过去几个月，我一直在进行 Like Sports 云台跟踪算法的研发。回顾这段时间，我最大的感受是：AI 带来的价值，已经不只是“帮我写代码”，而是在逐步改变整个研发过程。
下面是我在这几个月实践中最重要的三点收获。
一、用框架思维驾驭 AI
通过深入实践，我明显感受到研发效能和生产效率的提升。这种提升并不是简单地把任务交给 AI，而是先用框架思维梳理问题，对整体解决路径形成清晰的认识。
当一个复杂问题被拆解成多个边界明确的小问题后，就可以让 AI 端到端地逐一解决。这样既能保证产出质量，也能让最终结果保持相对可控。
当然，这也会带来一些疑问：如果测试方向错了怎么办？如果 AI 生成的代码本身有问题怎么办？
在实际研发中，这些问题并没有想象中严重。通过黑盒测试和持续迭代，我们通常能够从最终表现中感知异常，再逐步定位导致问题的具体环节，并进行针对性调试。换句话说，我们需要建立一套面向 AI 产出的容错机制：不要求 AI 每次都一次做对，而是让问题能够被发现、被定位，也能够在反馈中快速修正。
真正重要的不是追求 AI 零失误，而是建立一个可验证、可反馈、可迭代的闭环。
二、用 SDD 沉淀研发过程
第二点收获是使用 SDD（Spec-Driven Development，规格驱动开发）。像 OpenSpec 这样的框架，能够把需求、方案、设计和实现过程更加系统地组织起来。
它至少带来了三方面的价值：
- 减少方案设计的时间。 AI 可以基于统一的规范，协助补全实现方案和设计文档中的细节。
- 维护完整的研发知识库。 从需求分析、方案设计到实现和验证，过程中的知识不再散落在聊天记录或个人记忆里，而是能够持续积累和复用。
- 推动端到端协作。 规格不只是开发前的一份文档，它还可以贯穿编码、测试、调试和验收，让 AI 在整个研发周期中保持一致的上下文。
对 AI 来说，清晰、持续更新的规格就是高质量上下文；对团队来说，它也是一套能够复用和传承的研发资产。
三、让自动化真正做到端到端
第三点收获是端到端自动化。以云台跟踪算法为例，从云台参数设置、测试执行，到日志采集和结果分析，整个过程都可以尽量减少人工干预。
我们应该尽可能利用 AI，把那些重复、明确、可验证的工作自动化。例如，当需要排查线上问题时，可以提前通过 Skill 沉淀访问线上服务器、识别服务环境、查询日志和分析数据的方法。只要在初期为 AI 提供必要的信息、工具和安全边界，它就能够独立完成大量工作。
理想的线上问题排查流程可以是：AI 自动拉取日志，关联相关代码和处理流程，查询异常数据，分析问题发生的原因，并给出修复方向。过去需要人工在多个系统之间来回切换的工作，可以被串联成一个完整的自动化闭环。
这意味着 AI 不再只是研发流程中的某一个工具，而是可以参与从发现问题、收集证据、分析原因到辅助解决问题的全过程。
写在最后
这几个月的云台跟踪算法研发让我越来越确信：AI 真正带来的效率提升，不只取决于模型能力，更取决于我们能否建立一套适合 AI 工作的工程体系。
这套体系包括三件事：用框架思维拆解问题，用 SDD 沉淀上下文和知识，再通过自动化把开发、测试与问题排查连接成端到端的闭环。
当这些基础逐渐完善后，人与 AI 的分工也会变得更加清晰：人负责定义问题、把握方向和验收结果，AI 负责执行、验证和持续迭代。最终提升的不只是写代码的速度，而是整个研发系统的效率。