jibuff：为AI编程代理构建的规格驱动工作流框架

jibuff是一个开源的规格驱动工作流框架，旨在解决AI编程代理面临的需求模糊性问题。通过多轮澄清访谈、规格锁定和验证闭环，jibuff帮助开发者在AI代理执行前消除需求歧义，降低计算成本并提高代码质量。

随着Claude Code、Codex等AI编程代理的快速发展，开发者越来越依赖这些工具来自动化代码生成任务。然而，AI代理的强大能力也带来了一个核心问题：模糊或矛盾的需求规格会导致昂贵的返工成本。

当开发者向AI代理输入一个不够清晰的需求时，代理可能会生成与预期不符的代码，这不仅浪费了计算资源，还将调试负担转移回开发者身上。这种"需求抖动"问题在实时通信、媒体处理等对稳定性要求极高的领域尤为突出。

jibuff（名称源自"jitter buffer"抖动缓冲区）借鉴了实时通信领域的技术概念。在音视频传输中，抖动缓冲区用于吸收时序不一致性，确保解码器获得稳定的数据流。jibuff将这一理念应用到AI编程工作流中：在需求到达AI代理之前，先进行充分的澄清和固化，消除歧义。

该框架的核心工作流程遵循五个阶段：

1. 需求访谈（Interview）：通过多轮对话澄清需求，使用混合歧义评分机制（关键词覆盖度 + 矛盾检测 + 维度清晰度）量化需求的明确程度

2. 规格锁定（Spec Lock）：生成并冻结tasks.md规格文档，在代理执行期间不允许变更范围

3. 代理循环（Agent Loop）：LoopController逐个任务地喂给全新的Claude子进程，避免会话状态污染

4. 验证闭环（Validation）：每个任务完成后运行可配置的验证器栈，包括代码检查、类型检查、测试、安全扫描等

5. 产物输出（Artifact）：通过或失败的产物写入storage目录，每个任务只能看到自身的历史上下文

jibuff提供两种运行模式以适应不同场景：

• 歧义阈值：≤ 0.25
• 风险门禁：无
• 最大访谈轮次：5轮
• 验证器栈：代码检查、类型检查、测试、安全扫描
• 适用场景：通用功能、脚本、API开发

• 歧义阈值：≤ 0.15（更严格）
• 风险门禁：< 0.4
• 最大访谈轮次：8轮
• 验证器栈：在Quick模式基础上增加设备、网络、回退机制、防火墙检查
• 适用场景：WebRTC、媒体处理、实时协议开发

这种分层策略让开发者可以根据项目关键性选择合适的严格程度，既保证了关键系统的可靠性，又不影响日常开发的效率。

jibuff采用严格的上下文隔离设计，每个任务都在全新的子进程中运行，只能访问当前任务的上下文。这种设计避免了长会话中常见的上下文污染问题，确保每个决策都基于清晰、相关的信息。

jibuff可以作为MCP（Model Context Protocol）服务器注册到Claude Code中，暴露四个核心工具：

• jibuff_interview：启动或继续访谈会话
• jibuff_run：执行规格循环
• jibuff_status：查询当前循环状态
• jibuff_cancel：终止运行中的循环

这种集成让开发者可以在熟悉的Claude Code环境中直接调用jibuff的能力，无需切换工具。