AI应用开发-speckit+git worktree助力AI编程

多客科技

作者：微信文章
1、 speckit是啥？2 、git worktree是啥？   2.1 git worktree解决什么问题？   2.2 git worktree示例3、二者如何融合？以及得到什么好处？4、一个完整的示例5、后续1、 speckit是啥？
speckit的地址是：https://github.com/github/spec-kit， speckit是一个An open source toolkit that allows you to focus on product scenarios and predictable outcomes instead of vibe coding every piece from scratch，这里采用的理念是SDD(Specification Driven Development), 直接将specification转换为落地系统。现有两种编程： vide(chat first, then build. explore ideas and iterate as you discover needs, 比较适合简单的，头脑风暴的这种原型开发)， 以及spec（plan first, then build, create requirements and design before coding starts, 比较适合复杂的，规范的这种产品级别的研发）。以前零碎使用AI coding的时候，比较多用vibe coding, 太爽了，但是后面随着使用AI coding频率越来越多，拿到的AI结果反馈越来越多，反而比较喜欢上用SDD多一些。虽然后面有变种openspec（）, 但还是喜欢用speckit多一些。

一个speckit完整的工作流范式如下：

/speckit.constitution->/speckit.specify->/speckit.clarify->/speckit.plan->/speckit.tasks->/speckit.analyze->/speckit.implement

各个命令的功能职责详情如下：

命令分类	命令	命令描述
必须	/speckit.constitution	Create or update project governing principles and development guidelines
必须	/speckit.specify	Define what you want to build (requirements and user stories)
必须	/speckit.plan	Create technical implementation plans with your chosen tech stack
必须	/speckit.tasks	Generate actionable task lists for implementation
必须	/speckit.implement	Execute all tasks to build the feature according to the plan
可选	/speckit.clarify	Clarify underspecified areas (recommended before /speckit.plan; formerly /quizme)
可选	/speckit.analyze	Cross-artifact consistency & coverage analysis (run after /speckit.tasks, before /speckit.implement)
可选	/speckit.checklist	Generate custom quality checklists that validate requirements completeness, clarity, and consistency (like "unit tests for English")

一般来说，在实际使用过程中，虽然后面有三个可选命令，但是我都会使用speckit.clarify（需求（specification）澄清）以及speckit.analyze（specification, plan,以及tasks对齐拉通）。这样减少了AI编程中产生的数据幻觉和架构腐化。

2、git worktree是啥？
git worktree 允许在同一个仓库中同时检出多个分支到不同的目录，避免频繁切换分支带来的上下文切换成本。Manage multiple working trees attached to the same repository. 使得研发人员可以并行开发，详细信息可见：https://git-scm.com/docs/git-worktree
一般需要执行的例子如下：
mkdir .trees

git worktree add .trees/ui_feature

git worktree add .trees/testing_feature

git worktree add .trees/quality_feature

git branch -a查看分支

为.trees文件夹下的每一个worktree准备一个终端并启动Claude Code

使用git merge进行合并

git worktree remove --force .tree/ui_feature删除worktree

git branch -D ui_feature testing_feature quality_feature删除相应分支
3、二者如何融合？以及得到什么好处？先根据功能数量分配git worktree, 然后再每个worktree中启动claude code 并运用speckit. 这样最大程度的并行开发。Claude Code创始人Boris Cherny就非常提Spin up 3–5 git worktrees at once, each running its own Claude session in parallel.
4、一个完整的示例这个是在做ADE（Architecture Discovery Engine）时用speckit+git worktree的一个实例，详情如下。
-------------------需求开始-------------------

阶段1: 稳定性和性能（2周）

目标: 修复关键问题，提升性能

实现SQL解析缓存

添加架构验证

拆分AdeMain

提取CodeGenerator接口

添加循环检测

阶段2: 可扩展性（3周）

目标: 支持企业规模项目

实现分块处理

添加倒排索引

实现插件架构

并行Excel生成

添加Builder模式

阶段3: AI增强 - 快速胜利（1-2周）

目标: 验证AI增强价值

实现语义Controller分组

构建RAG问答原型

测量准确率提升

收集用户反馈
-----------需求----结束---------------------------------------worktree 开始--------------------
阶段1: 稳定性和性能（6个）

  - 002-stability-performance - 阶段主分支

  - 002-01-sql-cache - SQL解析缓存

  - 002-02-architecture-validation - 架构验证

  - 002-03-split-ademain - 拆分AdeMain

  - 002-04-codegen-interface - CodeGenerator接口

  - 002-05-cycle-detection - 循环依赖检测

  阶段2: 可扩展性（6个）

  - 003-scalability - 阶段主分支

  - 003-01-chunked-processing - 分块处理

  - 003-02-inverted-index - 倒排索引

  - 003-03-plugin-architecture - 插件架构

  - 003-04-parallel-excel - 并行Excel生成

  - 003-05-builder-pattern - Builder模式

  阶段3: AI快速胜利（5个）

  - 004-ai-quick-wins - 阶段主分支

  - 004-01-semantic-grouping - 语义Controller分组

  - 004-02-rag-prototype - RAG问答原型

  - 004-03-accuracy-measurement - 准确率测量

  - 004-04-user-feedback - 用户反馈系统

----------------worktree 结束-----------------------------

团队分配：

团队开发（核心团队 + AI团队并行）

  核心团队（阶段1 - 稳定性和性能）：

  - 开发者A: 002-01-sql-cache + 002-05-cycle-detection

  - 开发者B: 002-02-architecture-validation + 002-04-codegen-interface

  - 开发者C: 002-03-split-ademain

  AI团队（阶段3 - AI快速胜利，完全独立）：

  - 开发者D: 004-01-semantic-grouping

  - 开发者E: 004-02-rag-prototype

补充说明一下，worktree是作为原来项目的副本存在的，所以特别占空间，再实现功能后，需要进行删除，在上面例子里面有提到每个阶段有主干分支，主干分支下的各个worktree在提交代码后，都需要进行删除，保证不耗用太大的存储。

5、后续

speckit是比较早的做法了，目前用得比较多的AI workflow或者framework有superpowers, everything-claude-code,以及bmad-method等，都有各自适用的场景（考虑项目规模，项目复杂度，人员协同等）， 需要结合实际项目来进行技术选型。

对比维度	everything-claude-code	Superpowers	spec-kit	BMAD-Method
核心定位	Claude Code 的增强插件集合	项目启动与规划增强器	规范驱动开发框架	企业级多代理协作框架
核心理念	提供开箱即用的专业代理、技能、命令，让 Claude Code 能力全面升级。	从模糊想法到清晰计划，通过结构化的流程精细化任务管理。	规范至上，AI 严格按照预定义规则（宪法）编码，确保风格统一	模拟成熟团队，多代理分工协作，处理极度复杂的任务。
最佳适用场景	任何使用 Claude Code 进行开发，希望立即获得专业级能力（如代码审查、多代理协作、TDD）的用户。	从 0 到 1 的项目，创意孵化与 MVP 构建，或需要将复杂任务拆解的阶段。	中大型项目、团队协作项目、需要长期维护、对代码质量和一致性要求高的项目。	金融、SaaS 等对安全性、稳定性、协作性要求极高的超复杂企业级项目。
优点	功能极其丰富，社区驱动，持续更新，能大幅提升 Claude Code 在各种场景下的表现	流程清晰，能有效利用 AI 进行项目梳理和规划，降低项目启动风险。	产出代码质量高、风格统一，便于团队协作和项目维护，减少技术债务。	处理复杂性能力极强，产出稳健，接近人类顶级团队协作水平。
缺点	功能多，有一定的学习和配置成本（但安装向导已简化此过程）。对于简单任务可能功能过剩。	相比直接使用 AI 工具，多了一个前置规划流程，需要用户参与和思考。	前期规范制定有学习成本，对个人或快速原型项目来说可能“杀鸡用牛刀”。	框架非常重，学习曲线陡峭，不适合个人或小型项目。

目前我正在重度研究AI相关内容，欢迎大家指导和交流，在下面微信可以加到我：