高效AI开发的核心：agent-skills 技能设计与实战指南

当你在使用 AI 助手编写代码时，是不是也遇到过这种情况：让它写个测试，它说“稍后添加”；让它完善文档，它说“这是原型”。最终，一个功能看似完成了，却留下了一堆技术债。

最近，深入研究了 Addy Osmani 的开源项目 agent-skills ，它精准地命中了当前 AI 编程助手的核心痛点：AI 总会找借口偷懒。这个项目的解决思路相当硬核，核心设计哲学可以概括为：把 AI 的借口直接写进技能里，然后一条条地进行反驳，从制度上“迫使”AI 认真完成工作。

Process not Prose：技能是工作流，不是文档

传统的 AI 技能（或指令）往往是一大段文字描述，告诉 AI “应该做什么”。AI 读了之后，可能只是“大概知道怎么做”，执行起来弹性很大，偷懒空间也就产生了。

而 Addy Osmani 的设计理念是：Process not Prose。技能应该是一个明确的工作流程，是可执行的 Checklist，而不是供参考的阅读材料。

以编写测试这个技能为例，它的设计不再是简单的“请为代码编写测试”，而是变成了一个包含强制检查点的流程：

Step 1: 写测试
Checkpoint:
- [ ] 测试覆盖率 > 80%
- [ ] 所有测试通过
- [ ] 无硬编码凭证

未通过？停止执行。

在这种设计下，AI 不能仅仅说一句“我写了测试”就蒙混过关。它必须逐一通过上述 Checkpoint，证明自己确实完成了质量达标的工作，才能继续执行后续步骤。这就像是给 AI 设置了一个必须通关的关卡。

Anti-rationalization：预先反驳 AI 的借口

既然知道 AI 爱找借口，最聪明的办法就是预判它的预判。agent-skills 将常见的 AI 借口直接列出来，并附上强有力的反驳，内置在技能描述中。

AI 常见借口	技能反驳
“我会稍后添加测试”	稍后=永不，现在写
“这只是原型”	原型也会被部署
“重构太复杂”	小步重构更安全
“这代码能跑就行”	能跑不等于可维护

这个设计非常巧妙。当 AI 在思考过程中下意识地冒出“这只是原型”的念头时，它会立刻“看到”技能里写着的反驳：“原型也会被部署”。这种设计在心理层面就遏制了 AI 偷懒的倾向，将其拉回正轨。

Evidence 不妥协：杜绝“看起来对了”

AI 的另一个坏习惯是喜欢用模糊的、定性的语言来汇报工作，比如“测试应该过了”、“看起来没问题”。这种回答对于需要严谨性的开发工作来说是远远不够的。

agent-skills 对此提出了铁律：“Seems right” is never sufficient。完成工作必须有确凿的证据。

情况	不合格的回答	合格的证据
测试通过	“测试应该过了”	测试输出截图
构建成功	“看起来没问题”	构建日志
性能优化	“应该快了”	性能数据对比

这就要求 AI 在报告每一项任务完成时，必须附上可验证的产出物，例如终端输出截图、生成的日志文件、性能前后对比数据等。证据，是堵住 AI 偷懒后路的最后一道闸门。

覆盖全周期的19个核心技能

agent-skills 不是零散的技巧集合，而是一套完整的 软件开发流程 解决方案。它将开发过程划分为 6 个阶段，并提供了 19 个对应的核心技能。

• DEFINE (定义)阶段：包含 idea-refine（将模糊想法细化成具体提案）和 spec-driven-development（先写产品需求文档PRD，再写代码）。
• PLAN (计划)阶段：主要是 planning-and-task-breakdown（将需求规格拆解为可执行的小任务）。
• BUILD (构建)阶段：这是核心，包含 incremental-implementation（增量式实现）、test-driven-development（测试驱动开发）和 context-engineering（为AI提供准确的上下文）。
• VERIFY (验证)阶段：包括 debugging-and-error-recovery（五步调试法）和 browser-testing-with-devtools（使用浏览器开发者工具测试）。
• REVIEW (审查)阶段：涉及 code-review-and-quality（五轴代码审查）、code-simplification（代码简化）、security-and-hardening（安全加固）和 performance-optimization（性能优化）。
• SHIP (交付)阶段：涵盖 git-workflow-and-versioning（原子提交工作流）、ci-cd-and-automation（左移的CI/CD自动化）和 shipping-and-launch（灰度发布）。

关键在于，每个技能都内置了前述的 Checkpoint 和 Evidence 要求。AI 必须像一个严格的工程师一样，完成当前阶段所有技能的考核，才能进入下一阶段，从而保证最终交付物的整体质量。

三条核心设计铁律

从 agent-skills 的设计中，我们可以提炼出三条让 AI 高效、可靠工作的铁律：

1. 铁律一：Process not Prose - 技能必须是可执行、可检查的工作流步骤，而非叙述性文字。
2. 铁律二：Checkpoint 必过 - 每个步骤都要有明确的检查清单，不满足条件就立即停止，禁止“差不多”思维。
3. 铁律三：Evidence 不妥协 - 所有工作完成必须有实体证据支持，拒绝任何“看起来对了”的模糊报告。

实战：如何在你的工具中应用

如果你正在使用 Claude Code、Cursor 或 Windsurf 等智能编码工具，可以很方便地集成 agent-skills，让你的 AI 助手立刻变得“勤奋”起来。

安装方式：

对于不同的工具，安装命令有所区别：

# Claude Code
/plugin marketplace add addyosmani/agent-skills
/plugin install agent-skills@addy-agent-skills

# Cursor
cp skills/*/SKILL.md .cursor/rules/

使用方式：

集成后，你可以通过简单的指令驱动 AI 按照严谨的流程工作。例如，当你输入一个需求时，AI 会自动调用相应的技能链来执行。

用户: /spec  写一个登录功能

AI 自动执行:
[1/3] 分析需求... (idea-refine)
[2/3] 写 PRD... (spec-driven-development)
[3/3] Checkpoint 检查...

用户: /build

AI 自动执行:
[1/4] 实现... (incremental-implementation)
[2/4] 测试... (test-driven-development)
[3/4] 验证... (debugging)
[4/4] Checkpoint 检查...

其核心价值在于：AI 的每一个操作步骤都被规范化了，有检查、有标准、有证据，从根本上杜绝了敷衍和偷懒的可能性。这种设计思路不仅适用于 AI，对于规范人类开发者的行为也同样具有借鉴意义。如果你想深入了解如何构建高质量的 技术文档 或工作流，可以持续关注相关的实践分享。

总结一下，一套优秀的 AI 技能设计，其精髓在于：

强制检查 + 反借口表 + 不妥协证据

想让你的 AI 编程伙伴彻底告别偷懒，真正成为一名靠谱的“全栈工程师”，不妨从研究和实践 agent-skills 开始。