3 listopada 2026Zaktualizowano Fathy Shalaby17 min czytania
Szablon PRD dla agentów AI do kodowania (Claude Code, Cursor, Copilot)
Szablon PRD do skopiowania dla agentów AI do kodowania: gdzie leży obok CLAUDE.md, AGENTS.md i reguł Cursora oraz jak pisać testy akceptacyjne, które agent potrafi uruchomić.
Udostępnij
Ten artykuł został przetłumaczony z języka angielskiego. Przeczytaj oryginał
Szablon PRD dla agentów AI do kodowania to krótki brief przypisany do jednego zadania, który mówi Claude Code, Cursorowi lub GitHub Copilotowi, kto ma problem, co ma się zmienić, co jest poza zakresem i jakie testy dowodzą, że praca jest skończona. Stałe reguły projektu trzymaj w CLAUDE.md, AGENTS.md lub regułach Cursora. Decyzję o funkcji trzymaj w PRD. Poniższy szablon mieści się na jednej–dwóch stronach.
Najważniejsze wnioski
Agenci są szybcy i często lekko się mylą. W ankiecie Stack Overflow z 2025 roku 66% programistów wskazało rozwiązania AI „prawie dobre, ale nie do końca” jako jedną z głównych frustracji, a 86,9% martwiło się o dokładność agentów AI (Stack Overflow, 2025).
Dostawcy zgadzają się, że pliki instrukcji projektu powinny być krótkie i ogólne: Anthropic celuje w mniej niż 200 linii na plik CLAUDE.md, Cursor zaleca trzymać reguły poniżej 500 linii, a własny prompt wdrożeniowy GitHuba ogranicza instrukcje Copilota do 2 stron i wyklucza treści specyficzne dla zadania.
Decyzja o funkcji potrzebuje więc własnego miejsca: jednego PRD na zadanie, podlinkowanego z issue lub pull requesta.
Sekcja, która najbardziej zmienia wynik pracy agenta, to testy akceptacyjne. Agent z testem zaliczone/niezaliczone może sam przetestować i poprawić swoją pracę; agent bez niego zatrzymuje się, gdy praca tylko wygląda na skończoną.
Niejasne wymagania były kosztowne jeszcze przed AI. PMI stwierdziło, że za 47% projektów, które nie osiągnęły celów, stało słabe zarządzanie wymaganiami (PMI, 2014).
Czym jest szablon PRD dla agentów AI do kodowania?
Product requirements document (PRD) dla agenta kodującego odpowiada na te same pytania co każdy PRD: czyj to problem, co ma się zmienić i po czym poznamy, że się udało? Różnica tkwi w czytelniku. Inżynier-człowiek pyta na Slacku, gdy coś jest niejasne. Agent zwykle wybiera jedną interpretację i działa dalej.
Przewodnik Anthropic po Claude Code mówi to wprost: Claude ma skłonność, by rozumieć prośbę najwęziej i zbudować minimum, które ją spełnia, bo nie wie, jak ambitnie to miało być (Anthropic, Claude Code best practices). Rozwiązaniem nie jest dłuższy prompt. Jest nim brief, który podaje to, co kolega z zespołu wyłapałby na sali.
Agent kodujący oraz osoba, która sprawdza jego pracę
Zakres
Często całe wydanie
Jedno zadanie lub jeden pionowy wycinek
Długość
Często kilka stron
Jedna–dwie strony; szczegóły w linkach
Niejednoznaczność
Rozstrzygana w rozmowie
Wypisana jako otwarte pytania i reguły zatrzymania
Non-goals
Pomocne
Obowiązkowe, żeby agent zostawił w spokoju sąsiedni kod
Kryteria akceptacji
Czyta je QA
Napisane jako testy, które agent może uruchomić i o których może zdać raport
Gdzie żyje
Wiki lub narzędzie do dokumentów
Repozytorium lub issue, podlinkowane z pull requesta
Po co agentom AI do kodowania w ogóle PRD?
Bo kod nie powie agentowi, który problem klienta się liczy, jaki kompromis zaakceptował zespół ani co jest celowo poza zakresem. Te fakty żyją w wywiadach, ticketach i spotkaniach. Jeśli nikt ich nie zapisze, agent wypełni lukę prawdopodobnym domysłem.
Używanie agentów jest dziś na tyle rutynowe, że ma to znaczenie. W ankiecie Stack Overflow z 2025 roku 84% respondentów używało narzędzi AI lub planowało to robić, 14,1% używało agentów AI w pracy codziennie, a kolejne 9% co tydzień. Zaufanie nie nadąża za użyciem: 46% nie ufało dokładności wyników AI, a 33% jej ufało (Stack Overflow, 2025).
Niejasne intencje były kosztowne na długo przed agentami. Badanie PMI z 2014 roku wykazało, że słabe zarządzanie wymaganiami sprawiło, że 47% nieudanych projektów nie osiągnęło celów, i zmarnowało 5,1% każdego dolara wydanego na projekty (PMI, 2014). Przy agencie ta sama niejasność pojawia się jako pewny siebie pull request po kilku minutach, zamiast niespodzianki na sprint review.
Bezpieczeństwo to drugi powód, by być jednoznacznym. Veracode przetestowało ponad 100 dużych modeli językowych i stwierdziło, że 45% wygenerowanych próbek kodu wprowadzało lukę z listy OWASP Top 10; w próbkach Javy odsetek ten wynosił 72% (Veracode, 2025). Sam PRD tego nie naprawi, ale lista „nie wolno” i nazwany test bezpieczeństwa pokazują agentowi i recenzentowi, gdzie patrzeć.
Co trafia do CLAUDE.md lub AGENTS.md, a co do PRD?
Podziel kontekst według tego, jak długo pozostaje prawdziwy. Pliki instrukcji repozytorium zawierają reguły obowiązujące przy każdym zadaniu. PRD zawiera decyzję dotyczącą tego zadania. Mieszanie obu pogarsza oba: plik instrukcji puchnie, a decyzja o funkcji ginie w tłumie.
Każde narzędzie dokumentuje własne pliki instrukcji i własne zalecenia co do rozmiaru:
Narzędzie
Pliki instrukcji projektu
Zalecenie dostawcy co do rozmiaru
Opcja na poziomie zadania
Claude Code
CLAUDE.md (zakresy managed, user, project i local), .claude/rules/ z filtrami ścieżek; czyta AGENTS.md, gdy nie ma CLAUDE.md
Cel: poniżej 200 linii na plik
Odwołanie do pliku spec przez @path; prośba, by Claude przeprowadził z Tobą wywiad i napisał SPEC.md
Cursor
.cursor/rules/*.mdc (zawsze, inteligentne, dopasowane do plików lub ręczne); AGENTS.md, także zagnieżdżone
Trzymaj reguły poniżej 500 linii
Wspomnij plik PRD przez @ na czacie
GitHub Copilot
.github/copilot-instructions.md, .github/instructions/*.instructions.md z applyTo; AGENTS.md, CLAUDE.md lub GEMINI.md
Prompt wdrożeniowy: nie dłuższy niż 2 strony, bez treści specyficznych dla zadania
Dwa szczegóły z dokumentacji dostawców kształtują ten podział. Anthropic mówi, że Claude traktuje CLAUDE.md jako kontekst, a nie wymuszaną konfigurację, i że dłuższe pliki obniżają przestrzeganie zasad. Dokumentacja Copilota od GitHuba opisuje pliki promptów jako coś, co wybierasz na każdym czacie, w przeciwieństwie do instrukcji stosowanych automatycznie (GitHub Docs). Oba wskazują ten sam kierunek: trwałe reguły idą do zawsze ładowanego pliku, jednorazowe decyzje do pliku, który przekazujesz na potrzeby tego zadania.
Do instrukcji repozytorium wpisz:
Polecenia budowania, testów, sprawdzania typów i lintowania, w tym jak uruchomić jeden plik testowy
Miejsca, w których kod wprowadza w błąd, np. przestarzały wzorzec, którego nowy kod nie może kopiować
Decyzje niewidoczne w kodzie: helper błędów, proces wdrożenia, co wymaga przeglądu migracji
Reguły bezpieczeństwa, prywatności i dostępności obowiązujące wszędzie
Gdzie żyją decyzje produktowe, jako link
Do PRD wpisz:
Użytkownika, problem i dowody, które go potwierdzają
Rezultat, jego punkt odniesienia i bezpieczniki
W zakresie, poza zakresem i „nie wolno”
Wymagane zachowanie, w tym stany pusty, ładowania i błędu
Testy akceptacyjne i polecenia, które je weryfikują
Otwarte pytania i kto je rozstrzyga
Dokumentacja Cursora dodaje użyteczną regułę dla obu: odwołuj się do plików zamiast kopiować ich treść, bo kopie się starzeją. Linkuj badania; nie wklejaj ich.
Szablon PRD do skopiowania dla agentów AI do kodowania
Skopiuj go do docs/specs/<feature>.md lub do treści issue. Odpowiedzi trzymaj krótkie, a szczegóły podlinkuj do badań, projektów lub notatek technicznych.
# PRD: [roboczy tytuł]
Właściciel: [imię] | Status: szkic / zatwierdzony | Data: [RRRR-MM-DD]
Issue / PR: [link]
## 1. Problem
- Główny użytkownik:
- Sytuacja i problem (jedno zdanie):
- Dowody: [linki]. Oznacz każdy punkt jako zaobserwowany / wywnioskowany / założony.
- Dlaczego teraz:
- Czego jeszcze nie wiemy:
## 2. Rezultat
- Rezultat dla użytkownika: co staje się łatwiejsze, szybsze lub bezpieczniejsze?
- Sygnał produktowy: zachowanie, które pokazałoby, że to pomogło
- Punkt odniesienia: [liczba + źródło] lub „nieznany: najpierw zinstrumentuj”
- Bezpieczniki: co nie może się pogorszyć (błędy, prywatność, opóźnienia, kontrola użytkownika)
## 3. Zakres
- W zakresie:
- Poza zakresem (non-goals):
- Nie wolno: [zabronione działania lub skutki uboczne]
- Zależności:
## 4. Wymagane zachowanie
R1. Punkt wejścia i główna ścieżka, prostym językiem:
R2. Stany pusty, ładowania i błędu:
R3. Uprawnienia i obsługa danych:
R4. Przypadki brzegowe, które zmieniają decyzję:
## 5. Kontekst
- Obecne zachowanie: [trasa, ekran lub plik]
- Istotne decyzje: [link do rejestru decyzji]
- Znane ograniczenia: [platforma, zgodność, opóźnienia, polityka]
- Reguły repozytorium: zobacz CLAUDE.md / AGENTS.md
- Jeśli dwa źródła są sprzeczne: zatrzymaj się i zapytaj [właściciela]
## 6. Zachowanie AI (tylko jeśli funkcja korzysta z modelu)
- Dane wejściowe, których model może używać:
- Wynik pokazywany lub zapisywany:
- Grounding: które źródło potwierdza każde twierdzenie
- Niepewność: kiedy powiedzieć „za mało dowodów” lub zapytać
- Kontrola człowieka: które działania wymagają przeglądu
- Obsługa błędów: przekroczenie czasu, źle sformatowany wynik, brak dowodów
- Przypadki ewaluacyjne: [link, w tym trudne i negatywne przykłady]
## 7. Testy akceptacyjne
AC1. Mając [stan], gdy [akcja], wtedy [obserwowalny wynik].
AC2. Jeśli [niepożądany warunek], to system musi [bezpieczne zachowanie zastępcze].
AC3. Mając [użytkownika bez uprawnień], gdy [otworzy to], wtedy nie pojawiają się dane objęte ograniczeniem.
AC4. Regresja: [istniejące polecenie testowe] nadal przechodzi.
Zweryfikuj przez: [polecenia testów, sprawdzania typów, lintowania i end-to-end]
## 8. Umowa wykonawcza agenta
1. Przeczytaj ten PRD i instrukcje repozytorium, zanim cokolwiek zmienisz.
2. Powtórz wymaganie własnymi słowami i wypisz otwarte pytania. Poczekaj na odpowiedzi w sprawie wszystkiego, co oznaczono jako „decyzja”.
3. Zaproponuj plan: pliki do zmiany, testy do dodania. Poczekaj na zatwierdzenie.
4. Zbuduj najmniejszy wycinek, który przechodzi testy akceptacyjne.
5. Zatrzymaj się i zapytaj, zanim zmienisz publiczne API, ruszysz auth, billing lub migracje, dodasz zależność albo sam rozstrzygniesz otwarte pytanie.
6. Uruchom polecenia weryfikacyjne i wklej polecenia oraz ich wynik.
7. Podsumuj zmienione zachowanie, założenia i pozostałe ryzyka.
Które sekcje są najważniejsze?
Non-goals i „nie wolno”. Jednowierszowy non-goal („żadnego nowego kreatora dashboardów”, „nie zmieniaj definicji raportów”) powstrzymuje rozsądnego agenta przed zamienieniem drobnej prośby w redesign. Niektóre narzędzia już blokują najbardziej ryzykowne działania. Tryb auto w Claude Code domyślnie blokuje na przykład wdrożenia produkcyjne i migracje, force push oraz scalanie pull requesta, którego żaden człowiek nie zatwierdził (Anthropic, permission modes). Twoja lista dodaje zakazy specyficzne dla produktu, których żadne narzędzie nie może znać: logikę cen, tekst zgody, e-mail do klientów.
Status dowodów. Oznaczenie każdej linii dowodu jako zaobserwowanej, wywnioskowanej lub założonej sprawia, że hipoteza nie czyta się jak fakt, gdy trafi do uporządkowanego dokumentu. 15-minutowe śledzenie twierdzeń w specyfikacjach pisanych przez AI pokazuje, jak to sprawdzić przed przekazaniem.
Jedno ograniczenie: wszystko, co zapisano w PRD lub CLAUDE.md, jest wskazówką, którą agent może uznać za niemającą zastosowania. Rada Anthropic brzmi: reguła, która nie może mieć wyjątków, należy do hooka, reguły odmowy lub ustawienia zarządzanego, a nie do prozy (Anthropic, Claude Code best practices).
Jak pisać kryteria akceptacji, które agent AI do kodowania może zweryfikować?
Napisz każdy test tak, by zwracał wynik „zaliczone” albo „niezaliczone”, i wskaż polecenie lub obserwację, które o tym decydują. Przewodnik Anthropic wymienia rodzaje testów, które Claude potrafi odczytać: plik testowy, kod wyjścia builda, linter, skrypt porównujący wynik z fixture lub zrzut ekranu przeglądarki obok makiety.
Dwie składnie utrzymują kryteria akceptacji w postaci testowalnej:
Given / When / Then (mając / gdy / wtedy), z behavior-driven development: „Mając zapisany widok, gdy użytkownik go usunie, wtedy znika z paska bocznego, a API listy już go nie zwraca.”
EARS (Easy Approach to Requirements Syntax), stworzona przez Alistaira Mavina i współpracowników w Rolls-Royce, po raz pierwszy opublikowana w 2009 roku (Mavin, EARS). Używa pięciu wzorców:
Wzorzec EARS
Szablon
Przykład produktowy
Ubiquitous
System musi …
Eksport musi zawierać wiersz nagłówka.
Event-driven
Gdy [wyzwalacz], system musi …
Gdy przesyłany plik przekracza 10 MB, system musi pokazać limit rozmiaru.
State-driven
Dopóki [stan], system musi …
Dopóki trwa synchronizacja, system musi wyłączyć przycisk Zapisz.
Unwanted behaviour
Jeśli [warunek], to system musi …
Jeśli model nie zwróci źródła, to system musi oznaczyć temat jako „niepotwierdzony”.
Optional feature
Tam, gdzie [funkcja], system musi …
Tam, gdzie włączone jest SSO, system musi ukryć pole hasła.
Przykłady są ilustracyjne. Wzorzec „Jeśli … to” jest dla agentów najprzydatniejszy, bo przy niepożądanym zachowaniu zaczynają zgadywać.
Potem poproś o dowody, nie o werdykt. Anthropic zaleca pytać Claude o uruchomione polecenie i jego wynik, ponieważ samo twierdzenie, że testy przechodzą, to słaby dowód. Jako drugą linię obrony poproś świeżą sesję lub subagenta, który nie pisał kodu, o sprawdzenie diffa względem PRD.
Wypełniony przykład: podsumowania tematów dla transkrypcji wywiadów
Ten przykład jest ilustracyjny i nie pochodzi z badań prawdziwego klienta.
Problem. Pięcioosobowy zespół produktowy ma 12 transkrypcji wywiadów rozrzuconych po kilku dokumentach. Przed spotkaniem planistycznym chce zobaczyć powtarzające się problemy, nie tracąc dowodów od uczestników stojących za każdym z nich.
Pożądane zachowanie. Członek zespołu wybiera transkrypcje i prosi o szkic podsumowania tematów. Każdy temat linkuje do fragmentów, które go potwierdzają. Członek zespołu edytuje podsumowanie przed udostępnieniem.
W zakresie. Szkice tematów, linki do źródeł, edytowalny krok przeglądu.
Poza zakresem. Automatyczne publikowanie tematów, zmiana roadmapy albo przedstawianie liczby tematów z 12 wywiadów jako szacunku dla całego rynku.
Nie wolno. Zmyślać cytatu, przypisywać wypowiedzi niewłaściwemu uczestnikowi ani twierdzić o częstości, której transkrypcje nie potwierdzają.
Testy akceptacyjne.
Mając transkrypcję z fragmentem o problemie z konfiguracją, gdy podsumowanie zawiera ten temat, wtedy czytelnik może otworzyć dokładny fragment, który go potwierdza.
Jeśli temat nie ma potwierdzającego fragmentu, to system musi oznaczyć go jako „niepewny” zamiast wypełniać lukę.
Mając wygenerowane podsumowanie, gdy członek zespołu je otworzy, wtedy może je edytować przed udostępnieniem.
Mając transkrypcję z danymi osobowymi, gdy funkcja ją przetwarza, wtedy obowiązują istniejące zasady dotyczące danych i dostępu w workspace.
Punkt odniesienia. Nieznany. Zanim zespół ustawi cel, mierzy, ile czasu zajmuje ręczne znalezienie dowodów dla trzech tematów, i liczy poprawki recenzentów. Przykład nie zakłada żadnej konkretnej poprawy.
Jak przekazać PRD do Claude Code, Cursora lub Copilota?
Napisz PRD. Napisz go sam, zacznij od darmowego generatora PRD albo użyj promptów z jak pisać PRD z pomocą AI. W Claude Code możesz poprosić, by przeprowadził z Tobą wywiad, aż będzie mógł napisać spec, a potem zapisać go jako SPEC.md.
Umieść go tam, gdzie agent może go przeczytać. Zapisz w repozytorium lub issue i odwołuj się po ścieżce (@docs/specs/saved-views.md w Claude Code lub Cursorze).
Najpierw poproś o powtórzenie wymagania i plan. Tryb planowania w Claude Code pozwala agentowi czytać i badać kod, ale blokuje edycje, dopóki nie zatwierdzisz planu. Popraw nieporozumienia tutaj, gdzie nic nie kosztują.
Buduj w świeżej sesji. Anthropic sugeruje rozpoczęcie budowania w nowej sesji, gdy spec już istnieje, żeby start odbył się bez planistycznej gadaniny i ze specem jako definicją ukończenia.
Wprowadź nowe decyzje z powrotem do zapisu. Jeśli praca ujawniła decyzję, zaktualizuj PRD lub rejestr decyzji, nie tylko czat.
Zanim zostawisz agenta pracującego bez nadzoru, Anthropic proponuje pięć pytań: czy wie, jak wygląda „gotowe”, czy może sprawdzić własną pracę, czego wolno mu dotykać, co go zatrzymuje i kto zatwierdza wynik? Sekcje 3, 7 i 8 szablonu odpowiadają na cztery z nich.
Kiedy zamiast tego użyć Spec Kit lub Kiro?
Użyj ustrukturyzowanego workflow spec, gdy chcesz całego potoku, a nie tylko lepszego przekazania. Spec Kit od GitHuba, z około 150 tys. gwiazdek, oddziela spec („co zbudować i dlaczego”) od planu technicznego, a potem generuje zadania i implementację (GitHub, Spec Kit). Kiro dzieli każdy spec na requirements.md, design.md i tasks.md (Kiro docs). Powyższy szablon odpowiada krokowi wymagań: sekcjom 1–4 i 7. Jeśli Twój zespół już używa jednego z tych narzędzi, wklej sekcje produktowe do jego kroku spec, zamiast prowadzić dwa dokumenty.
Jak długi powinien być PRD dla agenta AI do kodowania?
Proporcjonalnie do ryzyka zmiany. Te przedziały to praktyczna reguła, nie benchmark:
Zmiana
Co uwzględnić
Orientacyjna długość
Poprawka tekstu lub drobna, odwracalna zmiana UI
Problem, zakres, 1–2 testy
5–15 linii
Standardowy wycinek funkcji
Sekcje 1–5, 7 i 8
Około jednej strony
Uprawnienia, billing, dane osobowe lub twierdzenia generowane przez AI
Pełny szablon z sekcją 6, testem bezpieczeństwa i wskazanym recenzentem
Do dwóch stron plus linki
Górna granica wynika z tej samej logiki, którą dostawcy stosują do plików instrukcji. Każda linia konkuruje o uwagę modelu, więc pięciostronicowy PRD chowa jedno ograniczenie, które się liczyło. Jeśli sekcja przekracza pół strony, prawdopodobnie zawiera kilka decyzji; podziel ją lub podlinkuj. O PRD całego wydania pisanym dla ludzi przeczytasz w jak napisać PRD.
Częste błędy w PRD dla agentów AI do kodowania
Wklejanie całej wiki produktowej. Więcej kontekstu to nie lepszy kontekst. Podlinkuj dwa lub trzy źródła, które zmieniają decyzję.
Wpisywanie szczegółów funkcji do CLAUDE.md lub AGENTS.md. Te pliki ładują się przy każdym zadaniu. Prompt wdrożeniowy GitHuba wprost trzyma treści specyficzne dla zadania poza plikiem instrukcji Copilota.
Wymagania w stylu „spraw, by AI była dokładna”. Opisz, co użytkownik może sprawdzić i co system robi, gdy nie może spełnić wymagania.
Wymyślanie celu. Jeśli nie ma punktu odniesienia, napisz „nieznany” i najpierw zinstrumentuj.
Akceptowanie „gotowe” bez wyniku. Poproś o polecenia i ich rezultaty.
Pozwalanie agentowi, by sam pisał i zatwierdzał swój PRD. Agent może przygotować szkic, ale człowiek musi potwierdzić problem, dowody i zakres.
Pisanie twardych reguł jako proza. „Nigdy nie ruszaj migracji” należy także do reguły odmowy lub hooka, nie tylko do PRD.
Gdzie pasuje Specky
Specky pisze PRD w swoim edytorze PRD z cytatami w tekście do rozmów z klientami, ticketów i feedbacku w Twoim Product Graph, więc sekcja Dowody linkuje do prawdziwych źródeł. Jego serwer MCP pozwala Claude Code, Cursorowi i innym klientom MCP załadować ten brief bezpośrednio: get_coding_brief zwraca PRD, decyzje i dowody istotne dla ticketu, a wszystko, co agent zapisze z powrotem, ląduje jako szkic do przeglądu przez człowieka. Konfiguracja jest na stronie konfiguracji MCP dla agentów AI.
Najczęściej zadawane pytania
Czy PRD dla agenta AI do kodowania różni się od zwykłego PRD?
Pytania są te same: kto ma problem, co ma się zmienić i po czym poznasz, że się udało. Wersja dla agenta jest krótsza, ograniczona do jednego zadania i bardziej jednoznaczna w sprawie non-goals, reguł zatrzymania i testów, które agent może uruchomić, bo agent działa na niejednoznaczności zamiast pytać. Dopasuj brief do rozmiaru i ryzyka zmiany.
Jak długi powinien być PRD dla Claude Code lub Cursora?
Około jednej strony dla standardowego wycinka funkcji i do dwóch stron dla zmian dotykających uprawnień, billingu, danych osobowych lub twierdzeń generowanych przez AI. Szczegóły podlinkuj. Dostawcy podają podobne limity dla plików instrukcji: poniżej 200 linii na CLAUDE.md, poniżej 500 linii na regułę Cursora i nie więcej niż 2 strony w prompcie wdrożeniowym GitHuba.
Czy PRD powinien trafić do CLAUDE.md lub AGENTS.md?
Nie. CLAUDE.md i AGENTS.md ładują się do każdej sesji, więc powinny zawierać trwałe reguły projektu, takie jak polecenia, konwencje i ograniczenia bezpieczeństwa. PRD funkcji umieść w osobnym pliku lub w issue i odwołuj się do niego przy tym zadaniu. Link do miejsca, gdzie żyją decyzje produktowe, to właściwa ilość kontekstu produktowego dla pliku instrukcji.
Czy agent kodujący może sam napisać PRD?
Może przygotować szkic, uporządkować Twoje notatki i podsunąć przypadki brzegowe. Claude Code potrafi nawet przeprowadzić z Tobą wywiad i napisać plik spec. Człowiek nadal musi potwierdzić problem użytkownika, dowody, zakres i sygnał sukcesu, bo wygenerowany tekst nie jest dowodem, że zespół podjął te decyzje. Traktuj PRD przygotowany przez agenta jako szkic.
Czym jest spec-driven development?
Spec-driven development oznacza pisanie specyfikacji tego, co zbudować i dlaczego, zanim agent AI zaplanuje i zaimplementuje. Spec Kit od GitHuba i Kiro formalizują to w etapach: wymagania lub spec, potem plan techniczny lub projekt, potem zadania, potem kod. Szablon PRD z tego artykułu obejmuje etap wymagań.
Jak pisać kryteria akceptacji dla agenta AI do kodowania?
Pisz każde jako zdanie „zaliczone/niezaliczone” powiązane z czymś, co agent może uruchomić lub zaobserwować: testem, buildem, linterem, diffem fixture lub zrzutem ekranu. Użyj składni Given/When/Then lub EARS, dodaj co najmniej jeden przypadek „jeśli coś pójdzie źle, to” i poproś agenta o wklejenie poleceń oraz wyniku.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing