Spec First
意图、约束、设计判断和验收标准先进入可审查的事实源。
意图约束验收三条方法主线
内容围绕方法论组织，而不是停留在命令清单：OpenSpec 提供事实源，Compound 提供执行与复盘纪律，AISEE 把两者连接成可落地的工作流。
Spec First
把意图、范围、行为变化、设计判断和验收标准放进可审查的 artifacts。
Harness Better
用 Agent、Skill、MCP、Hook、Schema 和 Workflow 组成有边界的 AI 执行环境。
Compound Knowledge
把模板、案例、schema、复盘和修复经验留给下一次工程工作。
从问题到知识复利
一次可靠的 AI 工程任务，应该能看见同一条链路：定义问题、建立规范、准备上下文、执行实现、验证结果、沉淀经验。
问题定义
明确目标、用户、约束、非目标和验收方向。
规范建模
让范围、行为变化和设计判断在执行前可审查。
上下文组织
准备项目事实、memory、skills、source-map 与工具边界。
工程执行
让 AI 在明确任务、权限和工作流步骤中参与实现。
验证结果
通过测试、评审、检查和 guard 判断是否继续流转。
知识复利
把模式、修复、模板和案例留给下一轮工程。
按目标进入
首页更像一张地图。先判断你现在要解决的问题，再进入承担这个任务的栏目。
01
刚开始学 AI Coding
先建立概念、本地环境、工具选择和 Agent 基础认知。
02
理解工程方法变化
看清 AI 参与需求、设计、开发、评审和知识沉淀后，工程组织方式如何变化。
03
用规范管理变更
用 OpenSpec 固定目标、范围、行为变化、设计判断和验收边界。
04
组织 Agent 执行和复盘
用 Compound Engineering 串起计划、执行、评审、调试和知识沉淀。
05
采用 AISEE 工作流
理解 AISEE Plugin 如何连接需求输入、OpenSpec change 和 Compound handoff。
06
寻找工具和项目参考
从推荐资源与开源项目中区分外部参考和团队自有资产。
AISEE 主线入口
开放协作与来源说明
这里记录围绕 OpenSpec、Compound Engineering 与 AISEE 的实践、解释和方法论沉淀。
源码托管
文档源代码托管在 GitHub，页面可提供编辑入口。
开源项目
团队自有项目和外部推荐资源分开呈现，避免混淆来源。
开放贡献
接受文档修订、真实案例、workflow、skill 和 schema 模板。
清晰声明
内容不是 OpenSpec 或 Compound 官方文档，而是独立实践与方法论沉淀。
