Speckit

規格驅動的 AI 強化 DevOps 演講逐字稿 開場 今天要分享的主題是「規格驅動的 AI 強化 DevOps」，副標是「篩選適合的情境，SDD 成為你的平台開發神器」。我是 Che-Chia Chang。 議程概述 在這場議程中，我會告訴各位三個重點： 第一，Spec-kit 跑起來是什麼樣子。我會用實際的例子展示工作流程。 第二，我會提供四個實務情境，說明哪些任務適合 SDD，哪些不適合。 第三，Spec-kit 帶來的代價是什麼，以及我們如何應對。 情境 1：跨平台，稽核內部平台帳號 讓我們從第一個情境開始。在許多企業中，都有一個共同的痛點：所有內部帳號需要定期稽核，確保沒有過期離職的帳號存在。 面對這類需求，有幾個重要的考量： 首先，如果有現成工具就直接用工具，不用閉門造車。但如果現成工具需求不符合，用 AI 閉門造車現在非常的快又便宜。 但這裡出現了一個大哉問——後續維護是否好維護？這個疑問很關鍵。 實際 Spec-kit 工作流程展示 讓我們看一下，實際的 Spec-kit 會長怎樣。假設我們在 VSCode Chat（Copilot）中啟用 spec-kit，流程會是這樣： 第一步：產生 Spec 使用 /speckit.specify 命令，我們描述需求： 寫一個工具，列出所有內部平台帳號 工具需要根據條件檢查帳號狀態與權限 包含單元測試，模擬帳號的整合測試 還要有 e2e 測試，產出符合稽核格式的結果 第二步：釐清 Spec 然後使用 /speckit.clarify 命令，不斷釐清模糊的地方，直到沒有歧義： 平台包含 AWS、GitHub、Jenkins 等 帳號狀態包含 active、expired、pending 權限包含 admin、write、read-only 這個過程非常重要，因為清楚的規格是後續成功的基礎。 第三步：規劃實作 使用 /speckit.plan 根據 Spec 產生 Plan，列出實作步驟，檢查相依性，準備 checklist。 ...

活動時間：2026-07-01 12:00-12:30 活動連結 聯繫我 Facebook 投影片 Title When Not to Vibe 從 Vibe Coding 到 Spec-driven AI Engineering Outline AI 讓「寫 code」變得容易，但實際在開發上，常見現象是一開始很順、越做越亂，LLM 逐步偏離設計，context 越長結果反而越不準。這不是 prompt 不夠強或模型不夠大，而是 LLM 本質上不擅長長時間、持續演進的任務。vibe coding 適合快速探索小範圍任務與短期 context，但長任務會走向失焦（loss of alignment）；context window 也不是越大越好，資訊堆疊會造成 attention 稀釋，且 LLM 沒有真正長期記憶。 這場分享現實：AI 讓寫 code 變快，卻不保證長時間任務不失焦；為何 vibe coding 會在 context 拉長後 drift。並以 SpecKit 補上的結構化上下文價值、並了解其代價，以及從 spec-driven 走向 agent-driven 的實務經驗。 從 Vibe 出發：為何 LLM 在長時間任務中逐漸失焦 LLM 原理：Context 不斷堆疊，為何反而降低準確性 SpecKit 的價值：從 Prompt Chaos 到 Structured Spec 作為 Source of Truth 現實限制：Spec Tax、Drift，以及無法解決的痛點 SDD（Spec-driven Development）適用場景：PoC、Greenfield 等 從 Spec-driven 到 Agent-driven：Speckit 作為過渡形態 你將能清楚辨識 vibe coding 的有效範圍與失效訊號、理解 LLM 在長上下文下準確率下降的原因、評估 SpecKit 在實務上的收益與成本，並帶走一套可用於 PoC、Greenfield 與複雜系統規劃的導入與決策視角。 ...