实测Shotgun规格驱动开发：支付系统从3-4周缩短到5天上线，研发时间减少80%的秘诀

【免费下载链接】shotgunSpec Driven Development Write codebase-aware specs for AI coding agents so they dont derail.项目地址https://gitcode.com/gh_mirrors/shotgun3/shotgun点击查看免费下载为什么 AI 编码代理会跑偏如果你用过 Cursor、Claude Code 或 GitHub Copilot大概率遇到过这种情况AI 很擅长写小功能但一遇到大需求就脱轨——忘记上下文、重复造已经存在的轮子或者写一半就不按需求来了。Shotgun就是为解决这个问题而生的它是一个Spec Driven Development规格驱动开发CLI 工具专为 AI 编码代理Codex、Cursor、Claude Code编写代码库感知的规格说明让它们不再跑偏。Shotgun 的工作方式很简单先读懂你的整个代码库提前规划完整功能再拆成多个带阶段检查点的 PR——每个 PR 都附带逐文件的执行说明AI 代理可以直接照着做。与其得到一个没人能 review 的万行巨型 PR不如得到 5 个能顺利合入的小 PR。真实案例支付系统3-4周变5天这个案例来自 Shotgun 团队自己的真实项目完整案例见 docs/CASE_STUDY.md团队只有 3 个人时间点是 2025 年 10 月。需求背景他们正在开发一个 AI Agent 平台用户通过平台调用 LLM API。需要为用量收费且不能暴露自己的 API Key。具体需求对 LLM 调用做实时用量追踪基于用量的计费API Key 保护用户永远看不到真实密钥全局、团队、用户三级预算限制与现有 Pydantic AI 架构兼容传统做法AI 集体建议自建他们先后咨询了 Cursor、Claude Code 和 GitHub Copilot——三个 AI 给出了一模一样的答案自己写一个定制 LLM 代理工作量 3-4 周传统自建方案自建成本定制代理服务器3-4 周开发WebSocket 实时追踪 事件队列代码量翻倍自定义预算逻辑全局/团队/用户额外测试 安全审查认证层、密钥轮换长期维护负担这些建议在技术上说得通但没有任何一个 AI 问过那个最关键的问题这个东西是不是已经存在了秘诀先 Research再写代码团队决定让 Shotgun 先做调研而不是直接让 AI 写代码。他们只给了一个不带预设方案的问题描述把需求列清楚不给任何架构假设。Shotgun 的 Research 阶段跑了四条并行轨道代码库分析读取整个仓库理解现有模式、依赖和架构——找到了他们的 Pydantic AI 配置和认证模式外部调研搜索现有解决方案覆盖免费和付费、成熟和实验性方案交互式澄清主动提问缩小范围例如实时追踪还是批量处理就够预算约束是开发人时还是基础设施成本方案评估把候选方案对照你的约束条件逐一比较总耗时30 分钟其中大部分是 Shotgun 在读取一些他们从没听说过的解决方案的文档。30 分钟找到 LiteLLM Proxy调研结果LiteLLM Proxy——团队成员此前完全不知道它的存在。它正好覆盖了他们本想全部自建的能力✅ 用量追踪每次请求的实时花费指标内置✅ 预算限制全局/团队/用户三级触顶即停内置✅ API Key 保护虚拟 Key 机制用户看不到真实密钥✅ Pydantic AI 兼容改一下 endpoint URL 即可✅ 基础设施成本自托管约 $100/月✅ 需要写的代码一份 58 行的配置文件精确到行对比一下差点做成的方案差点建的实际做的定制代理3-4 周LiteLLM 配置2 小时自建用量追踪系统内置自建预算管理内置自定义代码的安全审查经过实战检验的开源项目 上图展示了 Shotgun 的本地索引流程索引存储在~/.shotgun-sh/codebases/全程在本机完成代码不会发送到任何服务器。结果5 天上线14 小时收到第一笔付费时间节点事件第 1-5 天完成实现与测试第 5 天 21:00部署到生产环境第 6 天 11:00第一笔付费客户部署后 14 小时第 2 周多个付费客户最终账本开发时间5 天 vs 3-4 周减少 80%测试量减少 90%用成熟基础设施替代自定义代码新增代码58 行配置 vs 代码库规模翻倍基础设施约 $100/月 vs 数千美元的开发人力 持续维护技术债接近零团队把省下的时间全部投回了核心产品功能而不是基础设施。上手指南安装 Shotgun 的最快路径一键安装步骤Shotgun 基于 Python 3.11通过uv安装比 pip 快 10-100 倍且可靠处理二进制依赖。macOSbrew install uv uvx shotgun-shlatestLinuxcurl -LsSf https://astral.sh/uv/install.sh | sh uvx shotgun-shlatestWindows在 PowerShell 中执行powershell -c irm https://astral.sh/uv/install.ps1 | iex uvx --python 3.12 shotgun-shlatest首次启动的 3 个引导步骤在你的项目目录下运行 Shotgun 后它会引导你完成三件事步骤发生了什么1. 代码库索引用 tree-sitter 解析整个仓库构建可搜索的代码图2. LLM 配置设置 OpenAI、Anthropic 或 GeminiBYOK 或订阅$10 $10 用量3. 首次 Research开始生成代码库感知的规格 提示在 IDE 的内置终端里运行体验最佳Windows 用户记得安装后重启终端。内部机制Router 驱动的 5 阶段流水线Shotgun 的架构核心是Router路由器代理它负责理解用户意图、创建执行计划并把工作委派给 5 个专业子代理——你不需要手动管理它们 Research调研→ Specify规格→ Plan计划→ ✅ Tasks任务拆分→ Export导出每个阶段由独立的专用代理执行配有量身定制的 prompt。核心实现分别在Router 编排逻辑router.py委派工具注册处Research 代理工厂research.py规划、任务、导出代理plan.py、tasks.py、export.pyPlanning 与 Drafting 两种执行模式模式工作方式适用场景Planning默认Shotgun 提出计划、展示每一步在改动文件前请求确认有检查点可细化计划想要控制权和可视化Drafting一次跑完整个计划无中间确认已确认计划、追求端到端速度TUI 中按ShiftTab即可切换模式/打开命令面板。产出物落在 .shotgun/ 目录每轮工作流结束后结果以 Markdown 形式写入项目根目录的.shotgun/文件内容.shotgun/research.md调研发现.shotgun/specification.md功能规格.shotgun/plan.md实施计划.shotgun/tasks.md任务拆分.shotgun/AGENTS.md导出给 AI 代理的最终说明最后这个AGENTS.md可以直接被 Cursor、Claude Code、Windsurf、Lovable 等工具读取——不被锁定在任何一个 IDE 或代理上。日常使用技巧让效果最好的 4 个习惯✅ 这样做❌ 别这样Research how we handle auth跳过调研直接开建Shotgun please ask me questions first假设 Shotgun 懂你的需求Im working on payments, need refunds干巴巴一句Add refunds先用 Planning 模式确认计划再执行不经 review 一把梭除非刻意切 Drafting日常自动化可以用 CLI完整命令见 docs/CLI.md# 非交互模式跑调研规划适合 CI/CD shotgun run -n Research OAuth2 best practices and create an implementation plan # 查看 token 用量 shotgun context --format markdown什么时候该用先调研后编码案例研究总结了 5 类典型场景详见 docs/CASE_STUDY.md 新人上手生成真正匹配代码的架构文档而非过时的 wiki 重构动手前看清所有依赖防止重构变重写 绿地项目写第一行代码前先全局调研现有方案——LiteLLM 就是这样的收获➕ 新增功能精确知道功能该放哪防止功能重复 迁移映射旧系统、规划新系统、跟踪差异拆成安全的小阶段判断标准影响代码库多处、产生持续维护负担、可能存在现成方案、或准备写超过 500 行新代码时先调研。修 bug、小 UI 调整、直接 CRUD 则不需要。总结AI 让你建得快不让你知道该建什么这个案例最大的启示是AI 编码工具让你快速建造但不让你快速知道该建什么。Cursor、Claude Code、Copilot 都能秒出方案但没有一个会问这东西是不是已经存在了Shotgun 把读整个代码库 调研外部方案 写带上下文的规格 交付给 AI 代理这套流程自动化了——手工做这件事比直接写代码还耗时这正是它存在的意义支付系统的结果30 分钟调研找到 LiteLLM Proxy5 天上线14 小时收到第一笔付费研发时间减少 80%技术债接近零下一个大功能动手前先问自己两个问题这东西已经存在了吗它和我们现有的东西怎么集成如果答不上来那就先用 Shotgun 把 Research 阶段跑完。参考文档docs/CASE_STUDY.md完整案例、docs/CLI.mdCLI 命令、README.md项目总览。赞分享【免费下载链接】shotgunSpec Driven Development Write codebase-aware specs for AI coding agents so they dont derail.项目地址https://gitcode.com/gh_mirrors/shotgun3/shotgun点击查看免费下载相关推荐热门项目推荐IJPay - 让支付集成化繁为简热门项目推荐IJPay 让支付集成化繁为简 项目价值 IJPay 是一款专注于支付领域的高效工具库其核心价值在于 标准化支付流程 与 降低技术门槛 。通过封金融科技后端Stable Video Infinity与DaVinci Resolve集成专业视频编辑工作流完整指南Stable Video Infinity与DaVinci Resolve集成专业视频编辑工作流完整指南 Stable Video InfinitySVI人工智能深度学习媒体生成视频微调LoRA多模态Unity WebGL小游戏适配方案架构演进与性能突破的工程实践Unity WebGL小游戏适配方案架构演进与性能突破的工程实践 基于WebAssembly技术栈的微信小游戏Unity适配方案为开发者提供了从原生引擎到小程游戏开发移动开发WebAssembly上一篇Telegraf 打包与发布指南从 Make 到 Docker 的全流程解析下一篇OpenJev实战一个请求搞定客服工单分诊紧急度、团队、情绪三问全答创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考