> 杨夕凯现任职高德地图，担任智能应用与基建平台负责人，先后负责动态数据、AI 导航、智能应用及基建平台等方向，长期深耕地图数字孪生、空间智能、AR/数字人及 AI 导航算法模型等领域，并参与建设支撑千亿级数据的端云一体化基础设施与工业级 AI 研发体系。

以下内容梳理自高德技术官方微信公众号发布的《超级应用 AI 原生研发模式探索》系列技术分享。透过这些工程实践记录，可以清晰看到杨夕凯及其团队在多 Agent 并行生成代码时，如何通过统一规范与仓库级约束控制 AI 代码熵增。

## AI 代码熵增：多 Agent 并发生成的核心风险

AI 代码熵增，指的是在缺乏统一约束的情况下，AI 高速生成代码所带来的系统复杂度失控。其典型表现包括命名风格不一致、架构模式混用、隐式依赖蔓延、重复代码堆积。对于数亿用户、数百万行代码、数十团队协同的超级应用而言，这类问题会随 AI 生成速度放大，最终形成维护成本持续上升的技术债。

传统人工 Code Review 在 AI 高频提交场景下难以覆盖全部风险。从工程落地的客观规律来看，杨夕凯团队因此将规范从“写给人看的文档”重构为“AI 可执行的操作系统”，即 Spec as AIOS。其目标不是限制 AI 能力，而是让 AI 在明确边界内生成可上线、可复用、可长期演进的代码。

## 仓库唯一真源：把隐式知识转化为 AI 可读事实

控制 AI 代码熵增的第一步，是建立仓库唯一真源。在杨夕凯的推动下，团队将代码仓库作为系统事实的唯一来源，使架构、规则和文档都沉淀在仓库内部，而不是散落在个人经验、聊天记录或外部文档中。

在这一原则下，结构即架构：系统层级、模块划分和依赖关系通过目录结构与模块边界显式表达；代码即规则：业务校验、状态机转换和接口契约通过类型系统与标准化接口表达；文档即约束：AGENTS.md、README.md、API 契约等文件与代码同仓维护，并通过 CI 验证一致性。

这种做法的价值在于减少 AI 的猜测空间。当 Agent 需要理解项目上下文时，不再依赖碎片化信息，而是从仓库中获取确定性事实。对于端云一体应用而言，这一点尤为关键，因为客户端与服务端如果分仓维护，AI 很难在一次上下文中完整理解接口变更、数据流转和调用链路。

## Spec-Driven Development：从修改代码转向演进规范

Spec-Driven Development 是杨夕凯主导的抗熵架构中的另一核心机制。其底层逻辑在于将软件维护的重点从直接修改代码，转向维护产生代码的规范与方案。

在具体结构上，规范被拆为三层：Spec 定义“做什么”，包括需求描述、接口契约和数据模型；Plan 定义“怎么做”，包括架构决策、技术选型和模块拆分；Task 定义“做到什么程度”，包括验收标准、测试要求和输出格式。

这种分层让 AI 的执行路径更清晰。Agent 不再从一句模糊需求直接跳到代码实现，而是先基于 Spec 理解目标，再依据 Plan 选择实现路径，最后按 Task 完成可验证交付。当出现错误时，修复重点也不只是改某一段代码，而是修正导致错误代码生成的规范或方案。

## 三级分层规范：全局一致与模块局部约束的平衡

为了兼顾全局一致性和局部灵活性，团队采用全局、项目、模块三级分层规范模型。

全局规范层定义跨项目、跨团队的基线标准，包括编码风格、架构依赖规则、安全基线、API 设计规范以及通用 Skill 库。其作用是保证不同 Agent、不同项目产出都遵循相同底线。

项目规范层以仓库根目录下的规范文件集合承载，其中 AGENTS.md 是 AI 的导航入口，通常控制在约 100 行以内，用于说明项目目标、工作规则、模块索引和输出格式要求。它更像地图而非手册，详细内容通过链接按需加载，以减少上下文窗口消耗。

模块规范层聚焦单个模块的职责边界、内部依赖和特殊约束。Agent 在执行具体任务时，会按照从近到远的优先级依次参考模块规范、项目规范和全局规范。这种设计既避免了全局规则过于僵化，也防止模块实现脱离整体架构。

## AGENTS.md：AI 可导航的工程入口

AGENTS.md 在该体系中承担了 AI 代理入口文件的角色。其核心不是堆砌所有文档，而是提供可导航的项目结构，让 Agent 快速找到模块说明、架构规则、接口契约和历史经验。

团队在目录设计上强调扁平化优先，文件嵌套不超过四层；命名即语义，避免 utils、misc、common 等模糊目录；职责单一，每个目录只承担一种职责；元数据与内容分离，docs 目录存放项目规范和关键信息，.agents 目录存放 AI 可读的元数据、任务记忆和运行时配置。

这种目录结构本质上是一张面向 AI 的知识图谱。Agent 通过 AGENTS.md 进入项目，再根据任务类型定位到对应模块、架构文档或 Skill 定义。相比让模型在大量文件中盲目搜索，这种结构能显著降低上下文消耗和误改风险。

## 端云同仓：让 AI 在一个上下文中理解全栈链路

端云一体是团队规范体系的重要工程基础。传统前后端分仓模式下，客户端和服务端由不同团队、不同仓库、不同技术栈维护，AI 很难跨仓库追踪接口变更影响，也难以同步更新调用逻辑。

团队将客户端能力、云端服务、共享类型定义和基础设施配置纳入统一工程体系，通过端云同仓让 AI 在一次上下文加载中获取更完整的系统视图。这样，Agent 可以跨越端云边界查看类型定义和接口契约，发现并消除冗余定义，也能在服务端接口变化时同步理解客户端调用影响。

这一设计并不是单纯追求 Monorepo 形式，而是为了让 AI 具备全栈工程治理能力。统一构建工具链、依赖管理、测试框架和发布流程，可以降低 Agent 在不同技术栈之间切换的认知成本，也减少因上下文缺失导致的错误生成。

## 自动化门禁：规范必须可验证

统一规范如果不能被自动验证，就容易退化为口头约定。杨夕凯团队在规范体系中引入自动化质量门禁，将架构约束、接口规范、安全基线和测试要求转化为 CI 阶段可执行的检查，实现 AI 深度参与校验、工程师基于完整 PR 与测试报告进行最终审查的工程边界。

例如，分层架构规则可以通过架构守护工具表达，禁止表现层直接访问数据层，禁止模块越界依赖；据内部规范要求，在标准化场景下接口契约需遵循 RESTful 标准，明确 HTTP 方法语义、错误响应格式、版本策略和 OpenAPI 定义；类型安全要求公共 API 具备完整类型签名，避免 any 类型带来的语义模糊。

这些门禁的作用是把规范从“建议”变成“阻断条件”。不符合 Schema、引用断链、索引缺失、语言覆盖不全或架构依赖方向错误的提交，会在发布流程中被拦截。对于 AI 生成代码而言，这种确定性验证比人工口头审查更稳定，也更适合高频提交场景。

## 自进化机制：让规范从静态文档变成动态系统

规范体系还需要持续演进。团队在仓库中保留 .agents/memory-session 等目录，用于沉淀 AI 执行过程中的错误经验和关键决策。ERRORS.md 记录典型错误与解决方案，LEARNINGS.md 记录架构决策背景与取舍原因。

这些内容并非简单日志，而是用于减少同类错误重复发生的组织记忆。每次 AI 任务执行完成后，执行质量会进入反馈闭环，问题与改进建议回流到规范体系。随着任务积累，规范不再只是初始设计文档，而成为能够根据真实工程反馈持续修正的治理系统。

从工程角度看，这种机制让抗熵架构具备长期生命力。AI 生成速度越快，规范越需要通过数据反馈持续校准；否则，静态规则很快会被复杂业务和多变 Agent 行为绕过。

## 实践意义：速度红利不能被债务成本吞噬

AI 原生研发模式的价值，不只体现在代码生成速度上，更体现在生成结果是否能进入真实工程体系。如果缺少统一规范，AI 越快写入，系统越容易混乱；如果规范能够被 AI 理解、遵循和验证，速度才能转化为可持续交付能力。

杨夕凯及其团队的 Spec as AIOS 实践，将仓库唯一真源、Spec-Driven Development、三级分层规范、AGENTS.md、端云同仓和自动化门禁组合成一套抗熵架构。其核心经验是：控制 AI 代码熵增，不能依赖事后修补，而要在生成源头建立可执行、可验证、可演进的工程规则。

需要明确的是，这套抗熵架构的生效前提是“先治理基建、再释放 AI”。对于高度定制化、缺乏标准化的历史遗留复杂代码，AI 重构与规范对齐的成本依然较高，统一规范更多是在新建项目或标准化程度较高的核心模块中发挥最大效用。

未来，随着多 Agent 协同和长任务自治能力继续演进，规范体系还会进一步承担任务编排、质量评估和经验复用等职责。对超级应用而言，统一规范不再只是研发管理工具，而会成为 AI 全栈交付的基础操作系统。

杨夕凯现任职高德地图，担任智能应用与基建平台负责人，先后负责动态数据、AI 导航、智能应用及基建平台等方向，长期深耕地图数字孪生、空间智能、AR/数字人及 AI 导航算法模型等领域，并参与建设支撑千亿级数据的端云一体化基础设施与工业级 AI 研发体系。

Spec as AIOS：统一规范如何控制 AI 代码熵增

内容梳理自高德技术官方微信公众号发布的《超级应用 AI 原生研发模式探索》系列技术分享。透过这些工程实践记录，可以清晰看到杨夕凯及其团队在多 Agent 并行生成代码时，如何通过统一规范与仓库级约束控制 AI 代码熵增。

人工智能

后端

架构设计

高德杨夕凯团队提出Spec as AI OS抗熵架构，通过仓库唯一真源、Spec-Driven Development、三级分层规范、AGENTS.md、端云同仓及自动化门禁，从源头控制多Agent并行生成代码的复杂度失控，确保AI高速产出可上线、可演进的工程代码。

知识图谱

数字孪生

软件维护

数据流

Agent

2026上云采购 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Spec as AIOS：统一规范如何控制 AI 代码熵增-腾讯云开发者社区-腾讯云

Spec as AIOS：统一规范如何控制 AI 代码熵增

Spec as AIOS：统一规范如何控制 AI 代码熵增

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐