Modern AI Developer Tech Stacks and Workflows (June 2026)

向规范驱动和“慢代码”方法论转变

现代 AI 开发正在从原始的代码生成转向结构化的、规范优先的工作流。开发者正越来越多地采用“规范驱动开发”（SDD）和“慢代码”（Slow Code）来防止 AI 幻觉并保持长期的项目可维护性。

规范驱动开发 (SDD)

SDD 涉及在生成任何代码之前编写详细的规范。这一过程通常包括：

• 研究与访谈： 使用智能体（agents）将大型任务分解为更小、更易于管理的子任务。
• 物化需求： 为每个子任务编写详细的规范，以便会话上下文保持集中，从而降低成本并提高对需求的遵循度。
• 不可变产物： 一些开发者维护一个专门的 .agents/plans/ 目录或一个单独的 dev-plans 仓库，用于存储用于探索、实施规划、验证和评审的不可变 Markdown 产物。

“慢代码”哲学

“慢代码”不再是使用 AI 瞬间生成整个功能，而是将 LLM 视为设计伙伴或“橡皮鸭”调试助手。这种方法强调：

• TDD 集成： 先编写测试，手动或在 AI 协助下实现代码，然后使用 LLM 来识别边缘情况、内存泄漏或效率瓶颈。
• 迭代对话： 在请求最终代码之前，进行多轮对话（4-5 次）以挑战 AI 的假设。
• 验证重于生成： 使用 AI 来评审和验证代码，而不是仅仅编写它。

新兴工具与技术栈

目前存在一种明显的趋势，即转向以终端为中心的工作流，并使用智能体化的 CLI 工具，而非传统的 IDE 插件。

核心工具趋势

• Agentic CLIs： Claude Code 和 Codex 被频繁引用为实现的主要驱动力。其他提到的工具包括 Mecha-AI 和 OpenCode。
• 终端模拟器： Ghostty 是高性能终端访问的常用选择。
• 编辑器： Neovim 和 VS Code (或 VSCodium) 仍然占据主导地位，通常与自定义脚本配合使用，将文件拼接成提示词（prompts）。
• 基础设施： 使用 Model Context Protocol (MCP) 已成为连接编码智能体与外部工具和内部代码库索引的标准。

示例开发者技术栈

用户画像	OS	编辑器/终端	主要 AI 工具
终端优先	macOS	Ghostty / Neovim	Claude Code, OpenCode
智能体重度型	Linux	VSCodium	Mecha-AI, DeepSeek
混合/自定义型	macOS	Ghostty / Neovim	Pi, Codex
极简主义者	Various	Browser	Claude / ChatGPT

高级自动化与工业工程

对于大规模开发，一些从业者正在将工业工程原则应用于 AI 智能体编排。

智能体工厂与编排

高级工作流涉及“智能体工厂”，负责处理全生命周期：规划长期目标、编写产品需求文档 (PRDs)、执行任务并进行评审。为了管理这种复杂性，开发者建议：

• 持续改进： 将智能体流视为一个通过检查清单和门禁（gates）进行优化的过程。
• 重度 Linting 与文档化： 在仓库中实施激进的 Linting 并记录每一个架构决策，以引导智能体。
• 并发管理： 仔细构建代码架构，以尽量减少当多个智能体同时在代码库上操作时产生的冲突。

自定义工具与 DSLs

一些开发者正在构建定制化工具来弥补 LLM 与文件系统之间的鸿沟，例如：

• 自定义提示词引擎： 允许用户在 Vim 中“勾选”文件，以便将其与项目特定的“良好代码规则”文件一起拼接成提示词。
• TUI 包装器： 自行制作的终端用户界面 (TUIs) 用于管理 LXC 容器，从而实现快速环境切换和在不同 LLM 提供商（Anthropic, OpenAI, OpenRouter）之间进行热切换。

对新手和教育者的实用建议

对于那些正在筹备工作坊或开始 AI 开发的人，社区建议采用分层的方法来提升技能：

1. 入门阶段： 从 Claude Code 或 Codex 等桌面应用开始，以降低准入门槛。
2. 中级阶段： 转向 Cursor 或集成了 AI 的 VS Code，进行手动和中规模的更改。
3. 高级阶段： 转向智能体化 CLI 工具、多智能体编排器和自定义 MCP 实现。

关于环境搭建的提示： 经验表明，对于 Windows 用户，对于初学者来说，原生的 Python/pip 可能比复杂的 WSL2 + uv 配置更稳定，因为后者有时会在工作坊期间导致文件系统冲突。