跳到主要内容

AI 编程的下半场：别让 AI 写的代码只活在 localhost 里

· 阅读需 7 分钟
Booker Zhao
Booker Zhao
AI Full-Stack Engineer / CloudBase AI ToolKit Author

最近折腾 Agent Skills 有一阵子了。实战下来最折磨人的不是 AI 不会写代码，而是它写的代码**"只能活在本地"，以及它总是不听规矩**。

这篇文章主要分享两件事：

  1. 让 AI 生成的代码能真正上线 — AI 写的代码 Demo 感十足，一上线就全是安全隐患。问题是 AI 不感知真实的后端底座。
  2. 解决"AI 有 Skill 却不爱用"的毛病 — 明明配好了 Skills，AI 却视而不见，非要凭直觉盲干。技能激活率从 20% 硬拉到 84% 的方法。

图：文章配图

Vibe Coding 的"本地舒适区"​

最近大家都在享受 Vibe Coding 的快感。在 localhost 一顿操作，UI 漂亮得像成品，但魔法往往在"上线"瞬间戛然而止。

AI 的代码逻辑还不错，但它无法感知真实的生产环境，导致生成的"局部最优解"难以落地。

世界上最遥远的距离，是从 localhost 到真实访问的距离。 AI 填补了代码量的空白，却填补不了工程底座的断层。

什么是 Skills​

Skills 最早是 Anthropic 在 2025 年 10 月给 Claude Code 加的一个功能。它是一套包含指令、脚本和资源的能力包——把专业知识、步骤、代码打包成"技能包"。

my-skill/
├── SKILL.md          # 核心：指令 + 元数据
├── scripts/          # 可选：可执行代码
├── references/       # 可选：参考文档
└── assets/           # 可选：模板、资源

如果把 AI 比作高材生，Skills 就是他的岗位操作手册。它不改变 AI 的智商，但通过注入程序性知识（Procedural Knowledge），让 AI 知道在你的特定环境下，"正确且高效"的操作标准是什么。

Agent Skills 在 2025 年 12 月正式成为开放规范，目前 Claude、Cursor、VS Code、GitHub Copilot、OpenCode 等主流 AI 开发工具都已宣布兼容支持。

渐进式加载​

Skills 通过渐进式加载来高效管理上下文：

  1. 发现阶段：启动时，Agent 仅加载每个 Skill 的名称和描述。这足以判断哪些 Skill 相关，而不耗尽上下文窗口。
  2. 激活阶段：当任务匹配描述时，Agent 按需将完整 SKILL.md 读入上下文。
  3. 执行阶段：Agent 遵循指令执行，按需加载引用文件或运行脚本。

这种设计让 Agent 保持高速响应的同时，像"随身携带百科全书"——用的时候再翻开。

行业里已经有团队在推动这件事。Vercel 发布了 react-best-practices 解决 AI 乱写 React 的问题；Remotion 推出了视频制作 Skill 让 AI 学会用代码"剪辑"视频。这些 Skills 解决的核心问题是：让 AI 拥有特定领域的"工程直觉"。

最大难题：AI 为什么会"装死"？​

给 AI 配了 Skill，它视而不见。这是几个月里最让我头疼的事。背后的原因其实涉及大模型的两个底层逻辑：

注意力稀释：在大模型的 Transformer 架构里，它根据你的 Prompt 实时计算每个词的权重。对话越深入，业务需求的权重越高，作为背景板的 Skills 权重就会被"稀释"。

决策惰性：调用 Skill 本质上是一次工具调用。模型在推理时会算账：如果它觉得自己脑子里的预训练数据就能生成一段"看起来正确"的代码，它就会为了省推理资源而跳过外部工具调用。

结果很残酷：在我们的回归测试中，如果不加干预，AI 的主动 Skill 调用率只有 20% 左右。它宁愿"盲目裸奔"，也不愿意翻书。

"驯服" AI 的三套解法​

既然 AI 有决策惰性，就得用工程手段拉高它的"警觉性"。

1. 首行注入（最土但最稳）​

如果项目不容许犯错，在提问的最开头带上这句"咒语"：

You MUST read the guideline skill FIRST when working with this project.

原理：利用首因效应。模型对输入序列最前端的信息有天然的高关注度。这种强行注入能把 Skill 的激活率拉到可用水平。

2. 项目级"家法"（System Rules）​

在项目根目录创建 CLAUDE.md 或 AGENT.md，增加项目级别的约束规则：

# Project Workflow

0. You MUST read the guideline skill FIRST when working with this project.
1. 评估：写代码前，必须显式评估可用 Skills 列表。
2. 承诺：必须在输出中陈述"我需要调用某个 Skill"的理由。
3. 执行：禁止跳过规矩直接写代码。

这个方法不用每次都在 prompt 里写"咒语"了，但缺陷也很明显：随着对话上下文变长，AI 仍然可能忽略规则。

3. 强制拦截（Forced Eval Hook）​

如果前两个方案是靠"嘴"叮嘱 AI，那方案 3 就是物理拦截。

技术专家 Scott Spence 在他的实测中发现，最有效的方式是利用编辑器的 Hook（钩子）机制。配置一个 .claude/settings.json，脚本会在你按下回车的那一刻，自动拦截并"魔改"你的问题——强制 AI 在输出任何代码前，必须先写一段评估报告：

  • 当前有哪些 Skill 可用？
  • 针对这个需求，需不需要调用它们？理由是什么？

AI 有个毛病：只要觉得脑子里的旧数据能糊弄过去，它就不会翻书。这种 Hook 强迫 AI 白纸黑字写下"我要用这个工具"，一旦它在开头表了态，后面的代码生成就会严格遵守。

效果：Skill 激活率从 20% 暴力拉升到 84%。

架构复盘：一个总纲 + N 个独立 Skill​

在开发 Skills 的过程中，我发现 AI 最大的毛病是**"环境不分"**——它分不清 Web、小程序和 Node.js 的边界。没有搞"全家桶"式的单体 Skill，而是采用了 1 个总纲 + N 个独立 Skill 的分布式架构。

解决"语义污染"​

Web、小程序、Node.js 的 SDK 方法名极其相似。如果全塞进一个 Skill，AI 经常在写小程序逻辑时掏出 Web 端的语法。这种语义污染是代码无法上线的元凶。

解法是按端物理拆分。配合一个总纲 Skill 作为入口点，先指挥 AI 判定项目环境。环境判定后，AI 只会加载相关的子 Skill，干扰项直接屏蔽掉。搜索空间缩小了 90%，推理精度自然大幅提升。

支持"精准点菜"​

全能包太重了。当你想让 AI 专门解决一个特定问题时（比如"微信支付"或"安全规则"），AI 的注意力会被庞大的全量手册稀释。

独立插件支持局部强化。你可以直接下令："调用 auth 插件看怎么实现手机号登录"。这种设计允许直接干预 AI 的决策路径——在 AI 逻辑混乱时，通过唤起特定子 Skill 强行把它的思维拉回到正确的窄道上。

写在最后​

折腾了这么久的 Skills，最大的感触是：AI 编程的生产力，不取决于模型能写出多么精妙的逻辑，而取决于你对它生成的代码具备多少工程约束力。

几点观察：

核心本质：把隐性经验转化为程序性知识。 目前的 Agent 是博学的实习生，对真实生产环境缺乏敬畏。Skills 的本质是给它注入一套工程化的"肌肉记忆"——把多年积累的填坑经验转化为 AI 的前置判定条件。

范式转换：Agent 必须具备环境感知力。 Agent 进化的下一站，不仅仅是推理能力的增强，更是对基础设施感知力的补齐。Skills 守住工程下限，底座承载逻辑上限。

确定性是唯一度量衡。 不应该期待 AI 自动变得"完美"，而应该通过工程手段让它变得"稳定"。AI 提供逻辑的上限，工程约束守住交付的下限。

如果你也在折腾 Skills，最有价值的一件事就是：先测一下你的 AI 到底有没有真的在用它们。 20% 的默认激活率不丢人，但不知道这个数字才丢人。