上下文漂移、结果不可控、协作无标准
规格的作用不只是告诉AI写什么。更重要的是：它告诉审查者该看什么。
没有规格，审查靠感觉。有了规格，审查变成逐条对照。两者的发现能力差别很大。
SDD用规范约束模型，用上下文喂给模型用工作流复用经验。AI的准确率不是靠模型更聪明，而是靠系统更确定。高准确率AI编程的本质，是确定性，不是智能。
规格：规格文档是一个Markdown文件，描述三件事：接口契约（这个端点接收什么、返回什么）、行为约束（边界条件、错误处理、事务要求）、数据模型（字段、类型、关系）
SuperPowers SkillsAI Agent工程化：规范到执行的12步实战
OpenSpec CLI
Pencil
需求-设计-任务
AI时代Task
-
角色变了。开发者更多的时间花在写规格、审规格、和AI对齐意图上。代码是结
果，规格是核心工作。不是不写代码了，是写代码这件事前移到了规格阶段。
-
测试前移了。规格里包含验收标准，AI在实现时自动生成并运行测试。不是开发完了 再补测试，而是规格定了，测试逻辑就定了。
-
文档不再是负担。规格本身就是文档，和代码同步演进。新人上手看规格，不用反推 代码逻辑。
MCP
MCP的解法不同：它把接口的调用规则、参数说明、依赖关系、返回值语义 全部打包成结构化元数据 ，由服务端主动提供给模型 。接口更新后，只需要重启MCP服务，下次模型调用时就能自动拿到最新规则，不需要改Prompt。单个接口看不出太大差别，但放到企业几干个接口的规模，差距就很明显了。
MCP采用服务端注册-客户端自动发现的机制，底层更新后只需重启服务，模型自动获取最新元数据。
Agent，模型自己规划调用顺序、处理依赖、容错重试，全程无需人工干预
- Openspec先搭骨架。用规格文档+brainstorming把需求、边界、架构、验收标准全部
固化成结构化、可版本化的记录，成为团队共同语言。 - MCP提供实时上下文和工具能力。通过MCP协议，模型可以自动读取最新PRD、拉取Figma设计稿、查询Swagger接口定义、获取GitLab分支状态...所有私有数据和系统
能力都以结构化元数据的方式主动推送给模型，不需要手动复制粘贴或在Prompt里硬编码规则。 - SuperPowers负责精准执行。拿到OpenSpec的规格+MCP提供的实时上下文后，
SuperPowers启动对应的skill集，按约束生成代码、提交PR、更新文档、跑测试...既有规范（OpenSpec），又有真实系统能力（MCP），执行起来既准又稳。
Skill写一次，永久复用，把经验结构化，让它可以被复用、被共享、被迭代
- 写得越具体，输出越稳定
- Command是入口，Skill 是引擎
MCP&Skill：Skill管逻辑，MCP管能力
Skill本身不执行任何外部操作，它只告诉AI该怎么思考、怎么走步骤,MCP：让 AI模型调用外部工具
javascript
## 执行步骤
- [ ] 理解用户需求，提出 2-3 个设计方案
- [ ] 对每个方案生成 HTML mockup 代码
- [ ] 调用 browser MCP 在本地浏览器渲染 mockup，截图展示给用户
- [ ] 根据用户反馈，选定方案并输出设计文档
javascript
# 用户触发
user.input("/daily-summary")
# Step 1: 加载 Skill
skill = load_skill(".claude/skills/daily-summary.md")
# → 得到：执行步骤 + 输出格式定义
# Step 2: AI 按 Skill 逻辑推理，遇到需要外部工具的步骤
ai.think("需要获取今日 git 提交，调用 shell 工具")
# Step 3: 通过 MCP 调用工具
result = mcp.call("run_shell", {
"command": 'git log --since="00:00" --oneline --author="$(git config user.name)"'
})
# → 返回：["a1b2c3 feat: 添加订单查询接口", "d4e5f6 fix: 修复分页边界问题"]
# Step 4: AI 拿到结果，继续按 Skill 定义的格式组织输出
ai.think("按功能模块分组，生成日报")
ai.output(skill.output_template, data=result)
# → 输出结构化日报给用户Skill定义了"做什么"（步骤和格式），MCP提供了"怎么做到"（真实的shell
执行能力），AI是驱动整条流程的引擎。三者角色清晰，谁也不越界。
- Skill：你的工作方式、你的流程规范、你的输出标准------用结构化的方式告诉AI"按 我的规则来"
- MCP：AI触达外部世界的手把AI的能力边界从"文本推理"扩展到"真实操作"
两者配合的核心是分工清晰：流程归Skill，能力归MCP，执行归AI。哪一层出了问题，就在哪一层改，不会牵一发而动全身。
Skill动态注入上下文
原理是：在context字段里，以！开头的行会被当作shell命令执行，输出直接塞进AI的上下文，然后Skill才开始处理。
context: |
!git log --since="00:00" --until="23:59" --oneline --author="$(git config user.name)"
!git status --short