AI PRD / SDD 工具深度调研报告

报告日期:2026-07-14 调研方式:deep-research workflow(Scope → Search → Fetch → Verify → Synthesize),基于 22 个已完成 agent / 30 个 URL / 68 条 claims(其中 32 条 central) 核心价值:① 补齐上一轮 bilingual-research 全部盲区;② 发现并修正 Gartner “42%” 误引;③ 形成基于量化证据的选型决策矩阵

0. 摘要(TL;DR)

5 个最重要的结论:

🟢 GitHub Spec Kit 是 SDD 赛道绝对头部开源:121k stars / 1,400 commits / 189 releases / v0.12.13(2026-07-13)/ MIT / 兼容 30+ AI agent(Copilot CLI / Claude Code / Codex CLI / Gemini CLI)
🟡 AWS Kiro 是商业化 SDD IDE 首选:GA 2025-11-18;Free + Pro $20 + P r o +$ 40 + Power $200;Spec 模式(requirements.md/design.md/tasks.md)+ Vibe 模式;但已发现 3 个公开缺陷(Remote SSH/WSL 不兼容、生成速度慢于 Trae、“plan reversion bug”)
🔴 Gartner “42% AI 项目失败源于需求不清” 是误引——无官方出处;真实 Gartner 数字是 40%(2025-06-25 agentic AI)和 30%(2024 GenAI)。这修正了上一轮 bilingual-research 引用的数据。
📊 中外市场规模差距悬殊:全球 AI 编程工具 2026 $12.8 B \to 2030$ 64.68B(CAGR 17.1%);中国 2026 ¥84.1 亿(+78.1% YoY)→ 2030 ¥2538 亿(CAGR 40%,显著高于全球)
🎯 中外市场驱动逻辑完全不同:中国 = 本土化(中文准确率 +20%)+ 信创合规 + 数据安全法;美国 = NIST/CAISI 部署前评估 + cloud-native;这意味着工具选型时不能用同一套标准

1. 调研背景与方法

1.1 调研问题

AI 开发前的”前置统一整理需求”工具深度调研——涵盖 AI PRD 工具、规格驱动开发(SDD)工具、AI Agent 需求工程工具,重点比较中外市场差异,并形成选型决策依据。

1.2 上一轮 bilingual-research 已识别盲区(本次重点补齐)

#	盲区	本次补齐状态
1	付费价格对比未覆盖	✅ 6 家定价已 cross-source 验证
2	企业落地案例缺失	✅ 微信/王者荣耀/南航电商/JPMorgan/Salesforce 等已列
3	Gartner “42% AI 项目失败源于需求不清” 数据未在英文原文溯源	✅ 已反证为误引
4	GitHub 仓库活跃度指标未量化	✅ stars/commits/releases 已采集
5	2026 H1 新工具未覆盖	✅ baoyu-design / DeerFlow v2.0.0 / Kiro GA 全部捕获
6	中外市场规模与渗透率无量化数据	✅ 2026/2030 双数字采集
7	关键反证(Gartner 42%)	✅ 全文最关键发现

1.3 调研方法

5 条 search angles(Scope 阶段已生成):
1. 中国产品全景与商业证据
2. 海外 AI PRD 商业化与企业采用
3. SDD 工具技术与仓库活跃度矩阵
4. Gartner 42% 失败率原始出处溯源与反证
5. 中外市场量化、2026 新工具与选型差异
22 个 agent 完成(因 MiniMax 200 RPM 限制预防性停止于 24 个 agent 阶段,以避免触发 429)
数据采集:30 个 URL / 68 条 claims(32 central + 26 supporting + 10 摘要级)
源质量分级:
- Primary(官方/原始数据):10 个 agent
- Secondary(二手但可交叉):3 个
- Blog(博客,可信但需注意):4 个
- Unreliable(不可信):2 个 → 已排除,0 claims

1.4 与上一轮 bilingual-research 的关系

维度	bilingual-research	deep-research(本报告)
触发条件	轻量查询	同一主题深度
搜索轮次	8 轮	30 个 URL / 68 claims
覆盖深度	全景+选型方向	量化证据+决策矩阵
产出形态	报告 + 语言覆盖报告	report.md + outline.yaml + fields.yaml + results/
关键发现	列出 8 个产品	新增 baoyu-design 真实定位(非 PRD/SDD 工具)+ Gartner 反证 + 量化定价

2. 工具全景

2.1 中国 AI PRD 工具(7 个,按成熟度排序)

🥇 墨刀 AI + 墨刀平台(头部商业化)

维度	数据	来源质量
用户规模	”超过 600 万产品经理与设计师”	primary(modao.cc 官方)
商业模式	Freemium + 订阅 + AI 积分独立计价	primary
超级会员	¥397/年(原 ¥696,4.4 折)含 5 工具 + 10,000 AI 积分	primary
AI 积分	3,000 积分 ¥68 / 10,000 积分 ¥168(原 ¥198)	primary
充值档	¥9.9/¥39/¥69/¥99 → 1万/5万/10万/15万积分	secondary
核心能力	AI 秒生原型稿,30 秒生成多设备高保真原型,支持 Tailwind CSS 实时生成	secondary
限制	AI 助手约 100 积分/千字,原型页面约 400 积分/页	secondary

核心定位:一站式 AI 产品设计协作平台,最强的”从需求→原型→代码”链路。对个人/小团队友好,但企业版需确认私有化部署细节。

🥈 腾讯 TAPD(企业研发效能)

维度	数据	来源质量
核心模块	智能需求(Coming Soon!)、智能生成、代码评审辅助	primary
AI 效率声明	”降低 30% 重复工作量”	primary
优先级准确率	”语义优先级排序准确率 92%“(DeepSeek 需求助手)	primary
工作流	轻量级 User Story + Must/Should/Could 优先级矩阵	primary
客户	微信、王者荣耀、南航电商、中金财富证券	primary
规模	千人以上团队,万人级组织架构	primary

关键发现:“智能需求” 模块标注 “Coming Soon”——这意味着腾讯 TAPD 的 AI PRD 能力尚未正式发布!上一轮 bilingual-research 把它列为已发布工具是信息滞后,本次修正。

🥉 字节跳动 DeerFlow(开源 SuperAgent,带 PRD 生成)

维度	数据	来源质量
开源仓库	github.com/bytedance/deerflow(MIT)	primary
Stars / Forks	76,934 / 10,448(2026-07-13)	primary
Open Issues / PRs	584 / 385	primary
Trending	GitHub Trending #1(2026-02-28)	primary
最新版本	v2.0.0(2026-06-25 release)	primary
技术栈	LangGraph + LangChain 完全重写	primary
推荐模型栈	ByteDance Volcengine(Doubao-Seed-2.0-Code / DeepSeek v3.2 / Kimi 2.5)+ InfoQuest by BytePlus	primary
PRD 能力	12 模块 PRD 自动生成(背景/用户画像/功能/业务流程/非功能/数据)	primary
案例效果	电商 SaaS 案例:PRD 制作 4.2 天 → 17 分钟,一审通过率 +63%	primary

核心定位:不是 PRD 工具,是 SuperAgent 编排框架。PRD 生成只是其中一个 /goal 命令的副作用。如果你的核心需求是 SDD,DeerFlow 不是最佳选择;如果你的核心需求是多 Agent 编排,DeerFlow 是中文圈首选。

⚠️ baoyu-design / JimLiu(独立开源,非 SDD 工具)

维度	数据	来源质量
仓库	github.com/JimLiu/baoyu-design	primary
作者	JimLiu(宝玉),独立开发者	primary
关系	非 Anthropic 官方项目	primary
能力	UI mockup / 交互原型 / 线框图 / PPT/PDF/MP4 / 设计系统	primary
集成	Cursor / Claude Code / Claude Desktop 等 Agent Skill 形式打包	primary
最近活动	2026-06	primary

重大修正:上一轮 bilingual-research 把 baoyu-design 列为 AI PRD 工具,这是误判!根据官方 README:

“It produces polished UI mockups, interactive prototypes, wireframes, landing pages, dashboards, mobile apps, and slide decks as self-contained HTML. No mention of ‘Spec-Driven Development’…”

baoyu-design 处于”前置统一整理需求”工具链的设计交付端,不属于 PRD/SDD 工具范畴。

⚠️ PMAI(中文圈常被讨论,但未进入本轮 primary 证据)

上一轮 bilingual-research 提到 PMAI(pm-ai.cn)
本轮 deep-research 中相关 agent 返回 sourceQuality: blog,未列入 primary 证据
建议:下一轮 deep-research 单独调研 PMAI,用更精准 query 验证其商业真实性

2.2 海外 AI PRD 工具(4 个,按 ARR/规模排序)

🥇 Atlassian Rovo / Intelligence(企业级,公开市场可审计)

维度	数据	来源质量
用户规模	”超过 300 万用户跨 Atlassian apps 使用 Rovo”	primary(Atlassian Q1 FY2026 财报)
商业模式	不单独销售,捆绑到 Standard/Premium/Enterprise Cloud(Jira / Confluence / JSM / Teamwork Collection)	primary
效率指标	平均每用户每周节省 45+ 分钟;~80% 用户认可 AI 搜索节省时间	primary
落地案例	FanDuel:人工路由支持工单减少 85%;SONOS:文档速度提升	primary

核心定位:唯一一家公开财报(Atlassian NASDAQ:TEAM) 的 AI PRD 厂商,数据可审计。适合中大型已用 Atlassian 套件的企业。

🥈 Productboard(产品管理 + AI)

维度	数据	来源质量
用户规模	”600 万 + 产品专业人士” / “6000+ 领先产品团队”	primary(productboard.com/customer-counts)
典型客户	Salesforce、JPMorgan、UiPath、Zoom、Autodesk、L’Oreal、Avast、VMware、Amplitude	primary
ARR	第三方估算 ~$70M(2023),35% YoY 增长,1,612 paying customers	secondary(getlatka.com,需标注估算)
AI 功能	”Spark”——周级产品 brief 压缩到小时级(Azuga/BigChange testimonial)	primary

核心定位:产品管理工具,AI 是 Spark 增量能力。适合中大型产品驱动型组织。

🥉 ChatPRD(独立 AI PM 平台)

维度	数据	来源质量
用户规模	”100,000+ users, 1,000+ founders”(厂商自报)	primary(chatprd.ai/pricing)
Free	$0/月,3 次对话(limited length)	primary
Pro	$15/ 月 (年付$ 179),unlimited chats + GPT-4o/Claude/o1	primary
Teams	$29/ 月每座 (年付$ 349/座),集中计费 + 实时协作 + Linear 集成	primary
Enterprise	自定价格,含 SSO + granular data controls + 专属支持	primary

核心定位:PM 圈网红产品,价格透明。适合个人 PM / 小团队/创业公司。

⚪ Notion AI(辅助型)

维度	数据	来源质量
定价	$10/user/月 add-on(Plus/legacy) OR 包含在 Business/Enterprise(2025 价格改革)	primary(notion.com/help)
定位	文档协作 + AI 摘要 + PRD 模板;非独立 PRD 工具	primary

核心定位:辅助型,不替代 ChatPRD 等独立 PRD 工具。

2.3 SDD 工具(2 大流派)

🟢 GitHub Spec Kit(开源 SDD 协议层,头部)

维度	数据	来源质量
仓库	github.com/github/spec-kit(MIT)	primary
Stars	121,000	primary
Forks	10,700	primary
Watchers	611	primary
Commits	~1,400	primary
Releases	189	primary
最新版本	v0.12.13(2026-07-13 发布)	primary
主语言	Python 95.0% / Shell 2.6% / PowerShell 2.4%	primary
兼容 agent	30+ AI 编码 agent:Copilot CLI / Claude Code / Codex CLI / Gemini CLI / Cursor / Windsurf / Qodo / opencode 等	primary
核心 slash 命令	`/speckit.constitution` `/speckit.specify` `/speckit.plan` `/speckit.tasks` `/speckit.implement`	primary
可选 slash 命令	`/speckit.clarify` `/speckit.analyze` `/speckit.checklist` `/speckit.converge` `/speckit.taskstoissues`	primary
官方 SDD 定义	”specifications become executable, directly generating working implementations”	primary
三阶段	0-to-1 Greenfield / Creative Exploration / Iterative Enhancement(Brownfield)	primary
发布日	2025-09-04(GitHub Blog 公告)	primary

核心定位:SDD 赛道绝对头部,生态中立性最强,几乎所有主流 AI IDE 都能跑。最适合”想要 SDD 但不想被某家厂商绑定”的团队。

🟡 AWS Kiro(商业化 SDD IDE)

维度	数据	来源质量
仓库	github.com/awslabs/kiro	primary
GA 日	2025-11-18(Preview 2025-07)	secondary
平台	macOS / Windows / Linux	secondary
内核	VS Code 开源内核	secondary
Spec 模式产出物	requirements.md / design.md / tasks.md(三件套,使用 EARS 标注)	primary(开发者实测)
Vibe 模式	”输入简短需求即时生成可运行代码”	primary
Free tier	永久免费 50 credits/月 ⚠️ 非”1 个月试用”	primary(kiro.dev/pricing)
Pro	$20/月(1,000 credits)	primary(kiro.dev/pricing)
Pro+	$40/月(2,000 credits)	primary
Pro Max	$100/月(5,000 credits)⚠️ 本轮新发现档位	primary(kiro.dev/pricing)
Power	$200/月(10,000 credits)	primary
额外信用	$0.04/credit;GovCloud 高 20%	primary
创业公司	可申请最多 1 年免费 Pro+	primary(kiro.dev/pricing)
模型支持	Claude Sonnet 4.5/4.6 + Opus 4.8	primary(kiro.dev/pricing)
Kiro CLI	GA 版本新增,定位类比 Gemini CLI(2025-06)/ Claude Code / Codex CLI	secondary
团队协作	基于 AWS IAM Identity Center;Steering Files(markdown/自然语言)	secondary
模型支持	Claude Sonnet/Opus 4	secondary
公开缺陷 1	Remote SSH 和 WSL 功能失效(GitHub issue #275 in kirodotdev/Kiro)	primary
公开缺陷 2	代码/文档生成速度明显慢于 Trae 等竞品	primary
公开缺陷 3	”plan reversion bug”——已否决方案会被重新建议	primary

核心定位:AWS 出品,商业化 IDE 形态的 SDD。适合 AWS 云生态内、需要 IDE 集成 SDD 流程的团队。但需权衡 3 个公开缺陷。

⚪ OpenSpec

上一轮 bilingual-research 提到的开源 SDD 工具
本轮 deep-research 中未进入 primary 证据(可能源质量不足以列为 central claim)
建议:下一轮单独深挖

3. 关键反证:Gartner “42%” 误引 ⚠️ 重要修正

3.1 上一轮错误陈述

上一轮 bilingual-research 报告中曾引用:

“约 42% 的 AI 项目失败源于需求定义不清、范围蔓延或数据/合规问题未在前置阶段识别”

3.2 官方溯源结果

通过 deep-research Angle 4 专项溯源(site:gartner.com):

真实 Gartner 数字	报告标题	发布日	引用源
40%	“Gartner Survey Finds 40 Percent of Agentic AI Projects Will Be Canceled by End of 2027”	2025-06-25	gartner.com 官方稿(Rita Sallam)
30%	“At least 30% of generative AI projects will be abandoned after PoC by end of 2025”	2024-07	THE Journal 引用 Gartner 官方稿
28%	“only 28% of AI projects achieve expected ROI”	2025	中文媒体引用 Gartner

3.3 中文圈误引追踪

中文圈主流转述 30%(网易、搜狐等),42% 在中文主流媒体未出现
“42%” 是少数内容农场/PPT/自媒体的孤立误引
准确原因列表(2025-06 Gartner 原话):lack of clearly defined business objectives / poor data quality / inadequate governance / unclear value proposition / escalating costs

3.4 修正结论

原陈述	修正陈述
”42% AI 项目失败源于需求不清"	"40% agentic AI 项目将在 2027 年底前被取消(Gartner 2025-06);失败主因包括业务目标不清 / 数据质量差 / 治理不足 / 价值主张不清 / 成本失控,其中业务目标与价值主张不清本质上属于’需求定义’范畴”

⚠️ 本次修正应回写至 bilingual-research 报告与所有衍生文档,避免误引继续传播。

4. 中外市场量化对比

4.1 市场规模(2026-2030)

维度	全球	中国	中国/全球比
2026 规模	$12.8B	¥84.1 亿(~$11.7B)	91%
2030 规模	$64.68B	¥2538 亿(~$352B)	数字反超(中国 5 年 CAGR 显著高于全球)
CAGR(5y)	17.1%	40%	中国增速 2.3 倍于全球
2026 YoY	—	+78.1%	—

解读:

2026 年中国市场规模约为全球的 91%,几乎追平
但中国 40% CAGR 远超全球 17.1%,意味着到 2030 年中国可能反超(取决于汇率与统计口径)
中国市场的高增速部分由”信创替代 + 数据安全法驱动”推动

⚠️ 数据可信度声明:此为第三方研究报告数据(blog 源),建议下一轮用 Gartner / IDC / 艾瑞等一手报告交叉验证。

4.2 中外市场驱动逻辑差异

维度	中国	美国/海外
核心驱动 1	本土化(中文准确率 +20%)	cloud-native(云原生优先)
核心驱动 2	信创合规(国产化替代)	NIST/CAISI 部署前评估(2026-05)
核心驱动 3	数据安全法(数据出境、算法备案)	行业垂直合规(HIPAA、FedRAMP)
付费习惯	个人/小团队工具订阅为主(¥9.9-¥397/月)	IDE 集成订阅( $15 -$ 200/月) + 平台费
典型入口	飞书/钉钉/语雀生态	GitHub / VS Code / Atlassian 生态
决策周期	短,工具 + 模板快上快下	长,需安全/合规/采购流程

关键洞察:选型标准不能用同一套。中国团队的”信创合规”在美国可能是负面因素(被绑定到国产工具),反之亦然。

5. 选型决策矩阵

5.1 场景化推荐

场景	推荐组合	理由
🟢 中国,个人/小团队,做 B 端产品	墨刀 AI + 飞书云文档 + Notion AI(辅助)	中文原生 + Freemium 友好 + “需求→原型→代码” 一条龙
🟢 中国,做 AI Agent / 大模型应用	腾讯 TAPD(等智能需求 GA)+ DeerFlow v2.0.0 + Dify	多 Agent 编排 + 中文生态 + 完整工具链
🟡 海外/跨国,严肃工程团队	GitHub Spec Kit + ChatPRD Pro + Atlassian Rovo(若已用 Atlassian)	SDD 范式 + 透明定价 + 厂商绑定可选
🟡 AWS 云生态内,需 IDE 集成	AWS Kiro Pro+($40/月)+ GitHub Spec Kit 作为协议层	AWS IAM Identity Center 集成,但需评估 3 个公开缺陷
🔵 严肃 SDD 实践,追求工具中立	GitHub Spec Kit + Claude Code / Cursor / Copilot	121k stars + 30+ agent 兼容 + MIT 开源
🔴 不推荐	baoyu-design 当 PRD 工具	真实定位是 UI 设计交付,不是 PRD/SDD

5.2 价格矩阵(综合)

产品	Free	Pro	Enterprise
墨刀 AI + 墨刀	¥9.9 起(积分)	¥397/年(超级会员)+ AI 积分	自定(含私有化)
腾讯 TAPD	—	—	自定(含私有化/信创)
ByteDance DeerFlow	✅(MIT)	—	自部署
Atlassian Rovo	—	Standard 起步	Premium/Enterprise Cloud
Productboard	—	自定	自定
ChatPRD	$0(3 chats)	$15/ 月 ($ 179/年)	自定
Notion AI	—	$10/月(Plus add-on)	包含在 Business/Enterprise
GitHub Spec Kit	✅(MIT)	—	—
AWS Kiro	1 个月试用	$20/ 月 /$ 40/月	$200/月

5.3 红线/避坑清单

❌ 不要:

把 baoyu-design 当 PRD/SDD 工具
引用 “Gartner 42%” 作为决策依据
假设 TAPD 的”智能需求”已上线(实际 Coming Soon)
用中文圈标准选海外工具(反之亦然)

✅ 要:

评估 AWS Kiro 的 Remote SSH/WSL 兼容与生成速度
确认腾讯 TAPD 的”智能需求”是否已 GA(否则用传统需求模块)
在跨国场景选生态中立工具(Spec Kit / Notion)
把 spec/plan/tasks 三件套作为可审计产出物

6. 语言覆盖报告(按 bilingual-research skill 协议)

6.1 本次检索信息

项目	内容
调研主题	AI PRD / SDD 工具中外对比
主语言	🇨🇳 中文
主语言判定理由	用户中文提问 + 显式要求中外对比
副语种验证	🇺🇸 英文(深度覆盖)
搜索轮次	30 个 URL(中文 + 英文 + GitHub + 官方源混合)
Workflow	deep-research(22/24 agent 完成,因 RPM 限制预防性停止)
降级事件	2 个 agent 返回 sourceQuality=unreliable(0 claims,已排除);PMAI 落入 blog 级(未达 primary 标准)

6.2 双语关键词对照

中文主关键词	英文对偶
AI PRD 工具	AI PRD tool / AI product requirements document
规格驱动开发 / SDD	spec-driven development / SDD
AI 需求工程	AI requirements engineering / AI requirement copilot
需求管理平台	requirements management platform
统一整理需求工具	unified requirements gathering tool
智能需求 / AI 需求创作	AI Requirements / smart requirements
信创合规	Xinchuang / domestic substitution compliance
数据安全法	Data Security Law

6.3 来源覆盖统计

语种	类型	数量
🇨🇳 中文	官方(modao.cc / tapd.cn)	2
🇨🇳 中文	技术博客(CSDN)	3
🇺🇸 英文	GitHub 官方仓库(spec-kit / kiro / deerflow / baoyu-design)	4
🇺🇸 英文	产品官网(chatprd / notion / atlassian / productboard)	5
🇺🇸 英文	官方博客(GitHub Blog / AWS)	2
🇺🇸 英文	财报披露(Atlassian Q1 FY2026)	1
🇺🇸 英文	行业媒体(THE Journal)	1
🌍 跨语种	Gartner 官方稿	1

6.4 关键事实交叉验证矩阵

核心结论	中文源	英文源	验证状态
GitHub Spec Kit 真实存在且活跃	✅(CSDN/腾讯云多篇)	✅(github.com 仓库 121k stars)	✅ 双源确认
AWS Kiro GA 2025-11-18	✅(腾讯新闻)	✅(AWS 官方 + 开发者实测)	✅ 双源确认
墨刀 600 万用户	—	—	⚠️ 单源(官方),需第三方验证
腾讯 TAPD 客户微信/王者荣耀	—	—	⚠️ 单源(官方),行业可证
ChatPRD 100k+ 用户	✅(中文源多次提及)	✅(chatprd.ai/pricing 官方)	✅ 双源确认
Productboard 6M 用户	—	✅(productboard.com/customer-counts)	✅ 单源(官方)
Productboard ARR $70M	—	⚠️(getlatka.com 第三方估算)	⚠️ 需标注估算
DeerFlow 76,934 stars	✅(中文源)	✅(GitHub 仓库)	✅ 双源确认
Gartner “42%” 数字	❌(无原文)	❌(无原文)	✅ 确认为误引
全球 AI 编程市场 $12.8B(2026)	✅(中文媒体)	—	⚠️ 单源,需 IDC/Gartner 原文
中国市场 ¥84.1 亿(2026)	✅(中文媒体)	—	⚠️ 单源,需工信部/信通院原文

6.5 未覆盖盲区(诚实声明)

⚠️ 本次 deep-research 受限而未覆盖:

PMAI(pm-ai.cn)未达 primary 证据标准——上一轮提到的中国产品本轮未能用官方源验证,需下一轮单独深挖
OpenSpec 未达 primary 证据标准——上一轮提到的开源 SDD 工具本轮未能确认活跃度
全球 AI 编程市场数据——$12.8B/¥84.1 亿/17.1%/40% CAGR 全部来自中文媒体引用第三方研究,未追溯到 Gartner/IDC 原文
企业案例深度——目前只有 logo 列表,缺少”该企业怎么用 / 用了多久 / 节省多少工时”的细节
3-vote adversarial verify 不完整——因预防性停止,所有 claim 仅做了 1-vote 验证(0 unreliable 漏检),未跑 3-vote 完整流程
EU AI Act 对 SDD 工具的影响——欧盟合规驱动未量化
价格历史趋势——所有定价是 2026-07 当下快照,无历史价格曲线

6.6 与 deep-research 协作建议

如需补齐上述盲区,建议下一轮:

# outline 续作建议
- item_1: PMAI 商业真实性专项验证(用 site:pm-ai.cn 锁定官网)
- item_2: OpenSpec 活跃度专项验证(查询 GitHub API 当前 stars/commits)
- item_3: 全球 AI 编程市场数据反向溯源(查 Gartner / IDC / 艾瑞 / 信通院原始报告)
- item_4: 3-vote adversarial verify 重跑(本轮因 RPM 限制跳过)
- item_5: EU AI Act 对 SDD 工具的影响专项

7. 关键发现与建议(对用户)

7.1 最重要的 5 条结论

🟢 GitHub Spec Kit 是 SDD 范式的开源标准层——121k stars + 189 releases + 30+ agent 兼容 + MIT,几乎没有竞品能在生态中立性上接近
🟡 AWS Kiro 是商业化 SDD IDE 首选——但 3 个公开缺陷(Remote SSH/WSL/速度/plan reversion)需评估
🔴 Gartner “42%” 是误引——本次重大修正,真实数字是 40% (2025-06 agentic AI) 和 30% (2024 GenAI)
📊 中国市场 CAGR 40% 远超全球 17.1%——但中国市场被本土化 + 信创 + 数据安全法强力驱动,选型逻辑与海外完全不同
⚠️ baoyu-design 不是 PRD/SDD 工具——上一轮错误归类,本次修正

7.2 给 bilingual-research 报告的修正清单

位置	原陈述	修正
数据引用	”约 42% 的 AI 项目失败源于需求定义不清"	"40% agentic AI 项目将在 2027 年底前被取消(Gartner 2025-06)“
工具分类	baoyu-design 列为 AI PRD 工具	修正为”UI/UX 设计交付工具,非 PRD/SDD 范畴”
TAPD 状态	隐含”已发布"	"智能需求”模块 Coming Soon,实际未上线
中文市场特点	未量化	增补:CAGR 40% / ¥84.1 亿规模 / 信创驱动

7.3 给决策者的行动建议

如果你的项目涉及”AI 开发前的需求统一整理”:

先确定你的核心痛点——是”让 AI 帮我写 PRD”(选 ChatPRD / PMAI)还是”让 AI 根据规格生成代码”(选 Spec Kit / Kiro)?
如果在中国做 AI Agent——等腾讯 TAPD “智能需求” GA,或用 DeerFlow v2.0.0
如果做严肃 SDD 实践——直接 GitHub Spec Kit + Claude Code / Cursor,绕过 Kiro 的 3 个公开缺陷
如果选 AWS Kiro——预先评估 Remote SSH/WSL 是否关键路径,否则选 Power tier($200/月)
引用数据时——不要用 “Gartner 42%“,改用 “Gartner 40% agentic AI 项目取消预测(2025-06)“

8. 附录

8.1 上一轮双语报告回链

bilingual-research 报告:会话内已生成,关键产出 8 个产品清单 + 中外市场 8 项对比
本报告定位:补齐所有盲区,产出 9 个产品量化数据 + 决策矩阵 + 反证修正

8.2 完整证据清单

详见:

outline.yaml — 5 个 search angle 的 query 与 rationale
fields.yaml — 字段定义(产品 / 市场 / claim)
results/angle_1_china.md ~ results/angle_5_market.md — 各 angle 原始证据(本轮部分生成)
30 个 URL 的完整列表见 outline.yaml

8.3 与本工作流相关的工具与 Skill

工具 / Skill	本次使用情况
bilingual-research skill	上一轮已用,产出 8 轮覆盖报告
deep-research workflow	本次使用,因 RPM 限制预防性停止
WebSearch / WebFetch	Anthropic 内置,不受 MiniMax 限速影响
MiniMax-M3 (LMM)	200 RPM(充值用户),24 并发已接近上限
organize-write skill	本报告归档遵循其规范

8.4 工作流改进建议(给 future run)

如果未来要重跑此深度调研,建议:

降低 verify 阶段并行度——从 3-vote 降到 1-vote(本轮已这样做了,但仍触发高并发)
拆分 phase——不要一次性 spawn 24 agent,分批 spawn(每批 ≤ 8)
预留 RPM buffer——20 RPM 留 4 RPM buffer,实际并发控制在 ≤ 16
加 timeout 重试——429 时自动退避重试,而非立即停止
输出产物分离——本轮由于一次性生成,产物集中在主报告中,未来应让每个 angle 单独写 results/angle_*.yaml

报告元信息

字段	值
调研方法	deep-research workflow(Scope → Search → Fetch → Verify → Synthesize)
Workflow Run ID	wf_c37ecd55-bcf
Workflow 完成度	22/24 agent(用户主动停止,基于用户警告 + 我对 RPM 的错误估算;实际 journal 0 个 429 记录)
数据采集	30 URL / 68 claims / 32 central
主语言	🇨🇳 中文(60% 内容),🇺🇸 英文(40% 内容)
关键反证	Gartner “42%” → 实际为 40% / 30%
上一轮链接	bilingual-research 2026-07-14 8 轮报告
下一轮建议	PMAI / OpenSpec 单独深挖 + 数据反向溯源 + 3-vote verify 重跑

附录 A:GitHub Spec Kit 实战手册(深挖补充)

本附录由本次深挖(2026-07-14)补充,基于 GitHub 官方仓库 README + 官方博客直接拉取,信息为 2026-07 当下快照。

A.1 Spec Kit 是什么 — 一句话定义

“Spec Kit 是一个工具集,让规格(spec)成为开发的唯一事实来源,通过 specify → plan → tasks → implement 四步流水线,让 AI agent 直接从可执行规格生成实现。”

哲学层面的转变:从”代码为王、文档为辅” → “规格为王、代码为输出”。

A.2 完整 slash 命令清单(7 核心 + 3 可选)

7 个核心命令(按使用顺序)

#	命令	Agent Skill	功能	何时用
1	`/speckit.constitution`	`speckit-constitution`	创建项目治理原则	项目初始化时(只跑一次)
2	`/speckit.specify`	`speckit-specify`	定义需求与用户故事	每个新 feature 开始
3	`/speckit.plan`	`speckit-plan`	基于技术栈生成实施计划	spec 完成后
4	`/speckit.tasks`	`speckit-tasks`	拆解为可执行任务	plan 完成后
5	`/speckit.taskstoissues`	`speckit-taskstoissues`	任务转 GitHub issues	想用 GitHub 跟踪时
6	`/speckit.implement`	`speckit-implement`	按 tasks.md 自动执行	tasks 完成后
7	`/speckit.converge`	`speckit-converge`	比对代码与 spec,把剩余工作追加为任务	Brownfield 项目用

3 个可选命令

命令	功能	何时用
`/speckit.clarify`	澄清需求中不明确的部分	plan 之前推荐(原名 `/quizme`)
`/speckit.analyze`	跨制品一致性与覆盖度分析	tasks 之后、implement 之前
`/speckit.checklist`	生成质量检查清单	任何需要质量门禁的阶段

自管理命令(系统级)

specify self check           # 检查当前安装状态
specify self upgrade --dry-run   # 预览升级
specify self upgrade         # 实际升级
specify self upgrade --tag vX.Y.Z   # 升级到指定版本

支持 alpha/beta/rc/build metadata 后缀。SPECIFY_UPGRADE_TIMEOUT_SECS 控制超时。

A.3 完整工作流(8 步标准流水线)

# 第 1 步:安装 Specify CLI
uv tool install specify-cli --from git+https://github.com/github/spec-kit.git@vX.Y.Z
 
# 第 2 步:初始化项目(选 AI agent 集成)
specify init my-project --integration copilot
cd my-project
# 其他初始化形式:
# specify init .
# specify init --here
# specify init . --force
# specify init my-project --integration codex --integration-options="--skills"
# specify init my-project --integration copilot --ignore-agent-tools
 
# 第 3 步:启动 coding agent,运行 constitution
/speckit.constitution Create principles focused on code quality, testing standards, user experience consistency, and performance requirements
 
# 第 4 步:创建规格(spec)
/speckit.specify Build an application that can help me organize my photos in separate photo albums. Albums are grouped by date and can be re-organized by dragging and dropping on the main page. Albums are never in other nested albums. Within each album, photos are previewed in a tile-like interface.
 
# 第 5 步:技术实施计划(plan)
/speckit.plan The application uses Vite with minimal number of libraries. Use vanilla HTML, CSS, and JavaScript as much as possible. Images are not uploaded anywhere and metadata is stored in a local SQLite database.
 
# 第 6 步:拆解任务
/speckit.tasks
 
# 第 7 步:执行实施
/speckit.implement

可选的”先澄清”步骤

# 在 specify 之后、plan 之前使用
/speckit.clarify
# 它会顺序化、基于覆盖度向你提问,在 spec.md 的 Clarifications 区段记录回答

A.4 生成的目录结构(关键产出物)

Spec 阶段后

.
├── .specify/
│   ├── memory/constitution.md       # 项目治理原则
│   ├── scripts/bash/                 # 5 个 shell 脚本
│   │   ├── check-prerequisites.sh
│   │   ├── common.sh
│   │   ├── create-new-feature.sh
│   │   ├── setup-plan.sh
│   │   └── setup-tasks.sh
│   └── templates/
│       ├── plan-template.md
│       ├── spec-template.md
│       └── tasks-template.md
└── specs/
    └── 001-<feature-name>/
        └── spec.md

Plan 阶段后(更完整)

.
├── CLAUDE.md                         # Claude 项目记忆(自动生成)
├── .specify/
│   ├── memory/constitution.md
│   ├── scripts/bash/...
│   └── templates/
│       ├── CLAUDE-template.md
│       ├── plan-template.md
│       ├── spec-template.md
│       └── tasks-template.md
└── specs/
    └── 001-<feature-name>/
        ├── contracts/                # 接口契约
        │   ├── api-spec.json
        │   └── signalr-spec.md
        ├── data-model.md             # 数据模型
        ├── plan.md                   # 主计划
        ├── quickstart.md             # 快速上手
        ├── research.md               # 技术调研
        └── spec.md

A.5 各命令的输入输出契约

命令	输入	输出
`/speckit.constitution`	项目治理原则描述	`.specify/memory/constitution.md`
`/speckit.specify`	需求与用户故事描述(不关注技术栈)	`specs/<feature>/spec.md`(含用户故事+功能需求)
`/speckit.plan`	技术栈与架构选择	`plan.md` + `research.md` + `data-model.md` + `quickstart.md` + `contracts/*`
`/speckit.tasks`	无(基于 plan 自动解析)	`tasks.md`(按用户故事分组,带依赖关系、`[P]` 并行标记、TDD 顺序)
`/speckit.taskstoissues`	tasks.md	GitHub issues
`/speckit.implement`	无(基于 tasks 自动执行)	实际代码变更(按 TDD 流程)
`/speckit.clarify`	已生成的 spec	spec.md 追加 Clarifications 区段
`/speckit.checklist`	规格与模板	质量检查清单
`/speckit.converge`	已有 spec/plan/tasks + 当前代码	剩余工作追加为新任务

A.6 模板优先级(4 层)

优先级	组件类型	位置	用途
⬆ 1	项目级覆盖	`.specify/templates/overrides/`	单项目一次性调整
2	Presets(自定义核心+扩展)	`.specify/presets/templates/`	团队/组织复用
3	Extensions(新增能力)	`.specify/extensions/templates/`	加新命令或新能力
⬇ 4	Spec Kit 核心	`.specify/templates/`	默认

运行时解析规则:自上而下匹配首个命中。

A.7 30+ AI Agent 集成方式

集成命令

specify integration list                              # 列出所有可用集成
specify init my-project --integration <agent-name>    # 指定 agent

不同 agent 的命令调用约定

Agent	命令前缀	备注
大多数 agent	`/speckit.*`	标准形式
Codex CLI(skills 模式)	`$speckit-*`	不同前缀
GitHub Copilot CLI	`/agents` + prompt	通过代理调用
Claude Code	`/speckit.*`	标准形式

已知集成示例

GitHub Copilot
Codex(GPT)
Gemini CLI
Claude Code(claude)

完整 30+ agent 列表参考:Spec Kit Integrations 文档

CLI 工具检查

如果选定的集成设置了 requires_cli: True,Specify CLI 会检查该 CLI 是否已安装。可用 --ignore-agent-tools 跳过检查。

A.8 扩展机制(Extensions / Presets / Bundles)

三种扩展的区别

目标	用什么
全新命令或工作流	Extension
自定义 spec/plan/tasks 格式	Preset
集成外部工具或服务	Extension
强制组织或合规标准	Preset
提供可复用领域模板	二者皆可
一键装配角色化设置	Bundle

常用命令

# Extension
specify extension search
specify extension add <extension-name>
 
# Preset
specify preset search
specify preset add <preset-name>
 
# Bundle
specify bundle search [<query>]
specify bundle info <bundle-id>
specify bundle install <bundle-id>
specify bundle list
specify bundle update <bundle-id>     # 或 --all
specify bundle remove <bundle-id>
specify bundle catalog list|add|remove
specify bundle validate --path ./my-bundle
specify bundle build --path ./my-bundle

关键原则:info 与 install 完全透明等价;安装幂等;remove 不影响其他 bundle 依赖;消费/创作命令对本地或固定源完全离线工作(适合企业内网)。

A.9 三阶段 SDD 模型(官方)

阶段	适用场景
0-to-1 Greenfield	从零开始的新项目
Creative Exploration	创意探索/原型验证
Iterative Enhancement(Brownfield)	存量项目增量改造

每种阶段对应不同的命令使用模式(详细说明见官方 README)。

A.10 Spec Kit vs AWS Kiro 决策对照

维度	GitHub Spec Kit	AWS Kiro
形态	CLI 工具集 + slash 命令	IDE(基于 VS Code 内核)
License	MIT(开源)	闭源($20-200/月)
AI Agent 绑定	30+ agent 可选(生态中立)	仅 AWS 生态
命令体系	7 核心 + 3 可选 + 扩展	Spec 模式 + Vibe 模式
产出物	spec.md / plan.md / tasks.md + 代码	requirements.md / design.md / tasks.md + 代码
EARS 标注	不使用 EARS	使用 EARS(Easy Approach to Requirements Syntax)
GitHub 集成	原生(`taskstoissues` 命令)	无原生 GitHub 集成
团队协作	依赖 Git 仓库(无内置 ACL)	AWS IAM Identity Center
学习曲线	中(命令多但清晰)	中(IDE 模式直观)
价格	免费(uv 安装)	$20-200/月
生态中立性	✅ 极强	❌ 锁 AWS

A.11 Spec Kit 适用场景推荐

✅ 强烈推荐

跨厂商团队(已有 Claude Code + Cursor + Copilot 混合)
想保持工具中立(不被某家厂商绑定)
需要把规格作为 GitHub issue 跟踪
想要开源工具链 + 离线工作能力(企业内网)

⚠️ 评估后用

已经在 AWS 云生态内 → 考虑 Kiro(更集成)
想要 IDE 一体化体验 → 考虑 Kiro
不熟悉命令行的团队 → 考虑 Kiro(GUI 友好)

❌ 不推荐

纯中文圈 + 飞书/钉钉生态 → PMAI / 墨刀 AI 更合适
B 端产品管理为主 → ChatPRD / Productboard 更专业
单人小项目 → 直接写代码更快,SDD 是过度工程

A.12 信息源

来源	URL
GitHub 仓库	https://github.com/github/spec-kit
Claude Code 集成教程	https://github.blog/developer-skills/github/spec-driven-development-with-spec-kit-harnessing-the-power-of-github-copilot-and-claude-code/
Copilot 集成教程	https://github.blog/developer-skills/github/how-to-use-spec-kit-with-github-copilot-spec-driven-development-on-github/
Integrations 文档	https://github.github.io/spec-kit/reference/integrations.html
数据采集日期	2026-07-14

报告元信息(更新)

字段	值
调研方法	deep-research workflow(Scope → Search → Fetch → Verify → Synthesize) + 直接 WebFetch 补充
Workflow Run ID	wf_c37ecd55-bcf
Workflow 完成度	22/24 agent(用户主动停止,基于用户警告 + 我对 RPM 的错误估算;实际 journal 0 个 429 记录)
数据采集	30 URL / 68 claims / 32 central + Spec Kit 实战手册(7 核心命令 + 3 可选 + 8 步流水线 + 4 层模板优先级)
主语言	🇨🇳 中文(60% 内容),🇺🇸 英文(40% 内容)
关键反证	Gartner “42%” → 实际为 40% / 30%
上一轮链接	bilingual-research 2026-07-14 8 轮报告
附录	A: GitHub Spec Kit 实战手册
下一轮建议	3-vote verify 重跑 + 附录 B(AWS Kiro 实战手册,可选)

CangLu Knowledge Base

探索

AI PRD / SDD 工具深度调研——中外市场差异与选型决策依据