AI 软件工程的底层转向：停止用传统 PD 流水线“审视”大模型的 SDD 产出
在科技演进的历史中，每一次底层的技术突破，都必然会驱动工程方法论发生彻底的**“范式转向（Paradigm Shift）”**。
今天在 AI 驱动软件工程（AI-Native SDD）的浪潮中，很多人开始尝试推动“AI 时代 Spec First（规格先行）”，但如果你仔细观察他们的落地实践，会发现他们依然拒绝真正的转向—— 他们依然在用传统产品经理（PD）的流水线节点，去逐层“审视”大模型的 SDD 产出。
需求澄清 ➡️ 方案设计 ➡️ 任务拆解 ➡️ 代码实现 ➡️ 代码审查。
这套在过去支撑了无数大型 MIS 与企业级系统的标准 SQA 流程，正在被生搬硬套到大模型（LLM）身上。他们把每一个节点 (SA/SD)，替换成了一个 AI Agent，然后让资深架构师和 PD 穿梭其中，充当 AI 流水线上的“质检员”。
这不是 AI 软件工程的进步，这是在使用新能力时，一场巨大的“维度错误”。
拟人化陷阱：为什么传统流程必须有“设计审查”？
在传统软件工程中，为什么“方案设计”与“人为审视”这个环节如此重要？
因为 人类的短期记忆（Working Memory）与并发处理能力是极度受限的。 在漫长的“软件传递链”中，业务意图在从 PD 传递给架构师，再传递给开发者的过程中，必然会产生严重的信息损耗。为了解决这个问题，才发明了“分而治之”的节点拆解，并设立了层层 Review 机制来纠偏。
现在，行业里用 AI 写代码，依然保留着“AI 出设计 ➡️ 人类 Review ➡️ AI 拆解 ➡️ 人类 Review”的保姆式微操管理。
为什么？ 因为在没有系统级约束（No Harness）的裸奔状态下，LLM 必然会产生幻觉。 为了防止 AI 堆砌出难以维护的脆弱代码，资深人员被迫消耗极高的认知负载去审阅那些半成品。这往往比自己亲手写还要累。
这就是“拟人化陷阱”：我们给 AI 赋予了强大的算力，却用人类大脑的缺陷去限制它的发挥。
VibeSpec 的降维解法：从“节点传递”到“算力坍缩”
在我们的 VibeSpec 实践中，我们正在推动 AI 时代 Native-SDD 的真正转向： 走向基于 CGI（Constraint-Guided Inference，约束导引推理）的无状态直达。
我们依然依赖 Spec，但我们彻底废弃了“方案设计-人工审查”这个中间过渡态。
我们的管线是： 极简意图 + Harness（全局约束） ➡️ LLM 深度挖掘 ➡️ 模块与作业清单 ➡️ 规格文件（Spec）。 这中间，几乎没有传统意义上的人为设计审视。
这是否意味着我们在盲目信任 AI？恰恰相反。我们信任的不是 AI 天马行空的生成能力，而是**“极度严苛的物理定律”**。
在 VibeSpec 的 AI UI 交互中，当我们启动一个复杂业务时，系统会通过“按需注入（On-Demand Injection）”机制，将 _shared/global/api-conventions.md （API 规范）、 _system/esop/status-machine.md （状态机字典）等架构基准，作为不可逾越的 Harness 注入给 LLM。
这时，LLM 拥有的 200K 甚至 1M 的上下文窗口，展现出了人类无法企及的高维度并发思考能力。它不是在“做方案设计”，它是在既定的架构边界内，进行 逻辑演绎与状态坍缩 。在同一个运算周期内，LLM 同时完成了架构对齐、幂等性校验、数据权限隔离与领域名词统一。
因为边界被 CGI（约束导引推理）压缩到了极致，中间发散的空间就不复存在。既然没有了信息传递的损耗，那个人为的“设计审查”节点，自然就消亡了。
造物主与质检员：资深专家的角色重塑
在这种彻底的转向下，如果最终AI 生成的 Spec 或代码出现了偏差，我们应该怎么做？
传统模式下，资深 PD会下场去微调代码、修改 Prompt，陷入无休止的 Chat 泥潭。
而在 VibeSpec 模式下，我们的做法是： 去修改 Harness。 如果名词打架了，去补齐领域字典（Lexicon）；如果流程漏了，去更新状态机（Status Machine）。
PD不再是流水线上疲于奔命去“审视” AI 产出的“质检员”，而是真正成为了制定系统物理定律的“造物主”。只要 Harness 的约束是对的，长出来的系统就不可能错。
结语：迎接 AI 软件工程的 Windows 时代
用 Chat 模式一步步微操（管理）AI，本质上还是 AI 时代的 DOS 界面；而通过 CGI 引擎与 Harness 约束，让意图直接坍缩为可靠的企业级系统，才是真正属于未来的 AI UI，产出稳定、可复现、可信赖的产物。
AI Native 软件工程的转向已经发生。
别再一头热地教大模型怎么做“任务拆解”了。不要用人类的组织架构去丈量 AI 的边界，不要用人类的思维短板去限制 AI 的并发。
为大模型建立你的企业级 Harness，然后，享受算力爆发带来的工程奇迹。
