加载中...
加载中...
开发笔记，踩坑记录，技术实践
之前聊执行层 MCP 的时候我说过：MCP 给 AI 一双手，让它能碰真实系统。但光有手还不够。手会干活是一回事，干得符不符合你的标准、踩不踩你过去踩过的坑，是另一回事。Skill 解决的就是这个问题——把"这个 Agent 应该怎么干活"固化下来，而不是每次重新教一遍。这篇文章整理了一套适合全栈开发的 Skill 组合，以及如何把团队经验沉淀成自己的 Skill。
很多人第一次接触 MCP，想到的是查文档、搜知识库、读取文件。但如果 MCP 只能让 AI "知道更多"，它的价值其实还没有完全发挥出来。真正让我觉得 MCP 开始变得有意思的，是它逐渐下沉到了执行层：操作浏览器、提交代码、管理 Kubernetes、执行数据库查询、触发基础设施变更。当 AI 从"告诉你怎么做"走向"自己做完并验证结果"，AI 编程的形态也开始发生变化。
用了一段时间 Codex、Claude Code 之后，我越来越觉得，AI 编程体验的差距已经不完全来自模型本身。同一个模型，有的人还在让它一遍遍读文件、猜 API、等自己截图反馈，有的人已经让 AI 自己理解代码结构、查最新文档、操作浏览器、验证页面、分析 GitHub Issue。真正值得折腾的，可能不是再换一个模型，而是给 AI 配一套更好的"手和眼睛"。
Vibe Coding 极大地提高了个人开发效率，但当这种工作方式进入团队之后，一个很快就会暴露的问题是：代码生成得越来越快，团队却不一定跑得越来越快。真正限制团队吞吐量的，开始从编码能力转向需求理解、架构决策、上下文传递和结果验证。AI 时代的软件工程，也许需要重新思考一件事：如何把团队共识变成 AI 可以直接执行的工程资产。