吴恩达谈“Spec 驱动开发”：AI 编程时代，真正值钱的不是会写代码，而是会把需求写清楚

你可能也有过这种挫败感：

第一次让 AI 写个小工具，它看起来很聪明；第二次你说“再改一下”，它开始东一榔头西一棒子；第三次你补一句需求，前面能用的部分又被它改坏了。

很多人会把问题归结为一句话：模型还不够强。

但最近吴恩达推出的一门新课，恰恰把焦点拉回了另一个更关键的问题：不是 AI 不会写，而是你没把要什么说清楚。 这门课讨论的核心，是一种老概念在新环境下的重新爆发——Spec-driven development，也就是“规格驱动开发”。

这篇文章不准备停留在“课程新闻搬运”。更重要的是，我们想把这件事翻译成普通用户能立刻上手的方法：在 AI 编程时代，谁更会写规格，谁就更容易得到可用结果。

AI 正在把“写代码”这件事，逐渐变成“先定义清楚问题”。

---

这门新课为什么值得关注：不是新术语，却在 AI 时代突然变重要了

“Spec 驱动开发”并不是今天才出现的概念。传统软件开发里，需求说明、接口定义、测试标准，本来就是项目成功的底盘。只是过去这些东西往往属于产品经理、架构师和工程团队的分工地带，普通用户很少直接碰到。

但 AI 编程出现后，情况变了。

以前你想做一个小工具，必须自己写代码，或者找程序员；现在你只需要打开 Claude Sonnet 4.6、Claude Opus 4.6、Gemini 3.1 Pro，或者配合 Cursor 这类工具，就能让 AI 直接产出页面、脚本、接口甚至数据库结构。开发门槛被拉低了，需求表达能力却被放大了。

吴恩达这门新课之所以值得关注，不是因为它发明了什么新词，而是因为它点中了当下 AI 编程最普遍、也最容易被忽视的痛点：

• 不是所有失败都来自模型能力不足
• 很多“效果不稳定”，本质上是需求输入不稳定
• 不是 prompt 要写得更花，而是规格要写得更清楚

从趋势数据看，这件事也不是小圈子的自嗨。

根据 Stack Overflow 2024 Developer Survey，超过七成开发者已经在使用或计划使用 AI 工具参与开发工作。而 GitHub 此前关于 AI 编程助手的研究也指出，AI 能显著提升编码效率，但前提是任务边界清晰、上下文完整。说白了，AI 越融入开发流程，“需求描述质量”就越像新的生产力杠杆。

所以，这门课真正值得普通人关注的，不是“又多了一门课程”，而是它释放了一个强烈信号：

---

什么是“Spec 驱动开发”：把模糊想法变成可执行说明

很多人一听 spec，脑子里会浮现一本文档、几十页流程图，瞬间就想关掉页面。

其实没那么复杂。

在 AI 编程语境里，spec 可以简单理解为：一份足够清楚、足够具体、让 AI 可以照着做的需求说明。

它通常至少包含这些元素：

如果你对 AI 说：

“帮我做一个记账网页。”

这不是 spec，这是愿望。

如果你对 AI 说：

“做一个给个人用户使用的记账网页，包含收入/支出录入、按月份筛选、按分类统计、CSV 导出；采用本地浏览器存储；页面分为录入区、明细区、统计区；移动端优先；当金额为空或不是数字时提示错误；验收标准是新增、删除、筛选、导出都能在本地完成，不依赖后端。”

这才更接近 spec。

普通 prompt vs Spec 化需求说明

下面这个对比，最能说明问题：

#### 错误示范

帮我写一个漂亮的记账网页，要简单好用。

#### 优化后

请开发一个个人记账网页，面向非财务专业用户。

目标：
让用户在 30 秒内完成一笔收入或支出记录

核心功能：
新增收入/支出
按日期、分类筛选
查看本月收支汇总
导出 CSV
删除单条记录

页面结构：
顶部：月度汇总卡片
中部：录入表单
底部：账单列表和筛选区域

技术约束：
使用 HTML/CSS/JavaScript
不接后端
数据保存在 localStorage
不引入大型 UI 框架

不要做什么：
不要登录注册
不要多用户系统
不要复杂图表库

异常处理：
金额为空时报错
日期为空时默认当天
分类为空时默认“其他”

验收标准：
新增记录后刷新页面不丢失
按月份筛选结果正确
导出 CSV 文件可直接用 Excel 打开

区别不在字数，而在可执行性。

它和 PRD、技术方案、测试用例是什么关系？

你可以把 spec 理解成三者之间的“轻量交集”：

• 比 PRD 更短，不追求面面俱到
• 比技术方案更偏结果，不要求写到架构评审级别
• 比测试用例更早出现，先定义“什么叫完成”

所以它特别适合 AI 协作：既不重到写不动，又不轻到 AI 无从下手。

---

吴恩达这套思路，对普通人最有价值的启发是什么

真正有价值的，从来不是课程里的名词，而是你今天能不能拿来用。

如果把这套思路浓缩成对普通中国 AI 用户最实用的三句话，我会总结成下面这三点。

1. 别再只写一句话需求

很多人用 AI 编程时，习惯把它当“自动许愿机”：

• 帮我做个官网
• 帮我写个爬虫
• 帮我做个后台
• 帮我优化这个页面

问题是，这些话对人类都不够清楚，更别说对模型。

AI 在这种场景下通常会默认补全一堆你没说出口的假设。于是它第一次给的结果看似完整，实际却偏题：功能不对、技术不对、边界不对、风格不对。

2. 把“验收标准”写出来

这是最容易被忽略、但最能立竿见影的一步。

很多人和 AI 来回改 10 轮，根本原因是没有提前定义“怎样算改好了”。如果没有验收标准，每一次修改都只是情绪表达：

• 看起来不太对
• 再简洁一点
• 更像产品一点
• 更高级一点

这种词非常主观，AI 很难稳定执行。

相反，如果你写成：

• 表单提交后数据必须保存在本地
• 移动端宽度 390px 下不能横向滚动
• 抓取失败后最多重试 3 次
• 接口超时后要写日志并跳过当前任务

AI 的执行空间就小很多，结果自然更稳。

3. 把“不想要什么”也写进去

很多返工，其实不是因为 AI 没做，而是因为它做多了。

比如你只是想要一个个人用的小工具，它却给你加了用户登录、后台权限、复杂数据库设计；你只想做个简单爬虫，它却默认接入完整任务调度系统。

所以写 spec 时，有一项特别重要：明确排除项。

比如：

• 不要登录注册
• 不要后端服务
• 不要云存储
• 不要复杂动画
• 不要引入大型依赖
• 不考虑多语言和国际化

这一步很像装修时提前说“这个墙别拆”。你不说，施工的人就会按自己的经验发挥；你说了，返工成本会低很多。

---

两个案例看懂：Spec 为什么能显著减少跑偏和返工

案例 A：小白做记账网页

模糊需求版

帮我做一个记账网页。

常见结果是：

• UI 看上去还行，但没有筛选
• 数据只存在内存里，刷新就没了
• 默认做成英文界面
• 没有导出功能
• 手机端布局错乱
• 甚至顺手给你加了登录模块

这类结果最大的问题不是“不能用”，而是离真正可用总差一口气。你会进入无休止补丁模式。

Spec 化版本

# 项目目标
做一个个人记账网页，适合中国用户日常记录收支。

用户是谁
不懂财务、主要在手机上使用的个人用户。

要解决什么问题
快速记录每日收支，并按月份查看统计。

功能清单
新增收入/支出
分类选择：餐饮、交通、购物、房租、工资、其他
按月份筛选
显示月收入、月支出、月结余
删除记录
导出 CSV

输入/输出示例
输入：2025-08-20，支出，餐饮，35 元，备注“午饭”
输出：账单列表新增一条记录，并更新当月统计

技术栈要求
HTML/CSS/JavaScript
本地 localStorage 存储
不使用后端

不要做什么
不要登录注册
不要多用户
不要联网同步
不要复杂图表

验收标准
刷新页面数据不丢失
月份筛选正确
导出文件可在 Excel 中打开
在手机屏幕下可正常使用

这时 AI 给出的结果通常会更接近“半成品产品”，而不是“课堂作业”。

案例 B：进阶用户写爬虫

模糊需求版

帮我写一个 Python 爬虫并保存到数据库。

看起来没问题，实际上信息黑洞很多：

• 爬哪个站？
• 静态还是动态页面？
• 抓列表页还是详情页？
• 多久抓一次？
• 如何去重？
• 数据库表结构是什么？
• 报错怎么处理？
• 失败要不要重试？

于是 AI 往往会生成一个“能跑一下”的脚本，但离稳定使用差得很远。

Spec 化版本

# 项目目标
抓取某资讯站的文章标题、发布时间、正文链接，并保存到 MySQL。

目标页面
仅抓取栏目列表页前 5 页
每篇文章提取：title、url、publish_time、summary

抓取规则
每天执行 2 次
已抓取过的 url 不重复入库
遇到 429 或超时，最多重试 3 次
请求间隔随机 1-3 秒

数据库要求
表名：articles
字段：
id
title
url（唯一索引）
publish_time
summary
crawled_at

日志要求
成功抓取数量
失败 URL
重试次数
最终错误原因

不要做什么
不使用分布式框架
不接消息队列
不做复杂调度系统

验收标准
重复 url 不重复写入
抓取失败有日志
数据库字段完整
脚本可单独运行，配置项可修改

这种写法的价值，不只是“更像专业开发”，更重要的是它能明显减少两类成本：

1. Bug 成本：很多错误在编码前就被框住了

2. 沟通成本：你不用每轮都重新解释一次自己到底要什么

---

普通人怎么写出更像“Spec”的 AI 编程需求

最实用的方法，不是追求一次写完，而是采用两阶段流程：

1. 先让 AI 帮你补全 spec

2. 再让 AI 按 spec 开发

这招非常像“先让 AI 当产品经理，再让 AI 当程序员”。

一份可直接复制的需求模板

# 项目目标
用户是谁
要解决什么问题
功能清单
输入/输出示例
技术栈要求
UI/交互要求
错误处理
不要做什么
验收标准

双阶段提示词示例

#### 阶段一：补全 spec

我想做一个 AI 编程项目，但我的想法还比较模糊。请你先不要写代码，而是先充当产品经理，基于我的描述帮我补全一份结构化 spec。

要求你按以下字段输出：
项目目标、目标用户、使用场景、核心功能、输入输出示例、技术约束、不要做什么、异常处理、验收标准。

如果信息不完整，请先列出你需要我补充的关键问题，再给出一个建议版 spec 草稿。

#### 阶段二：按 spec 开发

现在请你基于下面这份已确认的 spec 开发第一版代码。

要求：
1. 严格按照 spec 实现，不要自行新增功能
2. 先给出项目文件结构
3. 再分步骤输出核心代码
4. 每完成一个模块，说明它对应了哪条验收标准
5. 如果 spec 有冲突，先指出问题，不要擅自猜测

一个非常关键的小技巧：先确认，再开工

很多人最容易犯的错，是把“需求讨论”和“直接开发”混在一个回合里。结果就是 AI 一边猜、一边做，做着做着就跑偏。

更高效的方式是：

• 第一轮：只讨论需求
• 第二轮：只确认结构
• 第三轮：再生成代码
• 第四轮：按验收标准测试和修复

这时候你会明显感觉到，AI 不再像一个爱发挥的实习生，而更像一个按图施工的工程执行者。

---

从“会提问”到“会写规格”，AI 编程的门槛正在重新定义

过去两年，大家都在讲 prompt engineering。这当然重要，但今天更值得重视的，是另一件事：需求工程正在平民化。

以前，软件开发的权力掌握在能写代码的人手里；现在，AI 把“动手实现”这一步大幅自动化了，于是新的门槛变成了：你能不能清楚定义任务。

这不是在说程序员会被取代。恰恰相反，专业开发者依然重要，尤其是在复杂系统、架构设计、性能优化和工程治理上。但对普通人来说，变化已经足够大：

• 你不一定要先学会写代码
• 但你必须学会把需求写清楚
• 你不一定要会设计系统
• 但你要知道什么是目标、约束、边界和验收

这就是“Spec 驱动开发”真正迷人的地方：它不是让非程序员假装成程序员，而是让更多人第一次拥有了“指挥软件开发”的能力。

如果你想马上拿这套方法实测，一个很实用的做法是：在多模型环境里对比同一份 spec 的执行效果。像 api.884819.xyz 这样的聚合接口平台，就更适合做这种横向测试：同一份需求说明，切换 Claude Sonnet 4.6、Claude Opus 4.6、Gemini 3.1 Pro、Deepseek R1/V3、通义千问 Qwen3、Kimi K2.5、GLM-5，看谁更稳定、谁更“听话”。

而且对普通用户很友好：

• 用户名 + 密码即可注册，不需要邮箱验证
• 平台内置 AI 对话功能，注册后直接能用
• 国产模型完全免费
• 没有月租、没有订阅，按量付费
• 新用户注册即送体验token。

真正开始写 spec 之后，你很快会发现：模型能力当然重要，但清晰表达需求的能力，正在变成更稀缺的竞争力。

AI 正在把软件开发从“手写代码”变成“定义规格”，而这很可能就是普通人第一次接近开发权力的入口。

下一篇，我们就接着聊一个更落地的问题：不会写 PRD 也没关系，普通人怎么用一页纸 Spec 让 AI 做出可用小程序。

#AI编程 #Spec驱动开发 #吴恩达 #人工智能 #8848AI #Prompt技巧 #需求工程 #Claude