory工具创建/读取/更新/删除记忆文件第15章Context Engineering实战案例集核心内容案例1微服务项目的Context体系构建6类Context文件完整内容展示不同Agent如何按需加载不同ContextContext与Spec/Rules的联动方式案例2遗留系统改造的Context外显化从零开始构建Context的渐进式方法3步法如何处理老人离职、知识断层的Context重建Context文件从粗糙到精细的迭代过程案例3多Agent协作中的Context传递Agent间Context共享与隔离策略Progress File的格式与内容示例MCP在多Agent Context传递中的应用三个案例的Context文件完整内容展示第五部分Rule Engineering第16章Rules的本质——Persistent Context与规则体系核心内容Rules的本质Persistent Context持久化系统提示词——Cursor官方定义Rules与普通Prompt的区别4维对比持续性/结构化/可组合性/可审计性企业核心资产的重定义代码 Rules Skills Contexts AgentsRules与代码规范的关系规范是给人看的Rules是给AI看的规范“使用RESTful API设计”人理解Rule“所有API必须遵循RESTful设计资源名用名词复数、用HTTP方法表示操作、返回标准状态码”AI可执行Rules的覆盖范围安全/编码/前端/数据库/API/架构/Git每个领域需要什么样的Rules7领域×3个示例Rule第17章Rules三层架构与优先级机制核心内容Rule三层架构详解Global Rules公司级安全规则、Java编码规范、前端规范、Git规范目录.ai/rules/global/示例security.rules.md、java.rules.mdProject Rules项目级微服务规范、DDD规范目录.ai/rules/project/示例microservice.rules.md、ddd.rules.mdModule Rules模块级订单领域规范、支付规范目录.ai/rules/modules/order/示例order-domain.rules.md、payment.rules.md优先级机制Global Project Module TaskRule冲突场景与解决策略场景1Global要求RESTful但Module需要RPC场景2Project要求DDD分层但Module需要简化解决流程检测→评估→解决→验证Rule冲突检测工具与自动化方案Rules版本治理语义化版本、变更审核流程第18章Cursor Rules与Claude Code CLAUDE.md深度解析核心内容Cursor Rules架构深度解析三级规则Global/User/Project触发模式always / auto / specific file glob.cursorrulesvs.cursor/rules/目录结构最佳实践精简编写、避免冗余、组织方式Claude Code CLAUDE.md最佳实践结构化组织方式分段背景/规则/偏好/工具项目CLAUDE.md与子目录CLAUDE.md的配合CLAUDE.md与Memory文件的联动两者对比与选择策略何时用Cursor Rules、何时用CLAUDE.md代码规范→Rules的映射方法编码规范→Rules命名规则、编码风格、错误处理架构规范→Rules分层规则、依赖方向、设计模式日志规范→Rules日志级别、格式、关键信息Rules编写实践如何让AI真正遵循RulesRules版本治理与团队协作流程第19章Rule Engineering实战案例集核心内容案例1Java后端项目的Rules体系构建Global RulesJava编码规范/异常处理/日志规范完整内容展示Project RulesSpring Boot/MyBatis规范完整内容展示Module Rules订单模块/支付模块规范完整内容展示Rules如何在IDE中生效Cursor/Claude Code配置案例2React前端项目的Rules体系构建Global RulesTypeScript规范/组件规范/CSS规范完整内容展示Project RulesReact Hooks/状态管理规范完整内容展示Module Rules表单模块/列表模块规范完整内容展示案例3全栈项目的Rules跨栈协调前后端API Rules如何保持一致如何防止AI生成不符合规范的代码Rules与CI/CD的集成提交时自动检查三个案例的Rules文件完整内容展示第六部分Skill Agent Engineering第20章Skill ≠ Prompt——可复用开发能力核心内容Skill与Prompt的本质区别4维对比可复用/可组合/可治理/可审计Skill Economy时代的到来与风险Skill将像npm包一样爆发供应链风险恶意Skill、质量失控、版本混乱Skill正确目录结构详解.ai/skills/ ├── frontend/ │ ├── create-react-page/ │ │ ├── SKILL.md # 主指令触发时加载 │ │ ├── templates/ # 模板文件 │ │ └── examples/ # 示例文件 │ ├── create-table-page/ │ ├── generate-form/ │ └── refactor-component/ ├── backend/ │ ├── generate-crud/ │ ├── generate-ddd/ │ └── create-api/ └── testing/ ├── generate-e2e/ └── api-test/Skill的组成要素SKILL.md 模板 脚本 配置Skill的触发机制与上下文加载策略开发人员从写代码到编排Skill的转变第21章Skill生命周期与治理体系核心内容Skill生命周期完整流程详解创建需求分析→SKILL.md编写→模板设计→测试验证注册提交到Skill Registry→元数据登记→分类索引触发关键词匹配→上下文加载→执行调试输出检查→Prompt调整→模板优化性能优化Token消耗分析→精简指令→压缩模板审计调用日志→安全审查→合规检查部署版本发布→灰度上线→全量推送Skill治理四件套详解Skill Registry注册中心的表结构与索引机制Skill Version语义化版本major.minor.patch与兼容性策略Skill Permission权限模型谁可以创建/使用/修改/删除Skill Audit调用审计日志与安全审查Skill供应链风险与防护AI-BOM八类Schema追踪Skill依赖恶意Skill识别语义逃逸攻击与防护社区Skill可信度评估GitHub Enterprise AI Controls的Skill治理实践第22章Agent Engineering——多Agent协作模式核心内容多Agent vs 单Agent何时需要多Agent3个判断标准Anthropic的正确Agent协作结构Initializer Agent → Planner Agent → Coding Agent → Review Agent → Testing Agent → Refactor Agent每个Agent角色的职责详解Initializer环境搭建、Feature List创建、初始Git提交Planner功能拆解、任务排序、依赖分析Coding Agent增量实现、进度记录、Git提交Review Agent代码审查、规范检查、安全扫描Testing Agent端到端测试、浏览器自动化、回归测试Refactor Agent代码优化、重构、性能改进Agent间输入/输出定义与交接机制Agent间协作的三种模式顺序执行/并行执行/路由调度Anthropic多Agent研究系统架构解析子Agent调度机制结果聚合方式Agent间上下文传递机制与Progress Memory第23章MCP协议与Agent间通信核心内容MCPModel Context Protocol协议详解MCP解决什么问题Agent间信息交换的标准化MCP的核心机制Server/Client/Transport三层架构MCP与Function Calling的区别3维对比MCP在Agent工程中的三层应用Agent间通信通过MCP共享ContextAgent与外部系统通过MCP访问数据库/API/文件Agent与工具通过MCP调用SkillMCP服务端设计如何为企业构建MCP Server数据库查询MCP ServerAPI调用MCP Server文件访问MCP ServerMCP安全与权限Allowlist机制、审计日志为什么Build for MCP意味着兼容所有AI工具Claude/Cursor/VS Code/未来工具第24章Skill Agent Engineering实战案例集核心内容案例1企业前端Skill库建设从0到10个前端Skill的完整SKILL.md内容create-react-page Skill完整示例SKILL.md模板配置create-table-page Skill完整示例generate-form Skill完整示例Skill间组合使用场景案例2企业后端Skill库建设generate-crud Skill完整示例SKILL.md模板配置generate-ddd Skill完整示例create-api Skill完整示例Skill与Spec/Rules的联动方式案例3多Agent协作的完整配置Initializer Agent的Prompt与Feature List格式Coding Agent的Prompt与Progress File格式Review Agent的Prompt与审查清单Agent间Context传递的完整流程三个案例的SKILL.md、Agent配置文件、Progress File完整内容展示第七部分AI Review Observability第25章AI Review——治理比生成更重要核心内容为什么AI时代Review比生成更重要生成已很容易但质量无法保证多层Review管线详解AI Generate → AI Code Review → AI Security Review → AI Architecture Review → Human Approve每层Review的职责、检查项、工具AI Code Review代码质量、规范遵循、最佳实践AI Security Review安全漏洞、数据泄露、权限问题AI Architecture Review架构一致性、性能影响、可维护性三层技术债详解Technical DebtAI生成代码的质量债冗余/重复/不一致Cognitive Debt团队对代码理解力的债54%领导者担忧Intent DebtSpec与实现之间的意图偏差债Review自动化与人工审核的边界划分AI Code Review的CI/CD集成方式第26章Observability——可观测性体系核心内容Observability三大问题AI做了什么/为什么这样做/效果如何Telemetry设计6类指标Agent行为追踪任务执行路径、决策节点、回退次数Skill调用统计调用频次、成功率、Token消耗Context使用分析加载量、命中率、冗余度Token消耗监控总量、分布、趋势Review结果统计通过率、常见问题、修复时间开发效率指标需求到上线时间、AI生成占比、人工修改率可观测性数据采集架构日志/指标/追踪三位一体Observability与AI Review的联动基于Observability数据的Rule/Skill优化企业级可观测性平台选型第27章Review与可观测性体系实战案例集核心内容案例1CI/CD管线中的AI Review集成PR自动触发Review的完整流程Review结果与人工审核的结合方式Review配置文件完整内容展示案例2企业级可观测性平台搭建从0搭建AI开发可观测性数据看板6类指标的采集配置与展示方式看板配置完整内容展示案例3基于Observability的Skill优化如何用可观测数据发现低效SkillSkill Token消耗优化实例优化前后对比基于数据的Skill精简与合并方法第八部分企业落地路线图第28章企业AI Native目录结构与全套模板核心内容完整的 .ai/ 目录结构详解.ai/ ├── agents/ # Agent配置6种Agent的Prompt与配置 ├── rules/ # Rules体系Global/Project/Module三层 │ ├── global/ │ ├── project/ │ └── modules/ ├── skills/ # Skill库frontend/backend/testing分类 │ ├── frontend/ │ ├── backend/ │ └── testing/ ├── contexts/ # Context文件6类Context ├── memory/ # Agent MemoryProgress File/Feature JSON ├── workflows/ # 工作流Spec→Task→Skill→Review ├── prompts/ # Prompt模板 ├── reviews/ # Review配置3层Review管线 └── telemetry/ # 可观测性6类指标配置配套目录详解specs/ # Spec文件按功能域组织 tasks/ # Task Graph decisions/ # 架构决策记录 knowledge/ # 领域知识库 architecture/ # 架构文档 src/ # 源代码每个目录下放什么、格式规范、命名规范全套可复用模板的索引与使用指南40个模板的总览表目录初始化脚本第29章四阶段落地路线图核心内容第一阶段1月——“让AI输出稳定”目标统一模板、稳定输出具体动作清单建立SPEC模板、RULE模板、TASK模板、AGENT模板交付物4套模板目录结构1个试点项目验收标准AI在试点项目中输出一致性80%关键决策点选择哪个项目作为试点风险评估团队抗拒、模板不适配第二阶段2月——“建立Skill库”目标从0到10个核心Skill具体动作清单前端3个后端3个测试2个通用2个交付物10个SkillSkill Registry使用文档验收标准Skill使用率50%关键决策点Skill优先级排序风险评估Skill质量不稳定第三阶段3月——“建立AI Review”目标AI Review管线上线具体动作清单Code ReviewSecurity ReviewArchitecture Review交付物Review管线可观测性看板验收标准AI Review覆盖率90%关键决策点Review自动化程度风险评估误报率过高第四阶段6月——“多Agent与Context Memory”目标多Agent协作Context持久化具体动作清单双Agent→多Agent、MCP Server、Context Memory交付物Agent配置MCP ServerMemory体系验收标准AI独立完成功能比例60%关键决策点Agent数量与职责划分风险评估Agent协作复杂度失控每阶段间的衔接与依赖关系阶段间的回滚策略第30章常见失败模式与反模式——别一开始就搞多Agent平台核心内容反模式1一开始搞多Agent平台100%失败表现直接上6-Agent全链路原因Agent间协作复杂度远超预期正确做法从双AgentInitializerCoding开始反模式2把Rules当文档写表现Rules写成给人看的技术文档原因Rules应该是AI可执行的指令不是说明文档正确做法Rules必须具体、可操作、可验证反模式3Spec一个万行PRD给AI表现把完整PRD直接塞给AI原因Token爆炸上下文污染Agent失忆正确做法模块化拆分为5类Spec文件反模式4Skill无治理任其失控表现任何人可以创建任何Skill无审核无版本原因Skill将像npm包一样失控正确做法建立Skill RegistryVersionPermissionAudit反模式5只关注生成不关注Review表现AI写完代码直接合入原因三层技术债技术/认知/意图快速累积正确做法建立多层Review管线反模式6Context全部塞入System Prompt表现所有Context写在一个超长System Prompt里原因Context Rot导致AI性能下降正确做法Context分层按需加载MCP检索反模式7组织没变但要求AI Native表现组织结构不变只换工具原因63%焦虑的根源——角色定义变了但组织没变正确做法同步进行组织变革成功企业的共同特征总结5个特征术语表术语定义AI Native Software EngineeringAI原生软件工程以Context为核心、AI为主开发的软件工程范式Context Engineering上下文工程在LLM推理时策划和维护最优Token集合的策略集Context Rot上下文腐烂随Token增加模型精确回忆信息能力下降的现象Context Fluency上下文流畅度能否将人类隐性知识结构化传递给AI的能力Attention Budget注意力预算每个Token在消耗AI的注意力的有限资源Token GovernanceToken治理对Token预算的分配、修剪、检索策略管理Spec / SpecDD规范驱动开发将Spec从需求文档升级为可执行合约的方法论Persistent Context持久化上下文Rules的本质——跨会话持续有效的系统提示词Skill Economy技能经济通过可复用Skill包驱动AI开发能力的生态Skill RegistrySkill注册中心Skill的索引、版本与元数据管理AI-BOMAI物料清单追踪AI系统供应链组件的八类SchemaProgress Memory进度记忆Agent跨上下文窗口保持状态的技术方案MCPModel Context Protocol模型上下文协议Agent间信息交换标准Technical Debt技术债AI生成代码的质量债务Cognitive Debt认知债团队对AI生成代码理解力的债务Intent Debt意图债Spec与AI实现之间的意图偏差债务Feature JSON功能清单Initializer Agent创建的功能列表与通过状态Context Snapshot上下文快照Agent会话结束时的状态持久化Rule Priority规则优先级GlobalProjectModuleTask的层级覆盖机制