AGILE × SPEC-DRIVEN DEVELOPMENT

重新思考 Agile v.s. SDD

當 AI 已經把 Coding 的成本大幅降低,我們為什麼反而要增加前期規格工作的成本?這到底是進步,還是換了一種形式回到瀑布式開發?

當 AI 已經把 Coding 的成本大幅降低,我們為什麼反而要增加前期規格工作的成本?這到底是進步,還是換了一種形式回到瀑布式開發?

敏捷開發的源起

一直已來,敏捷真正想解決的,不是程式寫得夠不夠快,而是需求的不確定性。

傳統瀑布式開發的背後,其實一直有一個基本假設:「只要我們投入足夠時間分析需求、設計系統,就能降低後續開發的風險。」(這有沒有讓你感覺到有些熟悉?)

但是敏捷開發則認為,很多需求並不是靠「事前分析」就能完全確定的。
(我甚至可以說,敏捷不相信事前的預估和分析)

因為,使用者可能不知道自己真正需要的是什麼。
甚至,看到軟體運作之後,才知道原本自己的需求根本不對。

因此,敏捷採取了不同策略:
「不再想辦法把事情一次規劃對,而是試圖降低每一次做錯的成本。」

透過「縮小需求顆粒度」、「縮短開發週期」、「頻繁交付」,讓每一次的錯誤都能儘早被發現並持續修正。

雖然這並不代表敏捷開發就不需要規格,但是敏捷不相信「規格越完整,最後產品就一定越正確」的價值觀已然很明顯。(注意這點)

這也符合敏捷宣言的原則:運行中的軟體才是衡量進度的主要標準。而且,應該盡可能減少不必要的事前(規劃)工作。

SDD 是不是正在走回頭路?

好,那現在我們再來看看SDD(Spec-Driven Development)。

以 GitHub Spec Kit 為例,核心流程強調 Specify → Plan → Tasks → Implement → Converge;OpenSpec 則強調需求變更、規格、實作及歸檔之間的關係。

這些流程的價值,是讓 AI 在開發之前,先理解需求、技術約束與預期成果。

但問題來了。

假設我有一個非常成熟的敏捷團隊,每個 User Story 都已經切割得很小,平均一到兩天就能交付。

例如:在請假系統中新增一個「取消請假」功能。

我已經知道需求,也有明確的 Acceptance Criteria,像是:

  • 只有尚未核准的請假單可以取消。
  • 已核准或已取消的請假單不能再次取消。
  • 取消成功後,狀態必須正確更新。

我將這個 User Story 交給 AI,接著 AI 修改程式、產生 Unit Test、執行測試,再經過 Code Review、CI/CD,最後部署測試環境。

可能半天就完成了。

這時候,我為什麼還要額外建立 proposal.md、spec.md、design.md、tasks.md,再去維護這些文件的生命週期?

如果這套流程增加了我額外一天的工作量,那我們反而把原本半天可以完成的事情變成了一天半。

這不是提高生產力,而是把 Coding 節省下來的時間,重新花在了文件和流程上。

當然,OpenSpec 也允許簡化流程,讓較為簡單的變更不一定需要獨立的設計文件。

但這對於顆粒度很小、很明確的增量,額外的 SDD 流程究竟值不值得?

小增量真的就不需要 Spec 嗎?

這裡有個必須區分的觀念。

需求的顆粒度很小,不代表需求的複雜度或風險一定很低。

例如,同樣是半天就能完成的修改:

「把按鈕顏色改成藍色」,確實不需要繁複規格。

但是「修改金融系統的利息計算規則」,可能只需要修改十行程式碼,卻可能涉及計算精度、四捨五入、法規、或既有資料的相容性。

這時候,就不能只靠快速實作、持續交付來確保正確。

因為還有一個根本問題:

測試可以驗證程式是否符合預期,卻不能保證預期本身就是正確的。

如果 AI 和開發人員都誤解了業務規則,AI 甚至可能寫出一整套完全通過、但驗證錯誤規則的 Unit Test。

所以 Spec 的必要與否,可能不能只用 Story 顆粒度的大小來決定,還要考慮需求模糊度、業務風險、相依性,以及 AI 自主修改的範圍。

SDD 和敏捷,其實在解決兩個不同的問題

圖片

Agile ==> 我們如何確認做的是對的產品?
(做法:透過頻繁交付、觀察、回饋與調整,降低產品方向與需求的不確定性。)

SDD ==> 我們如何讓 AI 正確理解並執行這一次的開發意圖?
(做法:透過明確的要求、約束與驗收條件,降低 AI 執行時的歧義和偏離。)

所以兩者在概念上並不衝突。

敏捷關心的是「產品方向對不對」,SDD 關心的是「AI 是否按照本次意圖執行」。

但,這也意味著,SDD 不應該反過來主導整個敏捷開發的節奏。
(我更在意的是這部分)

如果每做一個小增量,都得先完成一套繁複的 SDD 儀式,才允許進入 Coding,那就可能落入一種新的瀑布式流程。

SDD 應該是「依風險採用,而不是全面採用」

我比較傾向這樣的開發策略:

圖片

User Story 和 AC 本身就是一種敏捷開發喜歡的輕量型規格。

我們真正應該討論的是:既然已經有了足夠讓 AI 正確開發的規格,為什麼還要為了符合 SDD 流程,再製造另一套規格?

而且,AI 的能力越強,越不代表需要把所有事情事先寫死。有些事情可以讓 AI 嘗試實作,再透過測試、Review 和使用者回饋修正。

這正是敏捷精神。

但 AI 時代還有一個新的風險,值得我們思考

以前,人類工程師從理解需求到完成程式碼,可能需要好幾天。

現在 AI 可以在幾分鐘內完成大量修改。

換句話說,AI 不只加快正確程式碼的產出,也可能加快錯誤假設被實作及擴散的速度。

這可能正是 SDD 有價值的地方:當 AI 能夠自主執行大量工作時,我們需要在交付之前建立適當的控制邊界。

不過,解法不一定是寫出更厚的規格,而應該是縮小每次授權給 AI 的工作範圍,限制修改的 Blast Radius,並透過自動化驗證建立快速回饋。

我的結論

我認為在 AI 時代,軟體開發的品質,不應該建立在我們能把規格寫得多完美,而應該建立在我們能多快發現錯誤、多容易修正錯誤,以及每次錯誤的影響範圍有多小。

Spec 是降低歧義的工具,不是最終目的。

SDD 可以幫助 AI 正確執行,但如果敏捷團隊原本就已經具有良好的需求切割、測試、自動化與持續交付能力,那麼全面導入 SDD,確實可能帶來更多成本而不是更多價值。

我們應該追求的,不是 Spec-Driven Everything,而是 Risk-Driven Specification(風險導向的規格化)。

最後,我期待討論一個更有意思的問題:

如果 AI 的 Coding 能力持續進步,一個原本需要兩天的 Story,現在只需要十分鐘就能實作,那麼我們是應該進一步縮小 Story 的顆粒度,讓 AI 更頻繁地實作、測試、交付? 還是因為 AI 寫得快,就反過來給它更大、更完整的規格,要求它一次做更多事情呢?

我認為這才是 AI 時代敏捷開發真正值得探索的方向。

參考資料