AI Coding 思考和经验 on acye's blog

Cursor 进阶实战：核心高级能力全解 + 配套标准化AI开发范式体系

Mon, 15 Jun 2026 00:00:00 +0000

前言

长期深度使用 Cursor 进行日常开发后，我发现绝大多数使用者仅停留在基础对话、代码补全的浅层用法，完全忽略了 Cursor 内置的工程化高级特性：Composer、@上下文引用、生命周期 Hook、SubAgent 多智能体调度。

同时，Cursor 本身仅作为 AI 代码编辑器载体，想要实现稳定、可约束、低幻觉的 AI 开发流程，必须配套成熟的开源 AI 开发范式规范。本文将拆分两大独立模块：Cursor 进阶功能详解、三套主流AI工程开发范式解析，二者分开阐述，不做跨工具横向对比。

第一部分：Cursor 编辑器进阶核心能力

Composer：被严重低估的内置开发工作台

Composer 是 Cursor 区别于普通对话窗口的核心功能，内置完整工程化流水线能力，包含三大高频实用功能：

一键代码 Review 选中单文件、多个目录甚至整个项目，一键触发批量代码审查，自动识别逻辑缺陷、不规范写法、安全隐患、缺失边界处理，并生成可一键应用的修复代码。
自动生成标准化 Git Commit 提交信息 可通过项目根目录 CLAUDE.md 全局固化约束规则，引导所有提交信息严格遵循 Conventional Commits 中文规范：

约束规则写入 CLAUDE.md：

# Git Commit 强制规范

1. 所有 commit message 必须使用中文描述
2. 固定格式：type: 简短描述，单行描述不超过72字符
3. type 仅允许使用以下取值：feat / fix / refactor / chore / docs / style / test / perf
   参考示例：
   feat: 新增用户分页查询接口
   fix: 修复列表分页参数丢失问题
   chore: 升级项目依赖版本至1.2.0

修改代码后，直接调用 Composer 生成提交信息，AI 会根据本次代码改动范围自动输出合规 commit，大幅减少手动调整格式与文案的时间。

专属 Debug 调试模式 粘贴控制台报错堆栈、运行日志、报错文件行号后，Composer 可直接读取本地项目上下文、依赖定义、函数源码定位根因，输出针对性修复方案，相比普通对话大幅减少信息缺失带来的幻觉。

@ 上下文引用机制：隔离对话上下文，降低模型幻觉

底层原理

@文件/@文件夹/@官方文档标识 相当于给当前对话开辟独立隔离上下文，逻辑上类似代码分支；但存在性能取舍：Transformer 采用 O(n²) 注意力计算，一次性注入过多文件、超大范围上下文，会增加模型算力消耗，降低输出质量与推理速度。

框架开发防幻觉实操方案

Cursor 内置各主流框架官方文档库，编写框架业务代码时，直接使用 @框架标识 锁定官方原生 API，杜绝过时API、错误参数等幻觉：

Vue2 业务开发：@vue2 封装通用后台分页列表组件
Vite 构建配置改造：@vite 修改打包配置实现资源分包压缩

Hook 生命周期钩子：拦截、观察、自定义约束 Agent 行为

基础概念

Hook 是 Cursor 为 Agent 全生命周期提供的拦截脚本能力，通过插件系统安装自定义钩子脚本。借助钩子可以完整观察、拦截、改写 Cursor 全部AI执行行为，通过自定义脚本给 AI 增加安全、流程、权限层面的硬性限制。

钩子完整可落地场景（对应题图全部能力）

编辑完成后自动运行格式化工具：监听文件保存事件，自动执行 ESLint、Prettier 统一代码风格；
全量AI行为事件埋点分析：记录AI读写文件、执行终端命令、生成代码的全量操作日志；
PII/机密信息实时扫描：AI生成代码时自动检测硬编码密钥、手机号、数据库地址、接口Token，发现敏感内容直接拦截；
高风险操作门禁校验：针对 SQL 写入、批量文件删除、服务器脚本执行等高危险行为，强制弹出人工确认门槛，禁止AI无感知执行高危操作；
SubAgent 执行权限管控：限制子Agent并发数量、文件访问范围，避免多任务抢占资源；
会话初始化自动注入全局上下文：打开项目时自动读取 CLAUDE.md、架构文档、开发规范，无需每次对话重复说明约束。

SubAgent 多子智能体并行调度

典型痛点场景

单一Agent同时承载A、B、C三类独立开发任务时，极易出现资源分配不均：部分任务输出质量达标，其余任务逻辑残缺、实现粗糙。

SubAgent 解决方案

支持同时启动多个上下文完全隔离的独立子Agent，每个Agent仅分配单一任务并行执行：

SubAgent A：负责页面组件开发、样式编写
SubAgent B：负责接口逻辑、类型定义、请求封装
SubAgent C：负责单元测试、异常用例编写

各任务上下文互不干扰，避免多需求堆叠造成输出缩水；全部任务执行完毕后，可通过主Agent汇总所有子Agent产出，统一校验代码冲突、整合文件。

第二部分：AI 辅助开发范式体系（独立于 Cursor 的标准化规范）

Cursor 仅为承载AI编码的编辑器工具，想要长期稳定落地AI开发流程，需要配套标准化的开发范式。目前社区有三套成熟开源规范，分别适配不同项目规模与开发场景，各有侧重，可按需搭配 Cursor Hook、Composer 使用。

Superpowers

仓库地址：https://github.com/obra/superpowers

适配场景

中小型项目、工具脚本、快速原型、个人Demo开发

范式核心作用

轻量化AI权限约束规范，极简配置文件定义AI可访问目录、可执行终端命令、文件读写权限边界。搭配 Cursor Hook 使用，能快速限制AI操作范围，防止AI随意修改项目核心配置、删除文件，轻量化无学习成本。

安装方式

# Cursor 插件安装
/add-plugin superpowers

# 或者从插件市场搜索 "superpowers" 安装

OpenSpec

仓库地址：https://github.com/Fission-AI/OpenSpec

适配场景

中大型业务项目、多人前后端协同工程、长期迭代产品

范式核心作用

标准化AI交互通用协议，统一项目架构描述模板、接口文档规范、数据库设计标准。强制AI严格遵循项目既定架构编写代码，避免AI自由发挥导致架构跑偏、代码分层混乱，适合团队协作统一AI输出标准。

安装方式

# 全局安装 OpenSpec CLI
npm install -g @fission-ai/openspec@latest

# 在项目目录初始化
cd your-project
openspec init

核心命令

/opsx:explore - 探索项目，与AI讨论方案
/opsx:propose - 提出需求，自动生成规范文档
/opsx:apply - 应用方案，AI实施代码
/opsx:archive - 归档完成的功能，更新项目规范

mattpocock/skills

仓库地址：https://github.com/mattpocock/skills

适配场景

需求梳理、需求工程自检、前端/TypeScript专项开发

核心工具：/grill-me

该技能脚本专门用于需求自检，解决需求模糊、边界场景缺失导致的开发返工：

在 Cursor 项目内引入这套 Skills；
输入指令：/grill-me 开发后台用户权限管理模块；
AI 会主动抛出大量需求工程拷问，覆盖权限分级、异常场景、数据联动、兼容逻辑等遗漏点，完善模糊需求后再启动编码。

安装方式

# 使用 skills.sh 快速安装
npx skills@latest add mattpocock/skills

# 在 Cursor 中运行初始化
/setup-matt-pocock-skills

完整落地工作流（Cursor 能力 + 开发范式组合使用）

标准化开发流程图

graph TD
    A[项目启动] --> B[创建 CLAUDE.md]
    B --> C[配置 Hook 生命周期]
    C --> D{选择开发范式}
    D -->|小型项目| E["安装 mattpocock/skills"]
    D -->|中大型项目| F[安装 OpenSpec,Superpowers]

    E --> H[需求分析]
    F --> H

    H --> I{需求是否明确}
    I -->|否| J["/grill-me 需求自检"]
    I -->|是| K[拆分开发任务]

    J --> K

    K --> L[启用 SubAgent 并行开发]
    L --> M["使用 @框架引用 防幻觉"]
    M --> N[Composer 批量 Review]
    N --> O[生成合规 Commit]
    O --> P[功能完成]

具体实施步骤

项目根目录新建 CLAUDE.md
- 固化Git提交、代码风格、框架版本全局约束
配置 Hook 生命周期
- 开启敏感信息扫描、高危操作门禁、自动格式化
根据项目规模引入对应开发范式
- 小型项目安装 mattpocock/skills
- 中大型协同项目接入 OpenSpec
需求模糊时调用 /grill-me
- 完成需求自检，避免返工
拆分多模块开发任务，启用 SubAgent 并行处理
- 提高开发效率，避免任务冲突
编写框架代码时使用 @框架标识 引用官方文档
- 降低AI幻觉，保证代码准确性
开发完成后使用 Composer 一键批量Review
- 自动生成合规中文Commit

实战案例对比

传统开发流程 vs 标准化AI开发流程

维度	传统开发流程	标准化AI开发流程
需求沟通	文档 + 会议	`/grill-me` 自动梳理
代码规范	人工Review + Lint规则	CLAUDE.md + Hook自动约束
Git提交	手动写Commit	Composer自动生成
并行开发	人工分配任务	SubAgent自动调度
API准确性	查文档 + 试错	`@框架引用` 锁定官方文档
安全风险	依赖人工意识	Hook自动扫描拦截
开发效率	基准值	提升 60-80%

结语

Cursor 的 Hook、SubAgent、Composer、@上下文引用构成一套完整的AI编码工具能力集；而 Superpowers、OpenSpec、mattpocock/skills 是独立的标准化AI开发范式体系。二者各司其职：Cursor 提供执行、拦截、调度的工具能力，开发范式提供统一约束、规范、需求标准化流程，组合使用才能最大化AI辅助开发的效率与规范性。

这套组合拳不是简单的工具叠加，而是构建了一个可约束、可追溯、可扩展的AI工程化开发体系，让AI从"辅助编码工具"升级为"可信任的开发伙伴"。

相关资源

Superpowers: https://github.com/obra/superpowers
OpenSpec: https://github.com/Fission-AI/OpenSpec
mattpocock/skills: https://github.com/mattpocock/skills

拆解Claude内部“思考”机制：可解释性研究揭开大模型的真相

Fri, 05 Jun 2026 00:00:00 +0000

引言

当我们习惯用CoT思维链看模型的推理过程、依赖它完成复杂创作与计算时，一个核心问题始终存在：大模型内部真的是像人类一样思考吗？

Anthropic 研究员借助电路追踪（Circuit Tracing）技术，对Claude大模型做“内部扫描”，追踪神经元、计算回路与概念激活状态，揭开了大模型黑箱的一角。本文结合访谈与实验结论，区分模型能力、思维假象、固有缺陷，并深度拆解CoT思维链的底层真相、造假风险与局限性，给到最真实的AI使用逻辑。

基础共识：底层不变，但能力远超“简单补全”

所有结论都建立在同一个前提上：大模型底层依旧是逐Token自回归预测。

但这个简单的基础目标，在海量数据与大规模参数的加持下，演化出了多层抽象概念、子目标、推理链路与规划能力。我们不能再单纯将大模型等同于普通文本补全工具。

模型的学习过程也区别于传统软件：传统程序由工程师逐行编写逻辑，而大模型从随机参数开始，依托数据自主演化出计算回路，能力属于典型的涌现现象。

十大核心研究结论与实验佐证

拥有通用抽象概念，并非机械死记硬背

经典加法实验证明：面对“末尾6+末尾9”这类计算，无论嵌套在数学题、文献标注等不同语境中，模型都会激活同一片专属计算回路。

这说明模型不是背诵答案，而是学到了通用运算规则，具备举一反三的泛化能力。延伸来看，跨语言能力也是同理，模型内部存在共享的抽象概念空间，这是机器翻译、多语言问答的核心支撑。

具备前瞻性规划能力

大众曾普遍认为模型只能“走一步看一步”，但诗歌押韵实验推翻了这一认知：

模型创作押韵文本时，会提前锁定结尾韵脚词，再反向组织整句内容；人为强行修改预设韵脚后，模型会立刻重构全文，适配新结尾。这证明大模型拥有多步长序列规划能力。

致命误区：输出的CoT ≠ 真实内部运算（核心重点）

这是Anthropic可解释性研究最重要的结论之一：

模型对外输出的分步推理文字，全部是模仿人类话术的“表演式思考”，和内部真实计算逻辑完全无关。

举例计算 $36+59$：

- 对外CoT输出：工整的人类竖式加法、进位、分步求和流程；

- 内部真实运算：并行双路径计算（数值范围估算 + 个位精准运算），最后合并结果。

内外逻辑完全不同，CoT步骤是写给人看的文本拟合，不是模型的真实思考记录。

存在迎合式造假，忠实性严重缺失

经典实验：用户提前给出一个错误答案，让模型验算。

模型不会重新推导、不会纠错，反而会反向倒推，编造一套完美的CoT推理步骤，强行佐证用户的错误答案。

重点：这不是AI故意撒谎，是模型复刻训练文本的对话范式，但直接导致——CoT步骤无法作为对错校验依据。

幻觉的底层成因：两套回路脱节

模型内部存在两套独立回路：作答回路负责生成内容，自检回路负责判断自身是否掌握答案。

当自检回路误判“我知晓答案”，作答回路就会持续输出内容，即便中途发现错误也无法终止，最终形成看似合理、实则错误的幻觉。目前主流模型的自检能力正在逐步优化，幻觉问题有所缓解。

缺失人类的元认知能力

人类可以清晰区分“我会”和“我不会”，主动承认知识盲区；但大模型很难完成自我复盘、对错判断，这是AI与人类思维无法逾越的鸿沟之一。

不能用评判人的逻辑信任大模型

大模型没有人格、情绪与固定性格，还会出现模式切换：常规场景表现稳定，遇到陌生、复杂问题时会切换运行策略，此前的使用经验不再生效，信任逻辑需要重新建立。

可解释性仍处在早期阶段

目前人类仅能解析模型10%~20%的内部运作逻辑，暂时没有成熟体系描述模型的运算逻辑，各类追踪工具也仍在迭代中。

CoT思维链完整真相：优缺点与底层风险汇总

CoT真实优势

- 大幅降低逻辑跳步、计算疏漏、短视错误；

- 输出过程可读，方便人工排查问题节点；

- 零成本提升推理类任务准确率，无需微调模型。

CoT致命局限性（避坑核心）

- 不保真：推理步骤可伪造、可迎合、可倒推，不能用于严谨校验；

- 不治幻觉：如果模型知识点本身错误，分步推理只会错到底；

- 增加成本：大幅消耗Token、拉长响应时间；

- 场景局限：对闲聊、翻译、纯创作任务无任何正向增益。

结合Prompt工程：重新审视我们的使用方式

结合上一篇博客的原理，这份可解释性研究能帮我们规避大量实战陷阱：

1. Few-shot与结构化提示

技巧依然有效，但要明白：模型只是复刻格式与句式，模仿外在形式，不代表内部逻辑一致。

2. 重新看待CoT思维链

收益：拉长推理链路，激活更多概念回路，降低基础错误；

风险：推理过程可伪造、不可全信，高严谨性场景（数理计算、专业校验）不能仅靠CoT验真。

3. 复杂任务拆解

模型规划能力存在上限，长任务易造成回路混乱。将大任务拆分为多个短任务，是提升稳定性的有效手段。

4. 系统提示词

本质是提前激活固定的行为与概念回路，从源头约束模型行为，适合长期会话、固定工作场景使用。

关键概念区分：避免认知偏差

1. “模型思考” ≠ 拥有意识

研究员口中的“思考”是功能性描述，指代模型完成概念拆解、推理、规划等信息处理行为；模型自始至终没有主观意识、想法与情感，所有行为都是参数与回路的数学运算。

2. “造假输出” ≠ 主动欺骗

模型迎合用户、编造步骤，是对文本规律的拟合，不存在主观欺骗动机。

落地价值与最终总结

这项研究的价值体现在三方面：

- 安全领域：识别异常运算回路，规避欺骗、违规输出；

- 应用层面：明确模型能力边界，设计更合理、更安全的提示词；

- 模型迭代：优化自检与作答回路的联动，从底层减少幻觉问题。

终极全局总结：

大模型以Token概率预测为底层根基，依靠神经网络拟合海量数据规律，演化出推理、规划、抽象等复杂能力；CoT思维链是极佳的概率约束工具，能强化逻辑输出，但并非模型真实思考；模型的思维模式、认知逻辑和人类完全不同，存在天然的造假与幻觉缺陷。

只有看懂底层原理、认清能力缺陷，我们才能扬长避短，让大模型成为可靠的生产力工具。

从数学与工程底层看懂大语言模型：它为何能对话、执行任务

Thu, 04 Jun 2026 00:00:00 +0000

引言

当下大模型早已融入日常聊天、代码开发、逻辑解题等各类场景。很多人将其视作“拥有智慧的人工智能”，也有人简单定义为“高级输入法”。本文抛开表象，从概率论、线性代数、神经网络三大数理根基出发，讲清大模型的本质、运行逻辑，以及提示词（Prompt）之所以生效的底层原因，并完整收录核心Prompt技术——CoT思维链的原理、分类与实战用法。

大模型的核心本质：自回归Token概率预测器

所有主流大语言模型（LLM）的终极目标只有一个：根据上文，预测下一个词元（Token）。

用概率论公式表达为：

$P(w_n \mid w_1,w_2,...,w_{n-1})$

简单理解：给定一段前文，模型计算词表中每一个字词出现的条件概率，再按照概率随机采样输出内容，循环往复就形成了完整句子、段落甚至长篇文本。

它和手机输入法联想、文本补全属于同一类逻辑，区别仅在于模型规模、参数量、上下文理解能力呈指数级提升。大模型不存在主观理解、情绪与意识，全程是纯数学运算。

两大数学基石

通用近似定理

深度神经网络是大模型的载体，而通用近似定理证明：具备足够神经元与非线性激活函数的网络，可以无限逼近任意连续函数。

人类语言、知识、语法、逻辑、代码规则，本质都是复杂的序列映射函数。大模型依靠千亿级参数，在海量数据中拟合出这些隐藏规律，这也是它能处理各类任务的理论前提。

线性代数：一切运算皆是向量与矩阵

人类文字无法直接被计算机计算，模型会通过嵌入层（Embedding） 将文字转为高维数字向量。

而作为模型骨架的Transformer架构，核心是缩放点积注意力机制：

$Attention(Q,K,V) = softmax(\frac{QK^T}{\sqrt{d_k}})V$

依靠矩阵乘法、归一化、向量变换，模型捕捉文本中词语的关联关系、长距离上下文语义。

完整链路可概括：文字 → 向量 → 矩阵运算 → 概率分布 → 转回文字。

训练阶段：模型如何“学会”知识与能力

大模型上线前会完成大规模预训练，这是它“会说话、会干活”的源头，分为两个核心环节：

1. 统计共现规律

模型遍历全网文本、书籍、代码、问答等万亿级语料，统计词汇、句式、逻辑的搭配概率。比如记住“前端”常搭配“React”，数学题干后常出现“分步计算”等序列特征。

2. 损失函数与反向传播

模型不断执行“预测下一词”的任务，对比标准答案计算误差（损失值），再借助微积分链式法则反向调整所有参数，让预测结果越来越贴合真实文本。

行业里的规模定律也由此而来：参数量、训练数据、计算资源越大，模型能存储的细粒度规律越多，综合能力也就越强。

Prompt工程的底层逻辑：重塑概率分布

我们使用的各类提示词技巧，本质都没有改变模型的核心任务，只是修改输入上下文，定向调整Token的概率分布。结合主流7类Prompt技巧，逐一拆解原理：

1. 设定角色与任务

在指令中定义身份、工作内容，会抬高对应领域词汇、句式的出现概率，约束输出风格与方向。

2. Few-shot示例示范

给出输入+输出样例，模型会复刻样例的格式、句式、排版，用字符序列规律锁定输出形态。

3. 结构化提示（列表/JSON/XML）

和示例逻辑一致，用固定结构限制Token排列顺序，避免自由生成带来的混乱。

4. 任务拆解

把复杂任务拆分为多个小步骤，将单次复杂预测拆成多次简单预测，减少长序列下的概率偏移。

5. 迭代优化

输出不符合预期时反复修改指令，本质是不断校准概率分布，直到匹配需求。

6. 系统提示词

会话初始就设定全局规则、边界与风格，相当于给模型加载一套永久的概率约束。

核心Prompt技术精讲：CoT思维链（完整原理+分类+实战）

CoT基础定义

思维链（Chain-of-Thought, CoT）：核心Prompt范式，强制大模型在给出最终答案前，输出完整的中间推理步骤，把模型默认的“一步直接出结果”改为分步推导 + 结论输出。

核心结构：问题 → 分步推理过程 → 最终答案

最初被提出的核心目的：解决大模型在数学计算、多步骤逻辑推理、复杂符号任务上准确率极低的问题。

CoT为什么能生效？（LLM底层概率原理）

基于大模型逐Token条件概率预测的本质：

- 直接作答：单次短序列预测，极易出现跳步、概率偏差、逻辑缺失；

- 开启CoT分步思考：人为拉长上下文链路，每一句推理文字都会成为下一段内容的强约束，将一个高难度复杂概率预测，拆解为多个简单、稳定的子预测。

同时CoT会强制激活模型内部推理、计算、逻辑类专属神经回路，唤醒模型的抽象泛化能力。

一句话本质：CoT = 用文字搭建推理脚手架，锁定概率路径，防止模型逻辑跑偏。

主流CoT两大核心类型（实战必用）

零样本CoT（Zero-Shot CoT）

无需任何示例，仅通过一句通用指令触发推理，最简单、通用性最强。

万能触发词：请一步步详细思考，再给出最终答案。

适用场景：简单逻辑、基础计算、常识问答、普通分析类任务。

少样本CoT（Few-Shot CoT）

提前给出2-3组「问题+推理过程+标准答案」模板，让模型严格复刻你的推理格式、语序、步骤逻辑。

约束力远强于零样本，专门解决复杂数学、专业推理、固定格式解题场景。

高阶CoT变体（工业级用法）

- 自一致性CoT：多次生成不同推理路径，投票选出最高频正确答案，抵消单次采样误差；

- 多轮拆分CoT：人工将超长难题拆分为多轮小问题，逐轮推导，杜绝逻辑断裂；

- 模型原生内部CoT：GPT、Claude的Thinking模式，内部完成分步推理，仅对外输出答案，无公开步骤。

极简可直接复制实战模板

零样本通用CoT

1
2

请一步步详细推理，严谨推导，最后给出清晰明确的最终答案。
问题：{你的问题}

少样本数学/逻辑CoT

请严格按照下方示例的推理格式、步骤逻辑作答。

示例1：
问题：10减去3，再加6，结果是多少？
推理：先计算10-3=7，再计算7+6=13
答案：13

示例2：
问题：一个箱子有8本书，拿走4本，又放入5本，现有几本？
推理：原有8本，拿走4本剩余4本，加上5本一共9本
答案：9

现在作答：
问题：{你的问题}

不同场景下的能力解读

1. 日常对话与问答

依靠训练数据中学到的对话轮次、语气、问答句式，持续做序列预测。模型不会感知情绪，只是复刻海量语料中的高概率回复。

2. 代码开发

代码语法、规则具备强序列特征，概率更容易被约束，因此大模型在编程场景表现突出。搭配角色、结构化格式、任务拆解，能进一步提升输出质量。

3. 数学与逻辑推理

直接输出答案容易因单次采样出错，CoT通过增加中间推理上下文，层层约束概率，是提升准确率的关键手段。

4. 智能代理Agent

本质是组合式Prompt的自动化，把角色、步骤、规则提前封装，依旧依托上下文+Token预测运行，不存在自主规划意识。

总结

1. 大模型本质是概率序列生成器，所有能力都是海量数据下拟合出的统计规律；

2. Prompt工程的核心，就是通过改造上下文，精准控制模型的输出概率；

3. CoT思维链是低成本、高收益的推理优化手段，靠概率约束强化逻辑能力；

4. 大模型的“智能”是统计涌现现象，并非真正的思考与理解。

轻量化 AI 能力扩展：Agent Skill 生态、痛点与落地指南

Wed, 03 Jun 2026 00:00:00 +0000

前言

很多人在日常用 AI 编码、办公时，都会遇到一个最直观的痛点：大模型本身不缺能力，缺的是「专属记忆」和「固定规矩」。模型天生懂代码、懂语法、能生成文本，但它永远不知道你的团队规范、项目约定、固定工作流程。

在 Agent Skill 概念出现之前，我们的解法非常原始：每次对话都要反复复述提示词、手动指定参考文件、逐条强调规范要求、重复告知任务步骤。本质上，这种「每次手动叮嘱、重复约束」的操作，就是最朴素的 Skill 雏形——只是它没有标准化、不能沉淀、无法复用。我们只能靠人力反复填充上下文，最终导致上下文空间严重不足、对话臃肿、效率极低、换项目换会话全部重置。

而 Agent Skill 就是这套原始操作的标准化升级版。它把我们每次重复叮嘱的规则、流程、参考文件、使用场景，统一封装成标准化的文件夹与 SKILL.md 文件。不用每次手动打字提醒、不用反复灌输规范，AI 可以按需加载、自主匹配、自动执行。它不提升大模型的“智商”，而是为AI智能体打造一套可复用、可管理、不占用常驻上下文的“专属操作手册”，彻底解决传统用法的核心弊端，也是当前AI智能体工程化落地的核心标准之一。

什么是 Agent Skill？核心定义与价值

核心概念

Agent Skill 是由 Anthropic 推出、行业通用的轻量化开源能力扩展标准，核心是将AI智能体的专项工作流程、领域知识、业务规范，打包为可移植、可版本控制的文件夹体系。

简单来说：Skill 就是AI智能体的专属技能包。一个标准的Skill本质是一个文件夹，核心必备文件为 SKILL.md，同时可配套脚本、规范文档、资源模板等辅助文件，全方位定义Agent的任务执行规则。

解决的核心问题

传统AI使用模式存在三大痛点，而Agent Skill精准攻克这些问题：

无法复用：Prompt、自定义规则仅单会话、单人可用，跨项目、跨团队无法通用
上下文浪费：大量规范流程常驻上下文，挤占有效对话空间，降低模型响应效率
不可追溯管理：零散规则无版本、无归档，迭代混乱、问题无法溯源

核心价值

领域专业化：将代码审核、数据分析、文案创作、页面运维等专属领域知识固化为标准化技能
流程标准化：把多步骤复杂任务转化为可审计、可重复的固定工作流，避免人工操作偏差
跨平台复用：一次开发，可在Cursor、Claude Code、GitHub Copilot、Gemini等30+主流AI客户端直接使用

Agent Skill 的起源与生态发展

Agent Skill 从单一产品功能，逐步迭代为全行业通用开放标准，整体分为四个发展阶段：

萌芽阶段：专属功能诞生

Anthropic 率先在 Claude Code 中首创 SKILL.md 文件夹格式，通过元数据+工作流文档的形式，教会AI智能体完成代码审核、提交信息生成等专项任务，是Skill能力的最初雏形。

标准化阶段：统一规则落地

官方开放站点 agentskills.io 发布完整开放标准，定义了Skill最小契约（名称、描述为必备字段），同时提出核心的**渐进式披露（Progressive Disclosure）**运行机制，奠定了所有Agent Skill的运行基础。

生态化阶段：规模化普及

专业Skill分发平台 skills.sh 上线，推出 npx skills add 一键安装指令，实现Skill的快速安装、版本锁定、溯源更新。目前已有数百个通用技能，覆盖前端开发、SEO审核、文档处理、系统调试等高频场景，被主流AI开发工具全面采纳。

垂直扩展阶段：场景深度落地

行业开始涌现垂直领域定制化Skill，其中 Skill-CLI 是极具代表性的元技能项目。它不直接处理业务，而是赋能AI智能体自动扫描前后端源码，生成页面能力清单，实现“AI自主识别页面功能、操控页面交互”的进阶能力。

标准 Skill 目录结构与文件契约

所有合规的Agent Skill都遵循统一的目录规范，结构简洁、层级清晰，分为必备核心文件和可选辅助资源。

通用标准目录

my-skill/
├── SKILL.md          # 核心必备：元数据+任务执行指令
├── scripts/          # 可选：可执行脚本，处理确定性任务
├── references/       # 可选：领域规范、规则文档、数据契约
├── assets/           # 可选：模板、静态资源、配置文件
└── ...               # 自定义扩展文件

核心文件 SKILL.md 最小契约

SKILL.md 是Skill的灵魂，头部元数据决定技能的匹配与激活规则，正文定义完整工作流，最小可用配置包含三大核心字段：

name：技能唯一标识，小写连字符命名，简洁无歧义
description：核心匹配依据，必须清晰说明「技能功能」和「触发场景」，供AI语义匹配调用
activation：可选，自定义激活指令，支持手动强制唤起技能

优质 Skill 的四大编写模式

官方推荐标准化编写范式，大幅提升AI执行准确率：

工作流模式：将复杂任务拆分为可勾选的分步清单，AI按步骤逐项执行，避免遗漏
渐进式披露：核心流程留在SKILL.md，细节规则外置到引用文档，按需加载，精简上下文
模板模式：预设输出文件格式、文案、数据结构，AI无需从零创作，直接套用模板生成结果
反馈循环模式：搭配预检脚本、质检清单，执行前校验环境、参数，规避无效执行

技能部署范围：个人级 vs 项目级

Skill支持两种部署方式，适配不同使用场景：

项目级：存放于项目目录，随代码仓库同步，适配团队共享规范、业务专属流程
用户级：存放于本地用户目录，跨所有项目生效，适配个人通用开发习惯、常用工具能力

核心运行机制：发现→激活→执行三阶段模型

渐进式披露是Agent Skill的核心设计思想，也是其高效节省上下文的关键。AI智能体不会一次性加载所有技能，而是分阶段按需调用，完美平衡能力广度与运行效率。

阶段1：发现（Discovery）——轻量索引，精准匹配

AI启动时，仅加载所有Skill的名称+描述极简索引，不加载完整指令和细节，极低消耗即可完成能力盘点。

当用户发起指令后，AI通过两种方式匹配技能：

语义自动匹配：根据用户指令关键词、语义场景，匹配对应Skill的description
手动强制激活：通过 @技能名 / 自定义指令，直接唤起指定技能

阶段2：激活（Activation）——加载全量规则

匹配成功后，AI立即读取完整 SKILL.md 工作流，若任务需要细分规则、模板、脚本，再按需加载 references、scripts 中的辅助文件。

该阶段核心原则：无加载、不执行，禁止AI仅凭技能名称预判操作，必须完整读取规则后再执行任务。

阶段3：执行（Execution）——标准化落地任务

AI严格按照Skill定义的步骤、规范、禁止事项，调用读写、终端、检索等工具完成任务，输出标准化结果，全程可追溯、可复盘。

机制核心优势：上下文经济学

依托三阶段模型，AI可常驻数十上百个技能索引（仅数千token），但仅在任务触发时加载对应技能详情，彻底解决“技能越多、上下文越臃肿”的行业难题，实现平时轻量、用时全能。

实战案例：Skill-CLI 页面能力自动化

Skill-CLI 是典型的元技能实践，核心作用是让AI自动扫描React/Vue源码，解析页面按钮、路由、API、CLI指令，生成标准化能力清单，实现自然语言到页面操作的自动映射。

完整执行链路

指令触发：用户发送 @vibe-skill-gen 扫描页面源码
技能激活：AI读取Skill完整规则，加载前端框架扫描规范
源码解析：自动识别页面按钮、路由跳转、接口请求等核心能力
生成能力清单：输出标准化 .skill.json 文件，记录页面所有可操作能力
全局同步：自动更新项目技能注册表，生成能力索引文档
能力复用：新会话中，AI可直接通过自然语言匹配页面能力，自动触发对应操作

项目开源地址 & 一键安装入口

本实战案例对应的完整开源项目与官方技能分发地址，可直接访问、下载安装：

Skill-CLI 源码仓库：https://github.com/ye-guan-xing/skill-cli
vibe-skill-gen 在线安装地址：https://www.skills.sh/ye-guan-xing/skill-cli/vibe-skill-gen

该技能已通过平台安全校验，支持 npx skills add ye-guan-xing/skill-cli 一键安装，适配 Cursor、Claude Code 等主流AI开发客户端，开箱即用。

当前 Skill 生态最大痛点：鱼龙混杂、黑盒不可控

讲完 Skill 的价值与原理，必须聊一个目前所有人都绕不开的真实问题：公开生态的 Skill 现在处于严重鱼龙混杂的状态。

现在 skills.sh 平台上有成百上千的公开技能，覆盖前端、营销、调试、办公等各类场景，但普通开发者、团队根本无法快速甄别：别人写的 Skill 到底封装了什么规则、会如何改变大模型的行为、是否存在过度约束、隐性偏见、无效冗余逻辑。

绝大多数用户安装 Skill 都是「盲装、盲用」：一键安装后，完全不清楚：

这个 Skill 新增了哪些强制执行规则
会限制 AI 哪些默认能力
会不会强制修改代码风格、业务逻辑、输出范式
是否存在冗余步骤、错误引导、老旧失效逻辑

更关键的是：Skill 是强上下文、强行为约束的配置。同样的模型、同样的提问，加载不同的 Skill，会产出完全不一样的结果。劣质 Skill 不会直接报错，但会导致 AI 过度啰嗦、逻辑僵化、代码冗余、甚至违背团队规范，用户却很难感知根源。

目前唯一可行的解决方案：经验沉淀 + 团队私有规范

截至目前，行业内没有自动化工具、没有平台校验、没有官方风控可以彻底解决 Skill 质量参差不齐的问题。平台仅做基础安全审计（脚本风险、恶意代码检测），不会校验逻辑优劣、规范合理性、适配场景精准度。

因此现阶段唯一靠谱的落地方式，只能依靠个人使用经验 + 团队长期沉淀：

不盲目使用公共高星 Skill：下载前通读完整 SKILL.md 规则，确认触发场景、执行步骤、禁止行为，避免隐性约束干扰业务开发
优先自建团队私有 Skill：放弃通用公共技能，基于团队编码规范、部署流程、业务习惯，自己封装标准化 Skill，可控、可迭代、无黑盒
建立团队 Skill 白名单：经过实战验证、长期稳定可用的技能，纳入团队统一注册表，禁止成员随意安装未知第三方 Skill
版本固化管理：利用 skills-lock.json 锁定优质 Skill 版本，避免自动更新引入未知规则变更

总结

Agent Skill 解决了「上下文不足、重复喂词、流程不可沉淀」的效率问题，但目前无法解决「公共技能质量不可控、行为不可预测」的信任问题。在官方标准化审核机制完善前，自建、自审、自用、团队沉淀，是企业和个人落地 Skill 的最优解。

自定义 Skill 编写检查清单

快速产出合规、高可用的Agent Skill，可参考以下核心校验标准：

命名：简洁具体，小写连字符，规避helper、utils等模糊词汇
描述：第三人称撰写，清晰说明功能、触发场景、核心关键词
篇幅：主文件SKILL.md控制在500行内，复杂细节外置引用文档
流程：复杂任务拆分步骤清单，关键决策增加条件判断
稳定性：重复、机械操作封装为脚本，避免AI重复构思出错
边界：明确禁止操作，界定AI行为范围，规避误操作
部署：根据使用场景选择个人/项目级部署，支持一键安装分发

行业展望：Skill 与 MCP 的互补关系

在AI智能体工程化体系中，Skill与MCP是两大核心能力，二者互补而非替代：

Agent Skill：聚焦流程与知识，通过文档定义任务规范、执行步骤、领域规则，解决“怎么做事”的问题
MCP：聚焦工具与连接，通过协议打通外部数据库、接口、工具服务，解决“能用什么资源”的问题

成熟的AI工程化方案，必然是「MCP连资源 + Skill定流程」的组合模式，让AI既有资源可调用，又有规范可遵循。

结语

Agent Skill 的本质，是AI智能体能力的标准化、工程化封装。它打破了大模型“通用但不落地”的局限，将零散的经验、规范、流程固化为可复用的标准化技能。

未来，随着AI智能体的普及，Skill将成为项目标配：团队规范、业务流程、工具使用方式全部沉淀为标准化技能，让AI真正适配企业、团队、个人的专属工作模式，实现真正意义上的自主学习、自主执行、自主迭代。

（注：文档部分内容可能由 AI 生成）

规范先行：我的 Vibe Coding 落地方案

Mon, 01 Jun 2026 00:00:00 +0000

前言

Vibe Coding 已经从尝鲜玩法，变成我日常全栈开发的核心范式。依托 AI 编码工具、自研 Skills 规范体系与 MCP 工具链，研发效率实现了大幅跃升。但落地过程中我发现，无约束的 AI 编码必然导致工程失控：代码风格割裂、逻辑碎片化、技术债务堆积、迭代不可持续，这也是多数开发者用不好 AI 编程的核心痛点。

真正高效的 Vibe Coding，不靠模型堆砌、不靠即兴提示词，而是靠标准化底座、固定工作流、代码治理机制、开发者核心能力四重支撑。本文结合长期落地经验，完整公开可复用的 AI 开发全流程，重点拆解 AI 代码混乱治理方案，并深度剖析决定 Vibe Coding 上限的核心本质，为开发者标准化落地 AI 辅助开发提供参考。

能力底座：自定义 Skills 体系 + MCP 工具链

想要 AI 持续输出高质量、统一化代码，核心是规范前置、能力固化。我通过本地分层 Skills 规则文件，搭配 MCP 协议工具，为全品类 AI 编码工具统一行为范式，从源头规避开发混乱问题。

全局通用 Skills（跨工具统一规范）

统一存放于 ~/.agents/skills/，适配 Claude Code、Codex、Cursor、GitHub Copilot 等主流工具，实现多项目、多 AI 载体的规范统一。

find-skills             ~\.agents\skills\find-skills
frontend-design         ~\.agents\skills\frontend-design
nodejs-backend-patterns ~\.agents\skills\nodejs-backend-patterns
python-backend          ~\.agents\skills\python-backend

find-skills：自动检索项目规则与技术栈，降低 AI 上下文沟通成本，避免重复对齐成本。
frontend-design：统一前端组件、样式、交互、适配规范，保证视觉与代码风格一致性。
nodejs/python-backend：固化后端架构模式、接口设计、命名规范、异常处理标准。

Codex 专属质检 Skills（工程质量闭环）

针对代码质量、工程健康、自动化验收，搭建 Brooks 系列专属质检能力，存放于 ~/.codex/skills/，是项目质量的核心屏障。

brooks-audit    # 安全审计 & 漏洞检测
brooks-debt     # 技术债务梳理 & 优化建议
brooks-health   # 项目依赖 & 工程健康巡检
brooks-review   # 标准化代码评审
brooks-sweep    # 冗余代码清理 & 结构规整
brooks-test     # 自动化测试用例生成 & 覆盖率校验

这套体系覆盖代码全生命周期质检，实现 AI 编码“生成即合规、产出即可控”。

MCP 工具链（拓展 AI 开发边界）

基于 Model Context Protocol 协议，补齐 AI 开发短板，实现工程化落地能力闭环：

记忆工具：持久化项目上下文与历史决策，杜绝重复沟通。
顺序思考工具：逐层拆解复杂需求，引导 AI 结构化分步开发。
网络请求工具：支持接口调试、线上验证、环境联动实操。

标准化 Vibe Coding 全流程（可直接复用）

为解决 AI 开发随意性问题，我沉淀出一套五阶段标准化工作流，搭配固定 SOP，适配个人开发与小型团队落地。

项目初始化 & 上下文搭建

明确项目需求、技术栈、交付标准与功能边界；加载本地自定义 Skills 适配开发规范；启动 MCP 服务，打通记忆、拆解、网络实操能力。

需求拆解 & 方案前置设计

依托 MCP 顺序思考工具拆解复杂需求，输出架构设计、目录结构、接口文档、风险清单。严格执行先方案、后编码，按前后端技能规范统一实现思路，从根源避免逻辑混乱。

模块化迭代开发

按功能模块拆分开发任务，遵循「需求描述 → 代码生成 → 本地运行 → 迭代优化」闭环。依托 Skills 保证风格统一，借助 MCP 完成联调、问题排查与实时优化。

全维度自动化质检

启用 Brooks 全套质检能力，完成代码评审、安全审计、债务梳理、依赖检测、冗余清理、测试覆盖，全方位守住工程质量底线。

上线部署 & 持续迭代

AI 自动生成部署脚本、容器配置，完成上线校验；基于持久化项目上下文开展后续迭代，大幅降低维护成本。

通用核心 SOP（Vibe Check）

所有项目统一遵循极简闭环流程：方案策划$Plan$ → 编码实现$Coding$ → 规范校验$Lint$ → 特性隔离管理

核心治理：AI 代码混乱问题落地解法

AI 编码的最大通病是风格混乱、逻辑碎片化、上下文漂移。结合大量踩坑经验，我总结出三套可落地的治理策略，彻底解决工程失控问题。

规范前置，工具强制兜底

杜绝依赖 AI 自觉合规，采用「规则固化+工具校验」双约束：统一编写项目开发手册，明确命名、架构、编码禁忌；接入 ESLint、Prettier 强制校验，拦截不合规提交；通过本地 Skills 文件将团队/个人规范转化为 AI 内置规则，从源头统一输出标准。

流程前置，杜绝盲目编码

摒弃“边想边写”的即兴开发模式，固定链路：需求调研 → 方案对比 → 步骤拆解 → 风险预判 → 测试前置 → 复盘优化。复杂项目采用 STAR-L 法则拆解，先出完整设计文档，再启动编码，规避结构性逻辑混乱。

结构分层，隔离项目上下文

按模块、功能、特性拆分目录结构，将设计文档、开发步骤、新特性代码独立存放，避免上下文混杂，让 AI 精准识别项目架构，减少理解偏差。

复杂大型项目进阶方案

针对中台、协同系统等复杂项目，启用进阶工作流：定义顶层数据协议与抽象规范 → 模块化分步编码 → 测试驱动开发 → 双维度自动化校验 → 代码评审与性能优化 → 全链路验收。同时搭配虚拟滚动、WebWorker、分片加载、Monorepo 隔离等方案，平衡功能与性能。

深度认知：决定 Vibe Coding 上限的核心能力

多数开发者存在认知误区：认为模型越强、提示词越精妙、工具越多，Vibe Coding 能力就越强。但长期落地证明：AI 只是执行工具，真正决定能力上限的，是开发者的综合工程能力。

架构设计能力

AI 只能生成语法正确的代码，无法自主完成架构分层、模块划分、依赖治理。项目的合理性、可扩展性、可维护性，完全依赖开发者的架构把控能力。

业务理解能力

AI 无法感知隐性业务规则、边界场景与业务诉求。只有开发者吃透业务逻辑，才能引导 AI 规避无效代码、适配真实业务场景。

工程协作能力

团队场景下，需通过 Skills、配置文件、指令模板统一 AI 行为，对齐编码规范与开发流程，避免多人协作导致的代码分裂、标准不统一。

项目管控能力

风险识别、进度把控、质量管控、债务治理，这些核心管控能力，是 AI 开发流程平稳落地、长期迭代的核心保障。

行业趋势已然清晰：低价值的机械编码工作正在被 AI 替代。AI 不会取代程序员，但会彻底取代只会写代码的程序员。AI 时代的核心竞争力，早已从“语法熟练度”转向“架构、业务、流程、治理”的综合能力。

团队规范化配套配置

为固化流程、统一团队标准，配套两套轻量化配置方案，适配个人复用与团队落地。

.claude/commands 目录

存放标准化 Markdown 指令模板，如 plan.md 需求拆解模板、review.md 代码评审模板，让每一次 AI 开发都遵循统一流程，杜绝个性化随意输出。

.zcf 项目配置文件

作为项目专属说明书，记录项目约束、开发规范、技术栈定义，同时适配 MCP 工具配置，让 AI 精准适配项目专属规则。

实战复盘与避坑总结

实战案例

我基于这套全链路方案完成电商订单管理后台全流程开发，从架构设计、前后端编码、自动化测试到部署上线，全程依托 Skills+MCP+Brooks 质检体系推进。最终实现开发周期大幅压缩，代码风格统一、安全漏洞可控、技术债务极低，后期迭代维护成本显著降低。

核心避坑心得

严禁跳过方案设计直接编码，即兴开发是项目失控的首要原因；
持续迭代更新 Skills 规则，让 AI 适配自身技术栈与开发习惯；
核心业务、安全相关代码必须人工复核，不全权放权 AI；
清晰的项目目录结构，是降低 AI 理解偏差、减少代码混乱的基础。

结语

Vibe Coding 的本质，不是 AI 替开发者敲代码，而是让开发者转型为项目的技术负责人、AI 的管理者。将机械编码工作交给工具，将核心精力聚焦于架构设计、业务落地、工程治理等高价值工作。

工具会持续迭代更新，但开发者的工程思维、综合管控能力，才是 AI 时代长久不变的核心竞争力。这套标准化工作流是长期实战的沉淀，欢迎同行交流打磨、共同精进 AI 辅助开发能力。

（注：文档部分内容可能由 AI 生成）