SPECMINE: A Large-Scale Corpus of Spec-Driven Development Artifacts
本文介绍了 SPECMINE，这是一个大规模语料库，它汇集了来自公共 GitHub 仓库的近 57 万个规范文件和超过 5,000 个相关的拉取请求，旨在为规范驱动开发（Spec-Driven Development）构件及其被 AI 智能体转化为代码的过程提供首次全面的研究。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在软件创作的世界里，长期以来一直存在着一种关于程序构想与程序本身之间的根本张力。传统上，开发者会在脑海中构思一个愿景，或者在餐巾纸上随手涂鸦，然后花费数月时间将那个愿景转化为代码。代码是主要的产物，是需要被编写、审查和维护的东西。然而，最近出现了一种新的实践，其顺序被颠倒了过来。在编写一行代码之前，开发者通常会借助人工智能工具的帮助，起草一份详细且结构化的构建需求描述。这份用自然语言编写的描述充当了蓝图的角色。随后，一个AI智能体（agent）会阅读这份蓝图并生成实际的软件。这种转变意味着，项目中最重要的文档不再是代码，而是规范说明书（specification）本身。理解这些规范是如何编写的、如何变化的，以及它们最终如何变成可运行的软件，现在成为了任何研究技术制造方式的人士必须面对的关键问题。
直到现在，还没有人能为这一新景观绘制出一张清晰的地图。虽然已经出现了数十种辅助开发者编写这些蓝图的工具，但它们所生成的实际文档却从未经过大规模的研究。卡内基梅隆大学的研究员 Shyam Agarwal 和 Bogdan Vasilescu 通过创建 SPECMINE 改变了这一现状，这是一个包含这些规范文档及其生成的代码的海量集合。他们从 GitHub 的公共项目中收集了近五十万个规范文件，捕捉了这一实践在 2025 年和 2026 年诞生时的快照。这个集合不仅包括规范的文本内容，还包含了这些项目所属的完整历史、编写者，以及当规范更新时所做的特定代码更改。这是软件界首次能够详细观察在 AI 时代，一份书面描述是如何转化为一个功能完备的程序的。
研究人员通过两种主要方式构建了这个集合，以确保能够捕捉到全貌。首先，他们寻找名为 “spec.md” 或 “specs.md” 的文件，这是大多数新工具使用的标准命名方式。仅此一项搜索就从超过 73,000 个不同的仓库中找回了超过 470,000 个文件。随后，他们进行了第二次独立的搜索，针对名为 AWS Kiro 的特定工具，该工具使用不同的命名约定，将需求、设计和任务分为独立的文件。这又增加了 98,000 个文件。通过结合这些搜索，他们创建了一个涵盖目前使用中的绝大多数工具的广泛普查集。该集合中的每个文件都标记了其所属项目的信息，例如项目的关注人数（watchers）、使用的编程语言以及生成该规范的具体工具。
为了理解这些书面计划究竟是如何引导代码生成的，研究人员更进一步。他们专注于一小组经过精心挑选的热门项目，并追踪了每一个涉及规范文件的代码更改请求。他们发现了近 6,000 个这样的请求，即“拉取请求”（pull requests），在这些请求中，开发者或 AI 智能体同时更新了蓝图和代码。这使他们能够看到构想与实现之间的直接联系。在许多情况下，规范和代码在同一次更新中共同发生变化，这证实了蓝图正被用于实时驱动工作。然而，研究人员也指出，这并不是唯一的发生方式；有时是先写好计划，代码随后而来；或者代码先写好，计划随后才被添加。数据表明，虽然同步变化很常见，但这种关系是复杂的，并且因项目而异。
除了仅仅统计文件数量外，团队还分析了这些文档的结构，以了解它们的实际形态。他们发现，这些规范说明书并非随机的笔记，而是通常遵循特定的模式，例如使用清晰的标题、列表或结构化格式，使人类和机器都能轻松阅读。研究人员还建立了一个系统来追踪文档内的引用关系。如果一份规范提到了某个特定文件或需要完成的任务，系统会检查该文件是否确实存在于项目中，或者该任务是否已被完成。这揭示了一些项目中的显著差距：有数千份规范提到了从未在代码中出现的项目或任务。这表明，尽管编写规范说明书的做法正在兴起，但确保这些规范被完全实现的纪律性仍处于演进阶段。
该集合还提供了一个观察编写者身份的窗口。由于数据包含了每一次变更的历史，研究人员可以观察一份规范是由人类编写、由 AI 生成，还是由两者混合而成。他们可以追踪这些文档被更新的频率，以及它们在被废弃前保持活跃状态的时间。这种细粒度的信息使得以前无法回答的问题变得可以回答，例如：一份编写良好的规范是否会导致最终代码产生更少的错误，或者是否某些类型的项目更有可能采用这种新的工作方式。数据表明，这种实践正在迅速传播，绝大多数此类文件出现在短短两年内，标志着软件开发进入了一个崭新的时代。
研究人员将整个数据集向公众开放，并以一种允许任何人探索构想与代码之间联系的方式进行组织。他们提供了规范的原始文本、项目的历史记录以及两者之间的链接，且没有隐藏贡献者或项目的身份，因为一切都源自公共资源。这种透明度意味着其他科学家可以验证研究结果、提出新问题，并研究这种实践如何随时间演变。这项工作并不声称这种新方法是完美的，也不声称它已经解决了所有软件开发的问题。相反，它提供了第一块坚实的证据基础，为一片此前未知的领域绘制了一张大规模的地图。它表明，尽管编写规范的工具已经就绪，且工作的规模正在增长，但人类与机器如何协作将这些文字转化为软件，仍是一个正在摸索的过程中，且每个项目都在经历自己的探索。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。