# Kerf：AI Agent的规格优先开发工作流管理工具 > 介绍Kerf如何通过结构化规划工作流帮助AI Agent从问题理解到规格编写再到任务分解，实现可恢复、可并行的开发流程管理。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-05-14T19:45:07.000Z - 最近活动: 2026-05-14T19:52:23.338Z - 热度: 141.9 - 关键词: AI Agent, 规格驱动开发, 工作流管理, CLI工具, 软件规划, Spec-First, Go, 开发工具 - 页面链接: https://www.zingnex.cn/forum/thread/kerf-ai-agent - Canonical: https://www.zingnex.cn/forum/thread/kerf-ai-agent - Markdown 来源: ingested_event --- # Kerf：AI Agent的规格优先开发工作流管理工具 ## 核心理念：Measure Twice, Cut Once 在AI辅助软件开发日益普及的今天，一个根本性问题始终存在：Agent往往急于进入编码阶段，而缺乏充分的规划和设计。这种"先写代码后想问题"的模式导致代码质量不稳定、需求理解偏差、以及大量的返工。 Kerf的核心理念源自木工行业的古老智慧——"Measure twice, cut once"（三思而后行）。它强制AI Agent在进入编码之前，先完成结构化的规划流程：理解问题、分解任务、研究选项、编写详细规格，最后才分解为具体的实现任务。 ## 两种工作模式 Kerf提供两种主要的工作模式，适应不同的项目需求： ### Plan-First模式（现有项目） 对于已有代码库的项目，Kerf采用"计划优先"策略。Agent在修改代码之前先编写变更计划， codebase保持为事实来源。这种模式适合： - 在成熟项目中添加新功能 - 修复Bug或进行重构 - 需要与现有代码紧密集成的任务 ### Spec-First模式（新项目） 对于新项目或维护活跃规格的团队，Kerf采用"规格优先"策略。规格定义系统应该做什么，不符合规格的代码就是错误的。这种模式适合： - 从零开始的新项目 - 有严格需求管理的团队 - 需要长期维护的复杂系统 ## 工作流设计 Kerf管理的工作流是结构化的、可恢复的、可并行的。每个工作（work）都有一个唯一的代号（codename），包含以下状态： ``` kerf new # 创建新工作 kerf show # 查看当前状态和下一步 kerf status # 读取或推进状态 kerf shelve # 保存进度，结束会话 kerf resume # 从上次离开处继续 kerf list # 显示所有工作 kerf square # 验证工作是否完成 kerf finalize # 打包到git分支 kerf snapshot # 保存快照 kerf history # 查看快照历史 kerf restore # 恢复到之前快照 kerf archive # 归档已完成工作 kerf delete # 删除工作 ``` ## 存储架构 Kerf将工作存储在bench目录（~/.kerf/）中，位于git仓库之外。每个工作包含： - **spec.yaml**：追踪工作状态 - **artifact文件**：工作流各阶段产生的产物 只有在执行`kerf finalize`时，工作才会进入git仓库，创建分支并提交产物。这种设计实现了： - 工作状态的持久化 - 跨会话的恢复能力 - 多个工作并行进行 ## Jigs：流程模板 Jigs是Kerf的流程模板系统，定义Agent需要经历的各个阶段（passes）以及每个阶段的详细指令。典型的Jig可能包括： 1. **Problem Space**：理解问题和需求 2. **Decomposition**：将问题分解为子任务 3. **Research**：研究可选方案和技术选型 4. **Spec Writing**：编写详细规格文档 5. **Task Breakdown**：将规格分解为可执行的任务 每个阶段都会产生文件，工作是可恢复的，多个工作可以同时进行。 ## 目录结构 Kerf在项目中创建以下目录结构： ``` specs/ # 规范规格（spec-first项目的事实来源） plans/ # 变更提案，包含设计理由和任务分解 {name}/ _plan.md # 意图、设计、规格变更 beads.md # 实现任务分解 ``` 这种结构清晰地分离了"做什么"（specs）和"怎么做"（plans），让团队能够追踪决策过程。 ## 与AI Agent的集成 Kerf的设计充分考虑了AI Agent的工作方式： ### 自举安装 安装过程本身就是AI友好的。开发者只需在Agent会话中粘贴： ``` Install kerf (go install github.com/gberns/kerf@latest), run kerf init in this project, and follow its setup instructions. ``` Agent会自动完成配置文件的创建、gitignore的更新，并学习如何使用kerf。这适用于任何AI编码Agent（Claude Code、Cursor、Windsurf、Codex等）。 ### 结构化提示 Kerf的每个阶段都提供详细的结构化提示，Agent知道： - 当前阶段的目标是什么 - 需要产出什么 artifacts - 如何推进到下一阶段 - 何时需要人类确认 ## 实际价值 Kerf为AI驱动的开发带来了几个关键价值： 1. **质量提升**：充分的规划减少了返工和缺陷 2. **可追踪性**：每个决策都有文档记录 3. **可恢复性**：工作可以跨会话持续进行 4. **并行性**：多个独立工作可以同时进行 5. **团队协作**：规格成为团队沟通的共同语言 ## 技术实现 Kerf使用Go语言编写，作为单个二进制文件分发，安装简单（`go install`）。这种技术选择确保了： - 跨平台兼容性 - 快速启动时间 - 无运行时依赖 - 易于集成到现有工具链 ## 结语 Kerf代表了AI辅助开发工具的一个重要方向——不是让AI更快地产出代码，而是让AI更聪明地规划和设计。在软件工程中，"写代码"从来都不是最困难的部分，"理解问题"和"设计解决方案"才是。Kerf通过强制结构化的规划流程，帮助AI Agent（和人类开发者）在动手编码之前充分思考，最终实现"Measure twice, cut once"的工程智慧。 对于希望提升AI Agent开发质量的团队来说，Kerf提供了一个轻量级但强大的工作流管理方案。