AI 编码智能体的生产级工程技能库：Agent Skills 完全指南

AI 编码智能体的生产级工程技能库：Agent Skills 完全指南

📌 核心观点

agent-skills 是由 Addy Osmani 开源的一套面向 AI 编码智能体的生产级工程技能包。它将资深工程师在软件开发各阶段所遵循的工作流程、质量门禁和最佳实践，封装成结构化的"技能（Skill）"，让 AI 智能体能够在开发全生命周期中一致、可靠地执行这些规范。

核心理念：技能（Skills）= 工作流程 + 质量门禁 + 最佳实践的标准化封装

🗺️ 开发生命周期全览

DEFINE     PLAN      BUILD     VERIFY    REVIEW     SHIP
┌──────┐  ┌──────┐  ┌──────┐  ┌──────┐  ┌──────┐  ┌──────┐
│ Idea │─▶│ Spec │─▶│ Code │─▶│ Test │─▶│  QA  │─▶│  Go  │
│Refine│  │ PRD  │  │ Impl │  │Debug │  │ Gate │  │ Live │
└──────┘  └──────┘  └──────┘  └──────┘  └──────┘  └──────┘
 /spec     /plan     /build    /test     /review    /ship

每个阶段对应一条斜杠命令，命令触发时自动激活对应技能组合。

🔑 关键信息

一、8 条核心斜杠命令

🚀 自动驾驶模式：/build auto

• 一次批准计划后，自动完成所有任务（无需人工在任务间干预）
• 不跳过验证：每个任务仍然是测试驱动并单独提交
• 遇到失败或风险步骤时自动暂停

二、全部 24 项技能清单

技能按开发阶段分为 6 大类：

🧭 Meta（元技能）

将输入任务映射到正确技能，定义共享操作规则

📋 Define（定义阶段）

🗂️ Plan（规划阶段）

将规格分解为带验收标准和依赖排序的小任务

🔨 Build（构建阶段）

薄垂直切片：实现→测试→验证→提交，支持特性开关和回滚

✅ Verify（验证阶段）

Chrome DevTools MCP 获取运行时数据（DOM、控制台、网络、性能分析）

🔍 Review（审查阶段）

五维审查，变更量约 100 行，严重性标签（Nit/Optional/FYI）

三、快速安装方式

通用 CLI（支持 70+ 智能体）

# 安装全部 24 个技能
npx skills add addyosmani/agent-skills
# 浏览后选择安装
npx skills add addyosmani/agent-skills --list
# 安装单个技能
npx skills add addyosmani/agent-skills --skill code-review-and-quality
npx skills add addyosmani/agent-skills --skill interview-me
npx skills add addyosmani/agent-skills --skill test-driven-development

Claude Code（推荐）

# 通过插件市场安装
/plugin marketplace add addyosmani/agent-skills
/plugin install agent-skills@addy-agent-skills
# 若遇 SSH 错误，强制使用 HTTPS
/plugin marketplace add https://github.com/addyosmani/agent-skills.git
# 修复 Windows/macOS 上的 SSH 权限问题
git config --global url."https://github.com/".insteadOf git@github.com:

其他工具支持

技能文件放 .cursor/skills/，简短策略放 .cursor/rules/*.mdc

四、自动触发机制

部分技能会根据上下文自动激活：

• 设计 API → 自动触发 api-and-interface-design
• 构建 UI → 自动触发 frontend-ui-engineering

💡 个人启发

1. "规格先于代码"是 AI 时代更重要的原则：AI 生成代码的速度极快，若需求不清晰，错误代码同样会以极快速度堆积。/spec 强制在动手前写清 PRD，是防止 AI "跑偏"的关键护栏。
2. 技能即流程的可执行文档：传统工程规范往往停留在 Wiki 或口口相传，agent-skills 将其变成 AI 可直接执行的结构化工作流，这是"工程文化数字化"的具体实践。
3. doubt-driven-development 值得特别关注：对 AI 输出的每个非平凡决策进行对抗性复审（CLAIM→EXTRACT→DOUBT→RECONCILE），这种"让 AI 质疑 AI"的模式，是对抗 AI 过度自信的有效手段。
4. /build auto 的设计哲学很有启示：它去除的是任务间的人工干预，而非验证本身——每个任务仍然测试驱动、单独提交，失败自动暂停。这体现了自动化≠放弃控制的原则。

🔭 延伸思考

1. 技能的"腐化"问题：当框架/工具版本更新时，技能中的最佳实践可能过时。如何为这 24 个技能建立持续维护机制，避免技能变成"过期规范"？是否应该在技能文件中内置版本号和有效期声明？
2. 跨智能体一致性的代价：将同一套技能同时部署到 Claude Code、Cursor、Copilot 等不同智能体，每个底层模型对同一指令的理解和执行方式存在差异。这套技能体系是否应该针对不同模型做"方言适配"，还是通过标准化指令写法来抹平差异？
3. 人机协作边界的再思考：/build auto 让 AI 在批准计划后自主执行所有任务，随着技能体系越来越完善，哪些决策应该永远保留人工节点？安全相关变更、生产数据库迁移、API 契约变更——是否需要在技能层面硬编码"必须人工确认"的触发条件？