Claude Code与Codex的Agent Skill实战：从入门到企业级AI研发

Agent Skill：AI编程的进阶玩法

很多程序员用AI编程工具时，习惯直接告诉AI「帮我开发某某功能」，一个需求接一个需求地丢给模型。这种做法看似高效，但存在明显隐患：随着项目迭代，AI生成的代码往往会变成难以维护的「屎山代码」。

真正在大厂和成熟企业里落地的做法，是让AI把大部分时间花在**开发Skill（技能）**上，再由Skill去生成具体代码。据这位B站分享者介绍，在大厂里程序员使用AI编程时，「百分之七八十的时间可能是在写Skill，写代码的时间反而比较少」。这么做的核心价值在于：Skill产出的代码质量更可控、更易于团队协作，也更适合长期维护。

Skill翻译过来就是「技能」。简单的Skill可以只写一些提示词，复杂的则可以加入代码、脚本等。它把日常重复的开发工作沉淀下来——比如缓存架构、分布式事务、微服务架构这些经常用到的模式，都可以固化成Skill，避免反复造轮子。

Agent Skill 的概念源于 AI 编程工具（如 Cursor、Claude Code 等）中的「规则/规范层」设计思想。在这类工具的架构中，Skill 本质上是一段结构化的提示词模板或可执行脚本，用于告诉 AI 在特定场景下应遵循哪些约定——包括代码风格、架构选型、命名规范、错误处理方式等。这与软件工程中「设计模式」的思路一脉相承：与其每次从头描述需求，不如将经验积累固化为可复用的模式。从工程角度看，Skill 扮演的角色类似于团队的「编码规范文档」加「脚手架生成器」的结合体，区别在于它能被 AI Agent 直接理解并执行，而不需要人工逐条翻译成代码。

三款主流Agent工具怎么选

分享中重点演示了三款Agent工具，各自定位不同：

Claude Code

Claude Code相对专业，更适合程序员使用。它原生整合Claude大模型效果最好，但由于账号封禁风险以及需要科学上网，分享者在演示中选择了将GLM（智谱）作为后端大模型接入Claude Code。使用方式上，他在VS Code里安装了Claude Code插件，通过IDE界面写指令来驱动开发。

Claude Code 是 Anthropic 官方推出的命令行与 IDE 集成工具，其核心能力是让 Claude 模型直接读写本地文件、执行终端命令、理解整个代码仓库的上下文，而不只是回答单次问题。这种「仓库级感知」使它在处理跨文件重构、二次开发等复杂任务时表现明显优于普通对话模式的 AI 补全工具。由于 Claude Code 支持自定义 API 端点，理论上可以将任意兼容 OpenAI 接口格式的大模型（如 GLM、DeepSeek）接入，但实际效果取决于该模型对长上下文指令的跟随能力。需要注意的是，Anthropic 对账号的使用地区和 API 调用行为有较严格的审查，频繁通过代理访问存在封号风险，这也是分享者改用国内模型作为后端的主要原因。

Codex

Codex默认整合GPT，也是分享者认为搭配最适配的组合。它可视化能力更强，适合所有同学上手，用来开发相对简单的Skill很合适。虽然可以更换后端大模型，但作者建议不要更换，因为「跟GPT最适配」。

WorkBuddy

针对用不了国外网络、觉得科学上网麻烦的用户，WorkBuddy^广告是国内的替代方案。它与前两款用法类似，分享者搭配了DeepSeek——理由是DeepSeek性价比最高，能力也相当不错。

作者的整体判断是：Claude Code和Codex是目前全球能力最强的两款AI编程工具，即便搭配国内优秀的大模型（如GLM、通义千问^广告、小米MiMo、DeepSeek），效果也比纯国内工具组合强不少。

Skill开发实战：从简单到复杂

分享采用由浅入深的思路，覆盖了几十个Skill案例，横跨内容创作、量化分析、自动化发布和企业级开发。

入门级：公众号报文Skill

最基础的案例是开发一个「公众号报文自动生成」的Skill。分享者用Codex和WorkBuddy同时演示，先让工具各写一篇「Codex使用入门」的文章，再逐步引导如何把这类需求封装成可复用的Skill。这类Skill技术门槛不高，主要靠提示词就能实现。

进阶级：量化分析与自动化发布

再往上是涉及代码的场景，比如大A股量化分析的Skill。而最具实用价值的演示之一，是自动化发布小红书图文的Skill：做小红书的用户原本每天要手动登录、上传发布，学会这个Skill后，只需把文章写好（甚至让AI代写），一键执行就能全自动发布，效率成倍提升。

企业级：架构与线上排查

面向程序员的高阶内容，作者用Claude Code演示企业级开发，包括Java架构、Python架构、Redis缓存架构、线上问题排查等。这些场景往往涉及二次开发——不是从零写起，而是在已有功能上叠加能力。

分享者举了一个典型例子：一个原本没有缓存的功能，现在要加上Redis缓存，这就是二次开发。从零写缓存其实很简单，但在已有代码上「打补丁」才是真正考验工程质量的地方，而这恰恰是Skill发挥作用的场景。

Skill为什么能提升代码质量

这场分享传递的核心观点值得反复咀嚼：原生让AI直接开发功能，和让AI先开发Skill再由Skill生成代码，是两种截然不同的工程范式。

前者随着项目变大容易失控，产出难以维护；后者把工程规范、架构约定、最佳实践沉淀进Skill，相当于给AI装上了「团队级的规矩」。生成的代码因此更一致、更可控，也更适合多人协作和长期演进。

对企业而言，这意味着AI编程从「个人提效工具」升级为「工程化、系统化的研发能力」。把重复劳动交给Skill自动化，团队才能腾出时间去做更有价值的事。

从软件工程的视角来看，「屎山代码」（大泥球反模式，Big Ball of Mud）的形成往往不是因为单次代码写得差，而是因为缺乏一致的架构约束——每次需求都以最快速度实现，久而久之各模块之间的耦合越来越重，改一处牵动全局。AI 直接生成功能代码时，模型倾向于产出「能跑就行」的最短路径实现，对项目已有的架构风格和约定缺乏感知，正是加速这一过程的推手。Skill 通过将架构约定显式编码，相当于在 AI 生成每段代码前都执行了一次「架构评审」，使生成结果天然符合团队标准。这与 DevOps 中通过 CI/CD 门禁强制代码规范的思路本质相同，只是将约束前置到了生成阶段而非审查阶段。

小结

无论你是搞Java、Python的后端开发者，还是运营小红书、公众号的内容创作者，Agent Skill都提供了一条把重复工作自动化的路径。工具层面，Claude Code、Codex偏专业与全球最强能力，WorkBuddy则是国内友好的替代方案；大模型层面，GPT、GLM、DeepSeek各有适配场景。关键不在于用了哪个工具，而在于是否用「写Skill」的思路，把AI编程从古法手写、假AI编程，真正推进到工程化落地。