刚发布的时候一大早体验了下，写了篇文章
https://mp.weixin.qq.com/s/Tt0vxflUlCvkgupU_Tg9DA

目前看跟 Cursor 的 GUI 的功能还有差距，例如缺少 code space 的代码搜索，没那么智能
没有 Auto


但 Cursor CLI 是一个从 0 到 1 的改变，意味着 Cursor 可以到处运行了

@jaxchan 我测试下来，似乎 GPT 的指令遵循更好，我使用 Cursor 的 Auto 配合这个用起来还不错

工作 15 年，我的经验是：专注兴趣+工作交叉点，用输出倒逼输入

我主要关注两个方向：
AI+工程效能 - 既是工作重点，也是个人兴趣
开源工具开发 - CloudBase 相关项目，既能提升工作技能，又能服务社区

然后具体做了这些事情：
在 X 上分享技术思考，获得反馈和讨论
业余时间写技术文章，把实践经验沉淀下来
开源项目维护，既锻炼技术又建立影响力

最近的一些成果：
技术文章经常出了爆款
X 上的技术分享获得很多同行关注，最近关于 kiro 的 spec 的解读有 20 万+阅读
开源项目被广泛使用，形成正向循环

核心是找到"兴趣+工作+价值"的交集点，这样既能保持热情，又能产生实际价值。
单纯为了技术而技术，确实很难长期坚持

我的 X ，欢迎 follow 和交流
https://x.com/being99

分享一下我的 AI 提效实践，主要解决"老虎机 Vibe Coding"的问题。

以前我也是：丢个需求 → 点生成 → 不满意重来，循环往复。后来发现这样太碰运气了。

现在改用系统化的方法：
1. 先用 EARS 语法澄清需求 (When/While xxx, the system shall xxx)，重点是我和 AI 对齐思路和细节
2. 让 AI 输出技术设计文档，重点是我和 AI 对清楚技术实现细节
3. 拆分成具体任务清单，这块我关注的较少
4. 逐步实现和验收，重点是关注自动化测试的用例和执行情况

举个例子，我们自己开源的项目都在用这种方式在开发
https://github.com/TencentCloudBase/CloudBase-AI-ToolKit/tree/main/specs

这套方法在 Cursor 、Claude Code 里都能用，核心是让 AI 参与需求的一步步澄清和细化，并能根据标准来自动化测试，而不只是"代码生成"。

PS: 这个方法论是从 AWS 的 Kiro AI IDE 学来的

之前专门写了一个文章来介绍，一不小心还成了我的爆款文章😄
AI 编程不靠运气，Kiro Spec 工作流复刻全攻略
https://mp.weixin.qq.com/s/3j6lG50isbuSH4p64TsNag

@songunity 有想过，但我对 subagent 的上下文比较担心，实际上有丢失很多上下文内容

最近刚好在实践这块

推荐你 采用 Spec 驱动的研发方式，可以提升 vibe coding 的质量和效率

我写了一篇文章可以看看
一文复刻 Kiro Spec 工作流到 Cursor/ClaudeCode 等各种 AI IDE
https://mp.weixin.qq.com/s/3j6lG50isbuSH4p64TsNag

今天看到一本十几年前的书，刚好解释了我们 AI 编程领域里为啥类似 Kiro 的 Spec 模式也是有效的 💯

📚 书名叫做 Specification by Example, SBE

我来简单总结下，后面打算写一个长文来输出下

Specification by Example, SBE 是一种软件开发方法，旨在通过具体的实例来澄清、验证和沟通需求

❓ 为啥在 AI 编程里也有效呢？

1️⃣ 需求得到澄清，并且可执行和可验证
2️⃣ 短迭代，持续反馈： 每次聚焦一小块
3️⃣ 共享上下文：需求设计、技术方案设计、测试验收，不同工种相互校验，避免出现偏差
4️⃣ 本质上也是一种测试驱动开发

总结下来就是通过这样一套流程来规范了需求信息，划定了需求的明确范围，减少了偏差，同时可测试验证，加上持续迭代和共享上下文，最终需求的交付质量得到了提升，减少了返工😄

@sunny352787 好，你这个从哪里找的

@sunny352787 你发的这个我没用过，可以研究下
不过体感上感觉 spec 的流程更加可控了，相当于可以知道 AI 每个阶段的规划和设计，而不是直接到最后的代码阶段才发现问题
另外，就是 spec 模式下，文档可以留存下来

只是封锁了 Claude 模型，Cursor Auto 还是可以用的

我以前觉得 Cursor Auto 完全没用，最近尝试在 Cursor 中集成了 Kiro 那一套

感觉 Cursor Auto 的准确度和生产力大大提升了

再加上 Cursor Auto 无限次数，我感觉没有 Claude 也无所谓了， 或者大不了用 Claude Code + K2

感兴趣的话可以看这两篇
一文复刻 Kiro Spec 工作流到 Cursor/ClaudeCode 等各种 AI IDE
https://mp.weixin.qq.com/s/3j6lG50isbuSH4p64TsNag

在 Claude Code 中使用 KimiK2
https://x.com/being99/status/1944050679233831389

@taylorr 👍期待你的后续分享

看到 Kiro 我就进来了，Spec 这套设计非常合理

Spec 工作流让 AI 编程不再是“碰运气”，而是“有章可循”。

人类工程师的经验和判断，配合 AI 的高效执行，才能让开发真正提速、提质、可复盘。

在 Spec 工作流下，AI 负责：

模糊需求 → 需求方案
技术设计文档
任务清单
编码实现
验收测试
人只需参与：

需求输入
需求/技术/任务/测试评审

----

前天中午使用了下 Kiro ，被他那一套 spec 工作方式给吸引到了，无奈经常网络报错
下午尝试写了一套提示词来复刻了 Kiro 的工作方式，结果在 Cursor 中 的 Auto 模型下也工作良好，一下子帮我搞定了好几个需求（要知道，以前我是不屑于用 Auto 模式的，感觉完全不能用）

然后当天发了拆解和复刻 Kiro 的推文，结果爆了（一天我的账号多了十万的阅读）
https://x.com/being99/status/1945432092441272656 ｜

昨晚上又肝了下写了篇完整的长文，大家可以看看

AI 编程不靠运气，Kiro Spec 工作流复刻全攻略
https://mp.weixin.qq.com/s/3j6lG50isbuSH4p64TsNag

P.S. 今天很多群友在 Cursor/ Claude Code 等工具都复现了这套工作流，都非常兴奋😄

我充了 50

并发数 50
TPM 256000
RPM 200

也感觉挺慢

@zsj1029 @8520ccc
两位提到的方案确实可行，这些都是优秀的开源项目，可以自托管部署。不过需要注意的是，自托管方案在投入生产环境时，服务的稳定性（ SLA ）和出现问题时的技术支持就需要自己负责了
提醒大家也要注意下数据的安全和维护投入的成本

@cutchop 咱们现有数据库是哪种
如果是云开发自带的云数据库，可以用安全规则，支持表达式来控制行权限
如果是 MySQL 这种，CloudBase 支持连接你的数据库，也可以基于数据模型的行列权限来控制
https://docs.cloudbase.net/database/introduce

大家好，我是 CloudBase 团队的同学，看到这个帖子跟我们团队做的事情非常相关，想和大家分享一个我们最近在做的开源项目：**CloudBase AI ToolKit**

*我们做这件事的初衷很简单：**

我们观察到，现在大家用 Cursor 、Claude Code 这类 AI 编程工具已经能很高效地生成代码片段了。但从代码到应用上线，中间还有很多“脏活累活”：配置数据库、编写和部署云函数或者其他后端能力、设置网关/域名、处理静态资源托管等等。AI 生成了代码，但部署的“最后一公里”还得靠手动完成。

我们想做的，就是尝试打通这个环节，**让 AI 不仅能帮你写代码，还能直接帮你把整个应用部署上线**。类似于国外 v0/bolt.new/lovable 和 supabase 的集成效果。

**这个 ToolKit 是如何工作的？**

它本身不是一个新的 AI Copilot ，而是一套开源的**“ AI 规则和 MCP 工具集”**，需要配合 Cursor 或 Claude Code 等 AI 编程工具使用。

它的核心是通过预设的 Rules 和 MCP 工具，引导 AI 将你的自然语言需求（比如：“帮我创建一个支持 Markdown 的博客网站”）转化为可以直接在云开发平台上运行和部署的全栈应用代码，并自动完成部署，在过程中还可以自动查询日志、数据来排除障碍。最终，你只需要和 AI 对话，就能得到一个可访问的线上网址。

**我们希望它能帮助到：**
* **独立开发者**：快速实现一个全栈应用，而不用过多操心后端和运维
* **需要快速验证想法（ PoC ）的朋友**：不懂后端技术，也能快速搭出可交互的 Demo 。
* **对 Serverless 感兴趣的同学**：把它当成一个学习和实践 Serverless 架构的“玩具”。

**一些说明和期待：**
* 这个项目目前还很早期，肯定有很多不完善的地方。
* 它当前**强依赖腾讯云云开发的生态**，这是它的优势（开箱即用，微信小程序云开发集成）也是局限。
* 项目是完全开源的，我们非常希望能听到大家的反馈，无论是好的建议还是直接的吐槽，对我们都很有帮助。

**GitHub 地址**： https://github.com/TencentCloudBase/CloudBase-AI-ToolKit

欢迎大家来体验，或者给我们提 Issue 和 PR ，谢谢大家

@gorvey 这些确实是最后一环了，如果这个也解决，就完美了

对于用户来说

1. 以后安装 MCP 到某个 AI 客户端变得更加简单了，直接下载后单击即可
2. 不需要额外安装依赖，安装速度也会变快

对于开发者来说

1. 这种分发形式更加标准
2. 依赖都是打包到安装包里面了，安装失败的可能性小了，我现在发现 npx 的失败率很高