企业级 Agent Skills 开发实战：让 AI 编程从写代码升级到写技能

从「写代码」到「写 Skill」：AI 编程正在换挡

在这堂 B 站实战课里，讲师抛出了一个颇具冲击力的观点：如果你现在使用 AI 编程工具还停留在「让它帮我写一个功能」这种最原始的 CLUD（Coding）方式，那你其实是在用「假的 AI 编程」，已经有点落伍了。

真正在头部企业和大厂里落地的做法，是把 AI 编程的重心从写代码转移到**开发 Skill（技能）**上。据讲师介绍，在大厂里程序员用 AI 编程时，可能 70%~80% 的时间是在写 Skill，直接写业务代码的时间反而较少。这背后的逻辑值得每一个开发者思考。

我们今天是要给大家去讲一讲

为什么 Skill 比直接写代码更靠谱

很多人都听过一句话：AI 编程写代码写多了，项目很容易变成「屎山代码」，难以维护。讲师给出的解释是——如果直接让 AI 工具原生开发最原始的功能代码，项目做久了大概率会失控。

但换一种思路：让 AI 大量的时间去开发 Skill，再由 Skill 去生成业务代码，项目的代码质量会明显更好。原因在于 Skill 让代码生成的过程更可控、更易于团队协作、可以长久维护。

Skill 的本质是沉淀「重复劳动」

Skill 翻译过来就是「技能」。它的核心价值在于把日常重复、常用的工作固化下来。对做 Java 开发的同学来说，缓存架构、分布式事务架构、微服务架构这些反复用到的东西，都可以写成 Skill。这样就不必每次都重复劳动，把时间释放出来去做更有价值的事。

简单的 Skill 可以只写一些提示词（题字词），复杂的则可以加上代码、脚本，甚至组合成完整的自动化流程。

从工程视角来看，Skill 本质上是一种「可参数化的代码生成模板」加上配套的上下文约束。它通常包含三层内容：第一层是提示词（Prompt），描述要生成什么、遵循什么规范；第二层是示例代码或脚手架片段，给大模型提供风格参照；第三层是可选的自动化脚本，负责将生成结果写入正确的目录、触发编译或测试。这与软件工程中的「代码生成器」（Code Generator）理念一脉相承，区别在于传统代码生成器规则硬编码，Skill 则借助大模型具备了一定的语义理解能力，能处理更模糊、更复杂的需求描述。团队将 Skill 纳入版本控制后，每个成员调用同一套 Skill 生成的代码风格与架构决策趋于一致，从根本上解决了「AI 生成代码风格各异、难以 Code Review」的痛点。

三款主流 Agent 工具的选型思路

课程中同时演示了三款 Agent 编程工具，讲师对它们的定位做了清晰区分：

Codex：默认后端整合 ChatGPT 最新版本，可视化能力强，适合所有同学，用来开发相对简单的 Skill。讲师建议不要随意更换后端大模型，因为 Codex 与 ChatGPT 适配最佳。
Claude Code：目前全球能力数一数二的 AI 编程工具，相对专业，适合有开发经验的程序员，用来处理企业级的 Java 架构、Redis 缓存架构、线上问题排查等复杂场景。课程中因担心 Claude 大模型封号风险，Claude Code 后端整合了国内智谱 GLM（GLM 最新版）。
Work Body（腾讯）：与前两者用法类似，可视化能力强，适合用不了国外网络的同学，课程中后端整合了性价比较高的 DeepSeek^广告。

因为他可能要用一些国外的一些网络什么的

讲师指出，市面主流工具还包括国内的 CodeBuddy（腾讯）、Trae（字节）以及阿里通义千问^广告、小米 MiMo 等。这些本质上都是「Agent 类工具」，可以让大模型完成复杂任务，用于开发或日常工作都可行。

待会就可以看到

「Agent 类工具」与普通 AI 对话助手的核心区别在于：Agent 具备自主规划和多步骤执行能力，可以调用文件系统、终端命令、外部 API 等工具，而不仅仅是输出文本。在编程场景中，Agent 工具能够自主读取项目代码、运行测试、根据报错迭代修复，直到任务完成，整个过程无需人工逐步确认。这类工具通常以「ReAct（Reasoning + Acting）」框架为基础，让模型在思考（Reasoning）与行动（Acting）之间循环，直到达成目标。正因为具备这种「自主完成复杂任务」的能力，Agent 工具才能真正执行 Skill 所定义的多步骤工作流，而非仅仅生成一段代码片段供开发者手动粘贴。

实战案例：从公众号到小红书的自动化

课程采用由浅入深的教学路线，准备了七八个乃至几十个 Skill 案例，全程敲代码演示。

入门案例：公众号报文自动生成

第一个演示是用 Codex 和 Work Body 同时写一篇「Codex 使用入门」的文章。结果印证了一个常见痛点：如果只丢一句「帮我写一篇文章」，AI 生成的内容往往天马行空，和作者本人的文风牛头不对马嘴。

使用入门的文章

讲师给出的关键改进是——要把自己的写作风格详细总结、固化下来告诉 AI。这正是 Skill 的价值：把「我的文风要求」封装成可复用的技能，而不是每次临时描述。这也解释了为何直播现场大多数观众反馈 AI 直接写出的文章「不符合期望」。

进阶案例：小红书图文自动化发布

对做小红书运营的同学，讲师演示了一个自动化发布 Skill：过去每天要手动登录网站、逐篇发布，学会 Skill 后只需把文章写好（甚至让 AI 代写），一键执行 Skill 即可全自动发布，效率成倍提升。

高阶案例：二次开发型 Skill

最能体现 Skill 价值的是「二次开发」场景。讲师以 Redis 缓存架构为例：从零写缓存其实不难，难的是给一个原本没有缓存的既有功能加上缓存。这种在存量代码上做增量改造的场景，正是 Skill 大显身手的地方——它能保证改动的规范性和一致性。

Redis 缓存的二次开发之所以是检验 Skill 能力的典型场景，原因在于它涉及「读写穿透、缓存击穿、数据一致性」等多个必须同步处理的横切关注点。手工改造时，开发者容易遗漏某一处更新逻辑，导致缓存与数据库数据不一致。将这套改造规范封装成 Skill 后，每次执行都会强制检查并生成完整的缓存失效、更新、预热逻辑，相当于把高级工程师的经验固化为可重复执行的流程。这与 DevOps 领域「基础设施即代码（Infrastructure as Code）」的理念类似——把原本依赖个人经验的操作转化为可审计、可版本化、可自动化的标准流程，从而降低团队对特定人员的依赖，也让新人更容易在存量项目上安全地做增量开发。

给开发者的落地建议

这堂课的核心并不在于某款工具，而在于工程化思维的转变。综合来看，可以提炼出几条可执行的路径：

停止「古法编程」和纯手写 CLUD，但也别停留在「一句话让 AI 写功能」的初级用法。
把团队高频复用的架构与规范沉淀为 Skill，如缓存、分布式事务、微服务模板。
根据场景选工具：简单可视化任务用 Codex / Work Body，企业级复杂任务用 Claude Code。
大模型灵活替换：Claude Code 可接 GLM，Work Body 可接 DeepSeek，兼顾成本与可用性。

Skill 让 AI 编程从「一次性生成」走向「可维护、可协作、可积累」的工程化体系，这也是它区别于普通 AI 写代码的根本所在。

注：本文基于 B 站一堂实战直播课整理，具体演示效果与工具版本以课程现场为准。