科技智东西··AI 生成
杭州迅速智能熊继斌：AI软件工厂重新定义软件生产方式
这是一篇企业创始人在行业大会上的演讲实录，核心观点是：AI编程工具已能写大部分代码，但软件开发效率并未同步提升，瓶颈在于需求阶段。熊继斌提出用“AI软件工厂”范式解决——通过AI-Ready需求建模器将自然语言需求转化为结构化DDD领域模型，再由软件工厂的多Agent三引擎调度体系自动拆解任务、并行编码、生成可运行系统。文章以校园访客系统演示了全链路跑通，并指出真正的壁垒不在于单个Coding Agent能力，而在于系统化协作。适合对AI软件工程落地、AI Agent协作体系、需求驱动开发新范式感兴趣的技术决策者阅读。原文 ↗原文 ↗
核心观点
- ▍从需求到代码之间最大的鸿沟，从来不是写代码本身，而是需求的结构化表达与多方对齐。
- ▍AI软件工厂的核心是系统化协作，真正的壁垒不在单点Agent能力，而在将一组Agent协作成自动化工厂。
- 01一个金融客户提供了300多份格式混乱的PRD文档，传统做法需要两三个高薪人力投入两个月，大量时间消耗在沟通摩擦上。
- 02需求建模器采用DDD三段式方法：事件风暴、四色建模、限界上下文，并加入了“事件追溯”步骤检查因果链完整性，使建模准确率提升约30%。
- 03软件工厂核心是三个引擎：Planner（任务看板）、Orchestrator（Elixir编写的调度引擎，每5秒轮询）、Coder（无状态原子执行单元，每次完成一个工作卡片）。
- 04校园访客系统全链路跑通：从输入业务需求，到自动生成DDD模型，再到拆解为20张任务卡、44个标签、41条阻塞关系，最终产出可访问的完整系统。
- 05AI在分析DDD模型时自动发现了人工建模难以发现的错误，如状态枚举缺“草稿”态、审批记录与通行证之间存在前向引用循环依赖。
- 06团队采用的Meta-Spec设计哲学是“规格驱动，数据说话”，用结构化Schema替代不可验证的Prompt工程，明确告诉AI要产出什么，而不是怎么做。
反方 / 局限
- — 团队承认当前跑通的全链路离工业级可用还有距离，正在推进增量建模与DocMap、DDD建模质量优化、Canonical Business Story三个方向。
- — 作者认为当前AI应用层减员增效的逻辑本质是零和博弈，可能只是一个过渡态而非终点。
概念锚点
前置背景
平行视角
未来推演
延伸追问