超越提示词工程：OpenAI揭示AI编程的终极技能——规范编写

type

status

date

slug

summary

为什么说规范（Spec）才是真正的“源代码”？

我们习惯于将代码视为软件开发的核心产出。但 Sean Grove 认为，代码实际上只是我们意图的“有损投射”（Lossy Projection）。就像反编译一个二进制文件无法完美还原带有清晰注释和变量名的源代码一样，单纯阅读代码也很难完全理解其背后的商业逻辑、设计哲学和用户目标。这些关键信息在从“想法”到“代码”的转换过程中大量丢失了。

规范，则从根本上解决了这个问题。

一份完善的规范，包含了所有生成代码所必需的前提、意图和价值观。它回答了最核心的问题： * 我们要做什么？（What） * 我们为什么要做？（Why） * 成功的标准是什么？（How to verify）

当我们将一份书面规范作为开发的起点时，它就成为了唯一的、权威的“事实来源”（Single Source of Truth）。它比代码更强大，因为一份好的规范不仅能生成高质量的代码（无论是 TypeScript、Rust 还是 Python），还能衍生出配套的文档、教程、测试用例，甚至市场宣传材料。而反过来，一个代码库却几乎不可能生成一篇能清晰阐述其核心价值的博客文章。

从“提示词”到“规范”：一次性沟通 vs. 系统化工程

当前我们与 ChatGPT 这类大模型互动的方式，更像是进行一次性的沟通。我们精心设计一个提示词，获得满意的代码或其他产出，然后这个提示词往往就被丢弃了。这好比编译出程序后就删掉了源代码，只保留二进制文件进行版本控制，这显然是荒谬的。

规范编写将这种一次性的、临时的沟通，提升到了系统化工程的高度。它倡导我们将“意图”本身作为核心资产来管理：

可版本化： 规范像代码一样，可以被记录、追踪和迭代。

可协作： 规范通常使用 Markdown 等自然语言格式编写，使得产品经理、设计师、法务、工程师等不同角色的成员都能参与讨论和贡献，围绕一个共同的目标达成共识。

可执行： 规范可以内嵌自身的成功标准和测试用例，使其不仅仅是一份文档，更是一个可以被自动化验证的框架。

从本质上讲，提示词只是规范的一个微小实例，而一份完整的规范则是一个能够持续演进、不断产生价值的系统。

“模型规范”实战：OpenAI如何用Spec对齐和训练大模型？

理论需要实践来证明。OpenAI 自身就是“规范编写”的最佳实践者。他们公开发布了《模型规范》（Model Spec），这份动态文档清晰地阐述了 OpenAI 希望其模型（如 ChatGPT）遵循的意图和价值观。

这份规范并非束之高阁的理论文件，而是直接应用于大模型训练和对齐的实战工具。其特点包括：

明确的条款与ID： 规范中的每个条款都有一个唯一ID，便于引用和追踪。

内嵌测试用例： 每个条款都附带有极具挑战性的测试用例。模型必须通过这些测试，才算符合该条款的要求。这使得规范本身变得“可执行”。

解决“谄媚问题”的锚点： 当模型出现为了迎合用户而牺牲事实的“谄媚问题”时，《模型规范》中“不要谄媚”的条款就成为了判断其行为是否为“Bug”的黄金标准。它充当了信任的锚点，让团队和公众都能清晰地知道预期的行为是什么。

通过这种方式，规范被“压入”模型的权重之中，使其从需要每次提醒的外部指令，内化为模型的“肌肉记忆”，从而实现更深层次、更可靠的对齐。

未来已来：人人都是程序员的时代

如果说规范是未来的源代码，那么未来的集成开发环境（IDE）可能会演变成“集成思维澄清器”（Integrated Thought Clarifier）。它的核心功能不再是检查语法错误，而是帮助我们理清思路，发现规范中的模糊之处，从而更有效地向人类和 AI 传达意图。

在这个范式下，“程序员”的定义将被彻底改写。无论是产品经理撰写产品规范，还是立法者制定法律条文，只要你在结构化地定义一个系统的行为和意图，你就在“编程”。软件工程的本质回归其核心——为了解决人类问题而进行的精确探索。

总而言之，从“提示词工程”迈向“规范编写”，是我们在 AI 时代提升生产力、确保 AI 安全可控的关键一步。这要求我们转变思维，不再满足于“告诉”AI做什么，而是学会系统地“定义”我们想要的世界。

想要了解更多关于 AI、AGI 和大模型的前沿AI资讯与深度解读，欢迎访问AIGC导航站（https://www.aigc.bar），获取最新、最全面的AI新闻和行业洞察。