AI编程实践：好的Skill不需要手写，从实战中自动沉淀

引言：让AI自己沉淀经验

在AI编程的实践中，很多人纠结于如何写出一份完美的Skill（技能提示词）。B站UP主IT老齐在其「AI编程300讲」系列中分享了一个核心观点：好的Skill根本不需要手写，它应该从实践过程中自然沉淀出来。

这个理念通过一个真实的K8S集群搭建案例得到了完整验证——从零开始，让AI执行任务、发现问题、修复问题，最终将整个过程凝练为可复用的Skill文档。

实战起点：让AI自主搭建K8S集群

第一版尝试：用简单提示词启动

老齐的需求很明确：在虚拟机环境中搭建一个K8S一主两从的小集群。Kubernetes（简称K8S）是Google开源的容器编排平台，已成为云原生应用部署的事实标准。它通过Master节点（负责调度和管理）和Worker节点（负责运行容器）的架构，实现应用的自动化部署、扩缩容和故障恢复。kubeadm是Kubernetes官方提供的集群引导工具，它将原本需要手动配置证书、etcd数据库、API Server等十余个组件的复杂操作，封装为几条命令即可完成。一主两从是最小化的生产级集群拓扑，一个Master节点负责集群控制面，两个Worker节点提供基本的高可用和负载分担能力。

他给AI的第一版提示词非常简洁：

我现在有一台服务器230，用户名密码是XXX，希望在这台服务器上利用kubeadm来安装master 1.29版本。

AI通过Agent方式，从本地Windows环境连接到远程Linux服务器，使用PowerShell原生脚本不断试错。这里的Agent模式是当前AI编程工具（如Cursor、Windsurf、Claude Code等）的核心能力之一，它允许AI不仅生成代码建议，还能直接执行Shell命令、读写文件、调用API等操作。与传统的Chat模式（仅对话）或Copilot模式（仅补全代码）不同，Agent模式赋予了AI自主规划任务、分步执行、观察结果并调整策略的能力。这意味着AI可以像一个远程运维工程师一样，通过SSH连接服务器、运行安装命令、检查日志、诊断错误并自动修复，形成一个完整的"观察-思考-行动"循环。

整个过程中，AI自动总结中间出现的问题并尝试修正，最终成功完成了master节点的部署。

版本踩坑：国内镜像源的困境

然而问题很快暴露——老齐实际需要的是1.35或1.36版本，但AI安装的是1.28这个旧版本。深入调查后发现：

• Google官方仓库对国内IP已屏蔽
• 2024年3月4日后旧仓库关闭，新的AWS仓库同样屏蔽大陆IP
• 华为云镜像已不对外提供
• 阿里云官方文档声称只支持到1.29

这背后是一个影响整个国内K8S社区的行业性问题。2024年是一个重要转折点：Kubernetes社区将包仓库从Google托管迁移到由AWS CloudFront支撑的pkgs.k8s.io，但新仓库同样对大陆IP存在访问限制。与此同时，曾经广泛使用的华为云、中科大等镜像源陆续停止维护或限制访问范围。阿里云虽然持续维护镜像，但其官方文档更新滞后于实际仓库内容，导致用户误以为只支持旧版本。这种"文档说不支持但实际已有"的信息差，恰恰体现了AI辅助探索的价值——AI可以通过实际请求验证仓库中的可用版本，而不受过时文档的误导。

但老齐顺藤摸瓜，发现阿里云实际上已经有1.32-1.35的新版本镜像，只是官方文档未披露。他将这些信息收集后让AI验证，确认了可用的镜像源。

核心方法论：从实践到Skill的自动沉淀

第一步：生成初始Skill

当所有问题解决、master节点成功部署后，老齐说了一句关键的话：

生成安装K8S的Skill。

这里的Skill，是AI编程语境中一种结构化的提示词文档，通常以Markdown文件形式存储在项目中（如.cursorrules、CLAUDE.md等），用于指导AI在特定任务场景下的行为模式。它与普通Prompt的区别在于：Prompt是一次性的对话指令，而Skill是持久化的、可复用的经验沉淀。从Prompt Engineering的演进来看，行业经历了从"手工精调单条提示词"到"系统化管理提示词库"的转变。早期用户花大量时间在措辞优化上，而Skill范式的核心洞察是：与其事前设计完美提示词，不如让AI在实践中自动生成和迭代提示词，将隐性经验转化为显性的、可执行的知识资产。

AI将整个安装过程中积累的经验——包括镜像源选择、版本适配、网络配置等——自动整理成了一份结构化的Skill文档，存放在cluster-init目录下。

第二步：验证Skill的可复用性

为了验证Skill是否真正可用，老齐做了一个关键操作：删除已有集群，重置为初始状态，让AI仅凭Skill重新执行一遍。结果证明，1.35版本的master节点顺利安装成功。

随后，他用同样的方式让232服务器以worker身份加入集群，过程异常顺利。这又产生了第二个Skill——worker-join。

第三步：在纯净环境中暴露隐藏问题

真正的考验来了。老齐新建了一个全新工程，创建三台服务器，只保留两个Skill文件。结果立刻暴露了一个低级但致命的错误：

版本号格式不一致——URL中需要两段式（如1.35），而kubeadm初始化需要三段式（如1.35.5）。之前有上下文时AI能自动推断，但在纯净环境下直接报错。

纯净环境验证的思想源自软件工程中的多个经典实践。在持续集成（CI）领域，每次构建都在全新的容器或虚拟机中执行，确保构建结果不依赖开发者本地的特殊配置。在可重复性研究中，实验必须在独立环境中复现才被认可。老齐的做法本质上是将这些原则应用到了Skill验证中：当AI在有上下文的环境中工作时，它可以从对话历史中推断缺失信息（如完整版本号），这种"隐式依赖"在纯净环境中会立即暴露为错误。这与Docker的"在我机器上能跑"问题如出一辙——只有消除所有隐式依赖，才能确保真正的可移植性和可复用性。

更糟糕的是，一旦报错，AI就开始"胡编乱造"。这是大语言模型的一个已知问题——幻觉（Hallucination）。当AI遇到无法解决的错误时，它可能生成看似合理但实际不存在的命令、参数或解决方案。在运维场景中，这种幻觉尤其危险，因为错误的命令可能导致系统配置损坏甚至数据丢失。Skill的防护作用在于：它为AI提供了经过验证的正确路径，减少了AI需要"创造性推理"的空间。当Skill中明确规定了版本号格式、镜像源地址、参数配置等关键信息时，AI只需按照既定路径执行，大幅降低了幻觉发生的概率。这也解释了为什么Skill的精确性如此重要——每一个模糊之处都可能成为幻觉的入口。

这说明Skill必须经过纯净环境的验证才算合格。

第四步：持续打补丁完善Skill

老齐的修复策略很有启发性：

1. 拆分版本号参数：将单一的版本号拆分为major_version和k8s_version两个变量，各自用于不同场景
2. 补充IP获取规则：在Skill中声明"可以要求用户指定或自动查询环境信息，无法确认时必须询问用户"
3. 沉淀运行时经验：比如主机名默认为localhost会导致问题、P-Link参数设置错误等，都在裸验证中被发现并补充进Skill

老齐使用了一个精妙的提示词：

有什么可以在Skill中补充的经验吗？

AI自动将验证过程中解决的问题整理成优先级表格，老齐再将高优先级和中优先级的项目补充到Skill中。

方法论总结：Skill的正确构建流程

整个过程揭示了一套清晰的Skill构建方法论：

1. 先让AI做事：给出目标，让AI在真实环境中执行，不要预设太多
2. 从结果中提炼：任务完成后，让AI将过程总结为Skill
3. 纯净环境验证：在没有上下文的全新环境中测试Skill
4. 发现问题就打补丁：不手动改Skill，而是描述问题让AI修复并沉淀
5. 持续迭代：每次使用都可能发现新问题，不断完善

这套流程与软件工程中的测试驱动开发（TDD）有异曲同工之妙：先写测试（纯净环境验证）、再写实现（Skill内容）、发现失败就修复，通过红-绿-重构的循环不断提升质量。不同之处在于，这里的"测试"是在真实环境中的端到端验证，而"实现"是由AI自动生成和修正的。

最终效果是：只需告诉AI哪台服务器是主节点、哪些是工作节点，一回车就能自动完成所有版本调整和适配，实现真正的一键部署。

启示：AI时代的知识管理新范式

这个案例的价值不仅在于K8S部署本身，更在于它展示了一种AI时代的知识沉淀范式：

• 知识不再是静态文档，而是可执行、可验证的Skill
• 经验积累不靠人工总结，而是从实践中自动提炼
• Skill的质量通过反复验证和补丁迭代来保证
• 人的角色从"执行者"变成了"验证者"和"方向指引者"

这种范式的深层意义在于，它重新定义了"专家知识"的载体。传统上，运维专家的价值体现在脑中积累的经验——哪些坑踩过、哪些配置容易出错、哪些版本组合有兼容性问题。这些隐性知识难以传承，专家离职往往意味着知识流失。而Skill范式将这些隐性知识显性化为可版本管理、可共享、可持续迭代的文档资产。更重要的是，这些知识资产是"活"的——它们可以被AI直接执行和验证，而不仅仅是供人阅读的参考文档。

正如老齐所说："通过沉淀Skill，你会让你的AI跑得越来越快、越来越好。"这或许就是AI编程时代最重要的个人竞争力——不是写代码的能力，而是让AI为你积累和复用经验的能力。

核心要点

• 好的Skill不需要手写，应从AI实际执行任务的过程中自然沉淀而来
• Skill必须在纯净环境中验证才算合格，有上下文时能跑通不代表真正可复用
• 通过"发现问题→让AI修复→补充到Skill"的循环迭代，持续完善Skill质量
• 版本号格式、环境变量获取等细节问题往往在纯净验证时才会暴露
• 人的角色从执行者转变为验证者和方向指引者，核心竞争力在于让AI积累和复用经验