前沿团队正在重塑 AI 原生开发：不只是写代码更快

# specs/add_user.yaml
feature: add_user
description: "向系统添加新用户，包含邮箱验证和重复检查"
input:
  - name: email
    type: string
    required: true
    validation: "合法邮箱格式"
  - name: username
    type: string
    required: true
    validation: "3-20 字符，仅字母数字下划线"
output:
  success:
    status: 201
    body: { id: "uuid", email: "...", username: "...", created_at: "timestamp" }
  errors:
    - condition: "邮箱已存在"
      status: 409
      body: { error: "email_already_registered" }
    - condition: "用户名已存在"
      status: 409
      body: { error: "username_taken" }
    - condition: "输入格式不合法"
      status: 400
      body: { error: "invalid_input", details: "..." }
constraints:
  - "密码不在本接口处理，由单独的 setPassword 接口负责"
  - "邮箱验证邮件应在创建后 30 秒内发出"
  - "id 必须使用 UUID v4"

#!/usr/bin/env python3
"""
spec2code.py —— 按 spec 文件调用 LLM 生成 Python FastAPI 实现代码
运行前设置环境变量: export OPENAI_API_KEY="sk-..."
依赖: pip install openai pyyaml
"""

import os
import sys
import yaml
from openai import OpenAI

client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))

def load_spec(path: str) -> dict:
    with open(path) as f:
        return yaml.safe_load(f)

def build_prompt(spec: dict) -> str:
    return f"""你是一个 Python 后端工程师，使用 FastAPI 框架。
请根据以下功能规格，生成一个完整的路由实现文件。

要求:
1. 只输出代码，不要解释
2. 包含所有输入验证逻辑
3. 包含所有错误处理分支，返回指定的 status code 和 body
4. 使用 Pydantic model 定义输入输出
5. 用内存字典模拟数据库（不需要真实 DB）
6. 代码必须可以直接运行

功能规格:
{yaml.dump(spec, allow_unicode=True)}

请生成完整的 Python 文件代码。"""

def generate_code(spec: dict) -> str:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {"role": "system", "content": "你是资深 Python 后端工程师，代码简洁、类型完整、错误处理严谨。"},
            {"role": "user", "content": build_prompt(spec)},
        ],
        temperature=0.2,  # 低温度保证输出稳定可复现
    )
    return response.choices[0].message.content

def save_output(spec: dict, code: str, out_dir: str = "generated"):
    os.makedirs(out_dir, exist_ok=True)
    feature = spec.get("feature", "unknown")
    # 提取纯代码部分（去掉可能的 markdown 包裹）
    if "```python" in code:
        code = code.split("```python")[1].split("```")[0].strip()
    elif "```" in code:
        code = code.split("```")[1].split("```")[0].strip()
    out_path = os.path.join(out_dir, f"{feature}.py")
    with open(out_path, "w") as f:
        f.write(code)
    print(f"✅ 代码已写入 {out_path}")
    print(f"   运行: uvicorn {out_dir}.{feature}:app --reload")

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("用法: python spec2code.py specs/add_user.yaml")
        sys.exit(1)
    spec = load_spec(sys.argv[1])
    code = generate_code(spec)
    save_output(spec, code)

# 1. 准备 spec 文件（上面那个 YAML）
# 2. 设置 API key
export OPENAI_API_KEY="sk-..."

# 3. 安装依赖
pip install openai pyyaml

# 4. 生成代码
python spec2code.py specs/add_user.yaml

# 5. 查看生成结果并启动服务
cat generated/add_user.py
uvicorn generated.add_user:app --reload

# 一个实用的 CI 检查脚本思路：确保生成的测试覆盖了 spec 里的所有错误场景
# 假设 spec 定义了 3 种错误，生成的测试文件应该至少有 3 个对应的测试函数

#!/bin/bash
# check_spec_coverage.sh
SPEC_FILE=$1
TEST_FILE=$2

# 从 spec 提取错误条件数量
ERROR_COUNT=$(yq '.output.errors | length' "$SPEC_FILE")

# 从测试文件提取对应测试函数数量
TEST_COUNT=$(grep -c "def test_.*error" "$TEST_FILE" || echo 0)

if [ "$TEST_COUNT" -lt "$ERROR_COUNT" ]; then
    echo "❌ 测试覆盖不足: spec 定义了 $ERROR_COUNT 个错误场景，测试只有 $TEST_COUNT 个"
    exit 1
else
    echo "✅ 测试覆盖通过: $TEST_COUNT / $ERROR_COUNT"
fi