Skip to content

lvzhaobo/mumu-coding

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

15 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Mumu Coding | AI Coding Playbook — 企业级 Spec Coding 方法论与实战资产

Any tool, any team. Ship specs before code.

一套经过企业实战验证的 AI Coding 落地方法论与资料包。不是教程,是可以直接拿去用的工程资产


🎯 为什么需要这个仓库

AI Coding 工具( Qoder / 通义灵码 / Kiro / Trae / Claude Code / Codex / Copilot / Cursor /)已经足够好,但企业落地仍然失败率高——原因不在工具,在:

  • ❌ 团队把 AI 当"更快的打字机",不先对齐需求
  • ❌ 改一处需求,API / 数据 / 测试 / 追溯全不同步
  • ❌ 没有方法论文档,新人上手全凭感觉
  • ❌ 管理层问"ROI 在哪",答不出来

这个仓库解决的就是"工具之外的部分":如何先写 Spec 再写代码;如何让 14 份文档互相咬合;如何度量团队成熟度并设计进阶路径。


📦 仓库里有什么

1️⃣ 企业级 AI Coding 成熟度模型(E-ACMM)

5 级能力演进模型,帮你回答:"我的团队现在在哪一级,下一步该做什么"

级别 名称 典型特征
L1 个人探索 团队在用 AI,但无统一方法
L2 团队试点 有工具链,但未系统化
L3 企业广泛使用与沉淀 Context Engineering 落地,Spec 先行
L4 量化驱动 ROI 可量化,持续改进
L5 研发范式 AI Coding 成为组织基因

📄 阅读白皮书完整版(PDF)
📝 在线自评问卷(H5)

2️⃣ 14 文档 Spec 矩阵体系

不是"写个 PRD 就完",而是一套可追溯、可校验、可交付的工程规约体系:

┌─────────────────────────────────────────────────────┐
│  Meta        01 写作总则  ·  02 需求采集             │
│  Proposal    03 立项提案  ·  04 产品需求 PRD         │
│  Spec        05 用户故事  ·  06 功能规格  ·  07 NFR  │
│  Design      08 架构选型  ·  09 API契约  ·  10 数据  │
│              11 安全设计                             │
│  Plan        12 实施计划                             │
│  Test        13 测试策略                             │
│  Trace       14 追溯矩阵                             │
└─────────────────────────────────────────────────────┘

每份文档都经过真实客户项目验证,配套 Spec Console 可视化控制台spec-manifest.json 字段级追溯。

3️⃣ WAF 六大支柱方法论

Well-Architected Framework for AI Coding,覆盖从意图到规模化的完整治理体系:

支柱 内容
P1 意图与规范 需求对齐 · RFC 用词 · 质量门禁
P2 上下文与记忆 Context Engineering · Rot 诊断 · 记忆分层
P3 人机协作 Agent 编排 · Harness 工程 · 审批回滚 · CLI 集成
P4 质量与安全 35 种坏味道诊断 · 分层测试 · 安全设计
P5 效能与 ROI 度量体系 · 成本优化 · ROI 计算器
P6 组织与文化 成熟度演进 · Skill Hub · 知识中台

📂 详见 WAF 目录,稍后补充

4️⃣ 87 个标准化 Lab 实验库

四维分区,覆盖从理论验证到垂直场景的全谱系:

Labs/
├── dim1-sdlc/          ← SDLC 全生命周期实验
├── dim2-ai-app-dev/    ← AI 应用开发实验
├── dim3-vertical-scenes/ ← 垂直行业场景
├── 1-SpecCoding/       ← Spec 专项
├── 2-代码准确度/
├── 3-代码审核与安全性/
├── 4-加载企业知识/
└── 5-Skills&MCP/

5️⃣ 企业 Skill Hub 方案

Anthropic Skill 格式标准化 + 企业内部共享平台搭建指南:

📂 详见 skillhub/


🔥 与 OpenSpec 的关系

维度 OpenSpec 本仓库(SDAC 体系)
核心问题 单文件 Spec 的版本治理 14 文档矩阵的内容生成与对齐
artifact 粒度 4 个通用文件 14 个专用文档(PRD/US/FSD/NFR/API/Data/Test/RTM...)
跨文档追溯 ✅ REQ↔US↔AC↔API↔TC 四向矩阵
企业成熟度评估 ✅ E-ACMM 5 级模型 + 自评问卷
坏味道诊断 ✅ 35 种 AI Coding 坏味道分类
客户交付包 ✅ 脱敏案例 + 诊断流程 + 培训资料

你已经在用 OpenSpec?这个仓库是它的企业级扩展包。


🚀 快速开始

场景 1:团队想用 AI Coding,但不知道从哪开始

  1. 打开 成熟度自评问卷,花 5 分钟测一下
  2. 对照 白皮书 的"典型现状与进阶路径"章节
  3. Spec模板-投研助手/ 挑一份模板,按 01-Spec写作总则与文档编号索引.md 的顺序开始

场景 2:已经在用 AI,但代码质量不稳定

  1. WAF 支柱 4:质量与安全 的 35 种坏味道清单
  2. Spec R4 交叉校验,检查跨文档一致性
  3. Lab 实验库 挑一个相关实验做团队 workshop

场景 3:管理层要 ROI 数据

  1. 打开 支柱 5:效能与 ROI
  2. Lab-12 ROI 计算器 做测算
  3. 输出成 PPT 给管理层

🤝 如何贡献

你可以 怎么做
提 Issue 发现坏味道清单漏了某种?提交!
补 Lab 有企业实战案例?按 labs/ 目录结构提 PR
改 Skill 优化 .qoder/skills/ 下的 Skill 格式?欢迎!
翻译 想贡献英文版?建 en/ 目录,我来 review

Good First Issues 标签适合新手,Help Wanted 标签需要你!


📄 License

MIT License — 企业可商用、可 fork、可改。如果对你有帮助,留个 Star ⭐ 就是对方法论最大的支持


Spec it first. Ship it right.

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

 
 
 

Contributors