Claude Code Skills实战：从写代码到写技能的AI编程进阶指南

为什么企业级AI编程正在从「写代码」转向「写Skill」

在AI编程工具已经普及的今天，很多开发者依然停留在最原始的用法：在Cursor、Claude Code或Codex里直接告诉AI「帮我开发某某功能」。这种做法看似高效，实则暗藏隐患。

据B站技术讲师的实战分享，如果你只是让AI编程工具原生地开发一个个功能，项目做久了之后大概率会变成「屎山代码」——难以维护、难以协作。而真正在大厂里运行的做法，是把AI编程更多的时间用于开发Skill（技能包），再让Skill去生成具体的代码。

讲师给出了一个颇具冲击力的观点：在一些成熟企业里，程序员使用AI编程时，大约70%-80%的时间是在写Skill，真正写业务代码的时间反而比较少。这种工作方式的核心逻辑是——把日常重复、常用的开发模式（如缓存架构、分布式事务、微服务架构）沉淀为Skill，让AI通过Skill来产出代码，质量更可控、更易于团队协作、更能长久维护。

Skill的概念并非凭空而来，它本质上是软件工程中「设计模式」和「最佳实践」思想在AI时代的延伸。在传统开发中，GoF设计模式、企业应用架构模式等知识体系帮助团队建立了统一的代码组织方式。但这些模式依赖开发者的个人经验和学习积累，执行层面仍存在大量偏差。Skill将这种隐性知识显性化、结构化，使得AI在生成代码时不再依赖通用训练数据中的「平均水平」，而是按照团队预先定义的规范和架构来执行，大幅降低了AI输出的不确定性。

什么是Skill（技能包）

Skill翻译过来就是「技能」。它的本质是把某类重复性工作封装成可复用的能力单元。简单的Skill可以只是一段精心编写的提示词；复杂的Skill则可以嵌入代码、脚本等，用来处理企业级的开发场景。

换句话说，Skill是介于「一句话指令」和「完整代码」之间的中间层，它承担了「如何做」的知识沉淀，让AI在执行时有章可循，而不是每次都从零发挥。从软件工程的角度来看，Skill类似于可执行的「架构决策记录（ADR）」与「代码模板」的结合体——它不仅记录了「为什么这样做」，还包含了「具体怎么做」的可执行逻辑，实现了从文档到执行的闭环。

三款主流Agentic编程工具的选型策略

讲师在实战中同时演示了三款工具，并根据场景做了明确的分工。

所谓Agentic编程（智能体编程），是2024-2025年AI开发领域最重要的范式转变之一。与传统的Copilot式「自动补全」不同，Agentic编程工具具备自主规划、工具调用、环境交互、错误自纠等能力。它们不再是被动响应开发者的逐行指令，而是能够接收高层目标后自主拆解任务、执行多步操作。Devin、Codex Agent、Claude Code等工具都属于这一范式。Gartner预测，到2028年，75%的企业软件工程师将使用AI编码助手，而Agentic架构将成为其中的主流形态。

Codex与Claude Code：全球能力最强的两款AI编程工具

从全球范围看，Codex和Claude Code是目前能力最强的两款AI编程工具。

OpenAI Codex最初于2021年发布，是GitHub Copilot的底层引擎。2025年OpenAI推出了全新的Codex智能体，它运行在云端沙盒环境中，能够并行处理多个编程任务，支持代码编写、调试、测试等完整开发流程。与早期版本不同，新Codex基于codex-mini模型（o3-mini的定制版本），专门针对编程任务进行了优化。它的核心优势在于能够读取整个代码仓库的上下文，理解项目结构后再生成代码，而不是孤立地处理单个文件。Codex默认后端集成的是GPT最新版本，这是与其最适配的组合，一般不建议更换其他大模型。

Claude Code是Anthropic推出的命令行AI编程工具，基于Claude系列大模型。它的独特优势在于超长上下文窗口（最高支持200K token），这意味着它能一次性理解大型项目的完整代码库。Claude Code采用Agentic架构，可以自主规划任务、编辑文件、运行测试、操作Git等。然而，Anthropic对API使用有严格的地域和频率限制，通过VPN等方式访问时IP地址频繁变动，容易触发风控机制导致账号被封禁。

因此讲师在实战中选择了一个折中方案：在VS Code里安装Claude Code插件，后端整合国内的智谱GLM大模型。智谱AI是清华大学技术团队孵化的人工智能公司，其GLM（General Language Model）系列大模型基于自研的GLM预训练架构，采用自回归填空的训练方式，在中英双语任务上表现突出。最新的GLM-4系列在代码生成、数学推理等任务上已接近GPT-4水平，且在中文场景下有天然优势。由于服务器部署在国内，响应延迟低、合规风险小，成为替代海外模型的重要选择。这样既能享受Claude Code的工程能力，又规避了因科学上网导致IP变化而被封号的风险。

WorkBuddy：面向所有人的备选方案

针对那些无法或不愿使用国外网络的开发者，讲师还演示了腾讯的WorkBuddy，后端整合性价比最高的DeepSeek。这类工具可视化能力更强，适合所有同学上手。

工具分工的逻辑很清晰：

• 简单Skill（如公众号排版、图文自动发布）→ 用Codex或WorkBuddy，可视化友好、门槛低
• 企业级Skill（如Java架构、Redis缓存架构、线上问题排查）→ 用Claude Code，更专业、更适合程序员深度使用

你可能没注意到，除了工具本身，后端大模型的选择同样关键。讲师提到国内的智谱GLM、阿里千问、小米MiMo、DeepSeek都是当下非常好用的选择，其中DeepSeek以性价比著称。

从入门到进阶：Skill开发的三个层次

讲师设计的课程遵循「由浅入深」的思路，覆盖了从零基础到企业级的完整路径。

第一层：内容自动化Skill

最基础的是公众号排版Skill，几乎不涉及复杂技术，本质上是写好提示词。讲师现场演示时，用Codex和WorkBuddy同时生成了一篇《Codex使用入门》的文章，展示了内容生成的基础能力。

更实用的是小红书图文自动发布Skill。对于每天要发布多篇小红书笔记的运营者来说，原本需要手动登录网站、逐条发布。而学会这个Skill后，只需把文章写好（甚至让AI代写），一键执行Skill即可全自动化发布，效率成倍提升。这类Skill通常结合浏览器自动化工具（如Playwright或Selenium）实现网页操作的自动化，将登录、填写内容、上传图片、点击发布等一系列手动操作封装为可一键执行的脚本流程。

第二层：量化分析Skill

再往上走，是涉及代码的Skill，比如「大A股量化分析Skill」。这类Skill需要嵌入实际的分析逻辑和脚本，已经从纯提示词进阶到了代码与提示词的结合。量化分析在技术实现上通常涉及数据采集（通过金融数据API获取行情数据）、指标计算（如MACD、RSI、布林带等技术指标）、策略回测（在历史数据上验证交易策略的有效性）等环节。将这些环节封装为Skill后，开发者只需描述分析目标，AI便能调用预定义的分析框架生成完整的量化分析报告或交易信号。

第三层：企业级二次开发Skill

最复杂的是企业级Skill，也是最能体现价值的部分。讲师特别强调了二次开发的概念：

从零写一个Redis缓存架构其实并不难，但真正的挑战在于——一个原本没有缓存的功能，现在要在其上加缓存。这就是典型的二次开发场景。Redis（Remote Dictionary Server）是一款开源的内存数据结构存储系统，广泛用于缓存、消息队列、会话管理等场景。在企业级应用中，引入Redis缓存涉及的绝不仅是简单的读写操作，而是需要解决缓存穿透（大量请求穿透缓存直达数据库）、缓存雪崩（大量缓存同时失效导致数据库压力骤增）、缓存击穿（热点key过期瞬间被高并发请求击穿）、数据一致性（缓存与数据库之间的同步策略）等一系列架构难题。

二次开发之所以比从零构建更具挑战，是因为需要在不破坏已有业务逻辑的前提下，精确地在数据访问层插入缓存逻辑，同时处理好事务边界、异常回滚、缓存更新策略等问题。只需几句话调用相应的Skill，就能在既有代码基础上规范地叠加缓存、分布式事务、微服务等架构能力。

这里提到的分布式事务，是微服务架构中最棘手的技术难题之一。当一个业务操作需要跨越多个服务、多个数据库时，传统的ACID事务无法直接适用。业界常用的解决方案包括两阶段提交（2PC）、TCC补偿模式（Try-Confirm-Cancel）、Saga模式、基于消息队列的最终一致性等。每种方案都有其适用场景和权衡取舍。将这类复杂的架构能力封装为Skill，意味着团队可以将经过验证的事务处理策略标准化，避免不同开发者在实现时选择不同方案导致的架构混乱。

这正是「让Skill去驱动代码生成」的价值所在：代码质量更可控、更易于团队协作、能够长久维护下去，而不是随着项目膨胀逐渐劣化为屎山。

AI工程化编程：从堆代码到构建Skill体系

这场实战分享传递的核心理念，其实超越了具体工具的操作：AI编程的高级形态不是让AI直接堆代码，而是构建可复用的Skill体系，实现AI工程化、系统化的编程。

从行业趋势来看，这种范式转变与软件工程历史上的几次重大演进一脉相承。从汇编到高级语言，开发者告别了直接操作硬件寄存器；从面向过程到面向对象，代码复用性和可维护性大幅提升；从单体应用到微服务，系统的弹性和可扩展性得到解放。如今从「直接写代码」到「写Skill让AI生成代码」，本质上是又一次抽象层级的跃迁——开发者的核心工作从「编写实现细节」上升到了「定义工程规范和架构模式」，而把具体的代码实现交给AI按照预定义的Skill来执行。

对于还在「古法编程」手写代码、或仅停留在「让AI帮我写功能」阶段的开发者而言，转向Skill驱动的开发范式，意味着把重复劳动交给标准化的技能包，把宝贵的时间释放出来去做更有价值的事情。这既是效率的提升，也是团队协作与工程质量的保障。

值得注意的是，Skill体系的建设本身也是一种组织能力的积累。当团队中的资深工程师将多年积累的架构经验、最佳实践、踩坑教训都封装为Skill时，这些知识就不再锁死在个人的头脑中，而是变成了团队可共享、可迭代的数字资产。新成员加入后，通过使用团队积累的Skill库，可以快速产出符合团队标准的高质量代码，大幅缩短了知识传递和培训的周期。

核心要点