主要是觉得OpenSpec有些时候太硬了，不灵活且不适合自己，所以自己配了context engineering 规则，验证还不错，留做自用；
当然大家也可以根据需要配置自己的规则
项目中已经安装了claude code
curl -fsSL https://raw.githubusercontent.com/canwhite/SimpleSpec/main/install.sh | bash
-
终端输入claude启用cc
-
START: 输入任务prompt开始任务
- 此时如果没有全局production会自建，这是项目锚点；
- 然后task会建在项目schema/文件夹下，e.g. schema/task_apply_config_260103_210524.md，然后任务会自动执行
-
DONE: schema/task_apply_config_260103_210524.md
- 任务完成之后输入DONE: 任务名，任务就会存档到schema/archive
SimpleSpec 采用了一套基于物理文件载体的 AI 任务管理方法论，通过将 AI 的思考过程外化为可追溯的文档，解决了长上下文场景下的注意力衰减问题。这套方法受到了现代 AI 智能体工程（Agentic Engineering）理念的启发，但更注重实战可用性。
作用：作为项目的"常识库"和全局认知锚点。
在 SimpleSpec 中的实现：
- 项目初始化时自动创建或检查
production.md - 包含项目定位、核心架构、技术栈、目录结构等关键信息
- 每次任务启动时首先读取，确保 AI 对项目有全局认知
示例：
# AI 自动执行
ls -R && cat production.md作用：对抗长上下文带来的注意力衰减，每次回复末尾强制刷新关键信息。
在 SimpleSpec 中的实现：
- 每次回复末尾必须包含任务快照：
[项目全局状态]: 已同步至 production.md
[当前任务文件]: <文件名>
[当前目标]: <一句话目标>
[已完成]: <最近一步>
[下一步]: <下一步>
效果：确保 AI 始终知道"我是谁、我在哪、我要干什么"。
作用：将大任务拆解为可管理的小任务，防止"逻辑偏移"。
在 SimpleSpec 中的实现：
- 收到
START:指令时，创建schema/task_[简码]_[时间戳].md - 在任务文档中列出：最终目标、拆解步骤、当前进度
- 使用 TodoWrite 工具创建待办列表，一次只激活一个子任务
关键规则：
一次只允许激活一个子任务
只有当前子任务完成后，才允许更新状态并锁定下一个子任务
示例：
## 拆解步骤
1. 分析现有代码
- [ ] 1.1 读取主文件
- [ ] 1.2 识别关键函数
2. 实现新功能
- [ ] 2.1 编写核心逻辑
- [ ] 2.2 添加错误处理以下机制可以根据实际需要选择性添加：
目的：解决 AI"盲目自信"问题，确保任务真的完成。
实现建议： 在 CLAUDE.md 的协议中加入：
## 验证机制
- 禁止仅凭直觉更新 [已完成] 状态
- 必须在更新前执行验证命令（如 ls, grep, npm test）
- 必须在任务文档中附上验证结果示例：
## 当前进度
### 正在进行
正在实现用户认证功能
### 验证结果
```bash
$ npm test
✓ All tests passed
##### 2. Error Propagation Constraint - 错误传播约束
**目的**：解决"幻觉螺旋"，防止 AI 在错误路径上越走越远。
**实现建议**：
在 CLAUDE.md 中加入"断路器"机制：
```markdown
## 断路器机制
如果 [下一步] 连续 3 次未能改变 [已完成] 的状态：
1. 立即停止当前操作
2. 清空当前瞬时注意力
3. 重新读取 production.md
4. 从头反思任务路径是否正确
这套方法论可以归纳为 S.P.A.R 框架：
| 维度 | 英文 | 含义 | 在 SimpleSpec 中的体现 |
|---|---|---|---|
| S | Stateful | 状态化 | schema/task_*.md 让 AI 变成有状态的实例 |
| P | Persistent | 持久化 | production.md 确保全局认知不丢失 |
| A | Anchored | 锚定化 | "末尾重述"将注意力锚定在最近的上下文 |
| R | Reflective | 反思化 | 环境反馈循环和错误约束（可选增强） |
当前状态：SimpleSpec 已实现 S、P、A 三个维度，足以应付 90% 的日常开发任务。
-
先使用，后优化
- 用现有配置跑一周，观察实际效果
- 记录 AI 在哪些任务上容易出错
- 针对性添加增强机制
-
不要过度工程化
- 当前配置已经形成完整的闭环
- 除非遇到明确痛点，否则不需要添加更多约束
-
保持简单
- 物理文件载体是最简单可靠的方案
- 避免引入额外的复杂度（如数据库、外部依赖）
-
实战验证
- 在真实项目中使用
- 根据实际反馈调整
- 保持文档和代码同步更新
- 本项目的协议文档：
CLAUDE.md- 详细的全感知任务管理模式 v3.0 - 任务文档示例：
schema/task_*.md- 实际的任务执行记录 - 项目全局状态：
production.md- 项目认知锚点