

> OpenAI 推出旗舰级编程模型 GPT-5.2-Codex，不仅刷新了代码安全与长程任务处理的标准，更展示了惊人的工程能力——在无人干预下仅用一周时间自主构建出包含渲染引擎的 Web 浏览器。

## 从辅助工具到自主代理的进化

OpenAI 正式揭晓了其在编程领域的最新里程碑——GPT-5.2-Codex。这款基于 GPT-5.2 架构深度定制的模型，不再局限于传统的代码补全或片段生成，而是被定义为一款真正的“代理式”编程专家。官方资料显示，该模型针对复杂且长周期的软件开发任务进行了底层优化，旨在让 AI 能够独立承担起工程师级别的重任。

与前代产品相比，GPT-5.2-Codex 在处理超大规模代码库时展现出了质的飞跃。它具备极高的上下文理解能力，能够胜任构建全新功能模块、重构遗留代码以及排查深层逻辑漏洞等高难度工作。值得一提的是，OpenAI 将其称为目前“网络安全能力最强”的模型，这意味着它在编写代码的同时，能以极高的敏锐度识别并阻断潜在的安全风险。

![Google_AI_Studio_2026-01-17T03_05_14.873Z.png](https://static.downly.cn/images/832c765ead1d69d7d1125bad12635634.png) <center>图源备注：图片由AI生成</center>

## 极限施压测试与生态集成

为了验证 GPT-5.2-Codex 的工程极限，第三方团队进行了一场严苛的压力测试。在连续运行一周且无人类干预的情况下，该模型成功从零开始构建了一个功能完整的 Web 浏览器。该项目不仅包含了核心的渲染引擎，还涉及虚拟机搭建，代码总量累计超过三百万行。这一战绩有力证明了其在长程任务中的稳定性与逻辑连贯性。

目前，GPT-5.2-Codex 已全面接入主流开发生态。Cursor、GitHub 及 Windsurf 等头部开发工具均已完成集成，全球开发者即刻起便能调用这一强大的 API。对于追求效率的工程团队而言，这意味着软件开发的周期可能将被重新定义，AI 从“副驾驶”正式晋升为“主力驾驶员”的时代已经来临。

OpenAI发布最强编程代理 GPT-5.2-Codex 自主构建浏览器震撼业界



> 微软正式发布 VS Code 版 Copilot Studio 扩展，将 AI 智能体开发引入专业 IDE 环境，支持 Git 版本控制与 CI/CD 流水线，实现了从低代码实验到企业级工程交付的范式转变。

## 告别低代码束缚 拥抱IDE工作流
微软近日正式宣布推出 Visual Studio Code（VS Code）版 Copilot Studio 扩展，这一动作标志着 AI 智能体（Agent）的开发方式迎来了质的飞跃——从浏览器的低代码拖拽，正式跨越到专业的集成开发环境（IDE）中。该扩展在公测期间便已获得超过 13,000 次下载，显示出开发者对工程化开发环境的强烈渴求。

其核心价值在于将 AI 助手程序的构建过程彻底融入标准的软件工程工作流。通过引入结构化的定义格式、专业的语法高亮以及类 IntelliSense 的代码补全功能，开发者现在能以处理传统代码的精细度来编写智能体逻辑。这不仅大幅降低了手动配置的错误率，更让智能体的行为逻辑变得可读、可维护。

![Google_AI_Studio_2026-01-16T03_32_06.433Z.png](https://static.downly.cn/images/47d68f9a060956da1f4f62ad6a8fb62f.png)
 <center>图源备注：图片由AI生成</center>

## 企业级协作 版本控制与CI/CD集成
为了满足企业级项目的协作需求，该扩展完整集成了 Git 版本控制系统。这意味着智能体的开发不再是“黑盒”操作，开发者可以通过请求式审查（Pull Requests）来追踪每一次修改历史，并利用云端版本比对功能有效规避多人协作中的覆盖冲突。

更关键的一步在于部署流程的标准化。通过将智能体集成到标准的 CI/CD（持续集成/持续交付）流水线中，开发团队能够遵循严格的测试与部署标准，在开发、测试、生产等不同环境间进行平滑迁移。此外，该扩展还实现了与 GitHub Copilot 及 Claude Code 等 AI 编程助手的协同，辅助开发者在本地环境中快速排查智能体定义的故障，真正实现了“用专业工程手段塑造 AI 行为”的行业愿景。

微软推出VS Code版Copilot Studio 智能体开发进入专业工程化时代

在 2026 年1月12日，Windsurf 再次通过 **1.13.6 版本** 证明了它是目前最懂开发者的 AI 编辑器。本次更新引入了核心功能 —— **Skills（技能）**。

简单来说，如果之前的 AI 只是一个“听懂指令的实习生”，那么拥有 Skills 后的 Cascade（Windsurf 的 AI 核心）就进化成了**带工具箱的高级工程师**。

它不再只是根据你的 Prompt 瞎猜，而是能**读取你预设的文档、脚本和模版，严格按流程办事**。


## 为什么你需要 Skills？

你是否遇到过这些痛点？

- **重复劳动**：每次让 AI 写爬虫，都要强调“记得加 User-Agent，记得用 Headless 模式”。
- **规范遗漏**：每次让 AI 写 Java 代码，它总是不记得用 Lombok 或者特定的注解。
- **上下文丢失**：Prompt 越来越长，但 AI 还是会漏掉关键步骤。

**Skills 就是为了解决这个问题而生的。** 它是 Prompt 的“持久化”和“结构化”版本，让你的工程标准成为 AI 的本能。

------

## 一、快速上手（基础篇）

### 目标：创建一个“代码审查 (Code Review)”技能

**场景**：AI 写的代码有时不符合团队规范（例如缺少注释、变量命名随意）。我们要创建一个技能，让 AI 在 Review 代码时自动加载我们的检查清单。

#### 步骤 1：创建技能目录

WindSurf和 [Claude Code Skills](https://github.com/anthropics/skills) 的目录基本一致，只是根目录从`.claude`换成了`.windsurf`，请在您的项目根目录下，创建以下文件夹结构：

```markdown
.windsurf/
  skills/
    code-review/          <-- 技能名称
```

**WindSurf Skills目录结构示例：**
![image.png](https://static.downly.cn/images/ea439d487290dd9315a4e920320cc6f1.png)

#### 步骤 2：编写核心描述文件 (SKILL.md)

在 `code-review` 文件夹中创建 `SKILL.md`。这是技能的“大脑”，定义了它的触发条件和执行逻辑。

```markdown
---
name: code-review
description: 用于对代码进行审查、重构和优化。当用户要求检查代码、优化代码或进行 Code Review 时调用此技能。
---

# 代码审查专家

你现在是团队的高级技术负责人。请根据以下检查清单对代码进行审查：

## 1. 基础规范
- [ ] 变量命名是否遵循驼峰命名法 (Java/TS) 或下划线命名法 (Python)？
- [ ] 是否存在硬编码的 Magic Numbers 或字符串？
- [ ] 关键逻辑是否有注释说明？

## 2. 安全性检查
- [ ] SQL 注入风险（必须使用参数化查询）
- [ ] 敏感信息（API Key、密码）是否已脱敏？

## 3. 性能优化
- [ ] 循环中是否存在不必要的数据库查询？
- [ ] 集合操作是否高效？

请以列表形式输出审查结果，并给出修改后的代码建议。
```

#### 步骤 3：测试调用

1. 打开 Windsurf Cascade 对话框。
2. 输入：`@code-review 帮我看看这段 Python 代码有什么问题`（或者直接说 `帮我 Review 一下当前打开的文件`，Cascade 会根据 description 自动识别）。
3. **效果**：AI 会严格按照你 `SKILL.md` 中的三个维度（规范、安全、性能）进行输出，而不是泛泛而谈。

**WindSurf Skills 触发 Skills 示例：**
![image.png](https://static.downly.cn/images/22666450e4ba6863ab99b39c4155a591.png)

------

## 二、进阶实战（带模版的生成器）

### 目标：创建一个“Spring Boot 模块生成器”技能

**场景**：开发 Java Spring Boot 应用时，重复写 Controller/Service/Repository 结构非常枯燥，且容易出错。

#### 步骤 1：准备模板文件

在 `.windsurf/skills/spring-feature-gen/` 目录下，放置两个文件：

**1. `ControllerTemplate.java` (辅助资源)**

```java
package com.example.demo.controller;

import org.springframework.web.bind.annotation.*;
import lombok.RequiredArgsConstructor;

// 强制要求：所有 Controller 必须使用 RestController
// 强制要求：必须使用构造器注入
@RestController
@RequestMapping("/api/v1/${resource}")
@RequiredArgsConstructor
public class ${Resource}Controller {
    private final ${Resource}Service service;
    
    @GetMapping("/{id}")
    public ${Resource}Dto getById(@PathVariable Long id) {
        return service.findById(id);
    }
}
```

**2. `SKILL.md` (核心指令)**

```markdown
---
name: spring-feature-gen
description: 为 Java Spring Boot 项目生成标准的 Controller-Service-Repository 分层代码结构。
---

# Spring Boot 功能模块生成器

当用户要求生成一个新的业务模块（Feature）时，请严格遵循以下架构：

## 技术栈要求
1. **框架**: Spring Boot 3.x
2. **构建**: Maven/Gradle
3. **原生支持**: 考虑到后续可能编译为 GraalVM Native Image，避免使用复杂的动态反射。

## 生成步骤
1. 读取当前目录下的 `ControllerTemplate.java` 作为风格参考。
2. 生成 DTO (Record 类型), Service 接口与实现类, Repository (JPA)。
3. 确保所有依赖注入使用 `@RequiredArgsConstructor` (Lombok)。

## 输出格式
请直接生成代码文件内容，不要过多解释。
```

#### 步骤 2：实战调用

在 Cascade 中输入：

> "帮我生成一个用户管理模块（User Management），包含增删改查功能。"

**结果**：AI 会自动读取技能并参考你的 Java 模板，生成一套符合你团队习惯的代码。

------

## 三、实战玩法（用 Skill Creator 创建 AI Skills）

手动编写 `SKILL.md` 还是觉得麻烦？Windsurf 的 Skills 机制与 Claude 官方的 ecosystem 是兼容的。我们可以利用官方的 **Skill Creator** 来让 AI 帮我们写 Skills，除此之外，您也可以参考[Anthropic Claude Code Skills 深度解析](https://www.downly.cn/articles/ee2537e0-00a1-430d-baaa-b0545fcd982c)。

### 1. 引入官方 Skill Creator

[Claude Code Skill Creator](https://github.com/anthropics/skills/blob/main/skills/skill-creator/SKILL.md)是 Anthropic 官方提供的一个“元技能”，专门用来生成其他技能。

1. **创建目录**：`.windsurf/skills/skill-creator/`
2. **下载文件**：将官方仓库中的 `SKILL.md` 内容复制进去。
   - **源码地址**：[Claude Skill Creator Template](https://github.com/anthropics/skills/blob/main/skills/skill-creator/SKILL.md)

### 2. 如何使用

安装好这个技能后，你就可以套娃操作了：

> **用户**：`@skill-creator 我想要一个专门写 Python 单元测试的技能，要求使用 pytest，并且覆盖率要达到 90% 以上。`

> **Cascade**：(自动调用 skill-creator) 好的，我为您生成了 `python-tester` 的技能结构，包含 `SKILL.md` 和推荐的测试规范...

### 3. 更多官方灵感

Anthropic 官方维护了一个 Skills 仓库，里面包含了很多开箱即用的简单教程和案例（如数据分析、文档编写等），建议收藏并在 Windsurf 中尝试：

- **官方仓库**：https://github.com/anthropics/skills

------

## 核心技巧总结

1. **Description 是关键**： Cascade 依靠 frontmatter 中的 `description` 字段来决定是否**自动**调用技能。写得越具体，AI 自动触发越精准。
   - ❌ `description: 代码工具`
   - ✅ `description: 当用户询问有关 Playwright 爬虫编写、浏览器自动化脚本时使用此技能。`
2. **全局 vs 项目级**：
   - **全局习惯**（如“总是用 Python Type Hint”）：放在 `~/.codeium/windsurf/skills/`。
   - **项目规范**（如“本项目使用 MyBatis”）：放在 `.windsurf/skills/`。
3. **Skills vs Rules**：
   - 使用 **Rules** (.windsurf/rules) 设定你的基本身份（“我是谁”）。
   - 使用 **Skills** 处理具体任务（“怎么做”）。

现在，打开你的 Windsurf，试着创建你的第一个 Skill，把重复的工作流“外包”给 AI 吧！

Windsurf 1.13.6 重磅更新 - 支持 Claude Skills

<video src="https://static.downly.cn/images/13-Steps-to-High-Efficiency-by-the-Creator-of-Claude-Code.mp4" controls width="50%">
  Your browser does not support the video tag.
</video>

> 在 AI 辅助编程领域，我们通常只把 AI 当作一个更聪明的自动补全工具。然而，Claude Code 的创造者 Boris Cherny 展示了一种完全不同的维度：他通过构建一套严密的系统工程，将自己从“代码撰写者”转变为“AI 军团指挥官”，实现了月产 4 万行高质量代码的惊人效率。

本文将基于 Boris Cherny 的实战演示，详细复盘他的 13 步工作流，并补充我们对于高阶技能定制的第 14 步实践，深入剖析这套范式背后的技术哲学。

------

## 01. 并发多线程 (Parallelization)

### 🎥 Boris 的实战现场

Boris 的终端界面就像一个繁忙的指挥塔。他通常会同时开启 5 个并行的 Claude 会话（Tabs 1-5），每个 Tab 都有明确的职责划分：

- Tab 1：专注于数据库层面的重构任务。

- Tab 2：处理前端组件的视觉调整。

- Tab 3：运行单元测试并修复回归错误。

  为了解决“等待 AI 生成”的时间浪费，他利用系统的“通知铃声”功能。当后台某个 Tab 完成任务时，会发出提示音，他便立即切换上下文进行确认。这种方式消除了人类在等待 AI 思考时的闲置时间。

### 🧠 技术视点：工程师的“调度器化”

> 这标志着工程师的核心能力正在发生代际转移。

过去，我们的核心能力是“专注力”和“手速”；而在 Boris 的模式下，核心能力变成了**任务架构拆解（Architecture Decomposition）\**与\**上下文切换（Context Switching）**。如果不具备良好的架构思维，无法将一个大需求拆解为 5 个低耦合的子任务，那么开启 5 个窗口只会带来 5 倍的混乱。**并发的前提，是解耦。**

------

## 02. 端云协同 (Teleport)

### 🎥 Boris 的实战现场

Boris 演示了如何打破“本地终端”与“云端网页”的物理隔阂。他使用 `teleport` 命令配合后台任务符 `&`，将本地正在进行的终端会话“瞬移”到浏览器端的 Claude 界面。

- **场景切换**：当需要处理复杂的长文本阅读、查看图表或进行更自然的对话交互时，他切换到网页端。
- **状态同步**：在网页端确认好思路或生成文案后，所有的上下文和结果又能反向同步回本地终端，继续执行代码命令。

### 🧠 技术视点：交互模态的流动性

> 未来的开发环境将不再固守单一的 IDE，而是“数据流”的载体。

CLI（命令行）适合执行和精确控制，GUI（网页）适合阅读、规划和视觉反馈。Boris 的实践告诉我们：**上下文（Context）应当像流体一样**，根据开发者的认知需求，在不同的容器之间自由流转，而不是被锁死在某个软件窗口里。

------

## 03. 慢思考 (Thinking Models)

### 🎥 Boris 的实战现场

在处理复杂的逻辑重构时，Boris 并没有选择响应最快的模型，而是强制指定带有思维链（Chain of Thought）的 Opus 4.5 模型。

尽管这需要等待数分钟才能看到结果，但他强调，对于核心逻辑，必须让 AI 像人类高级工程师一样进行深度的推理。他宁愿花时间等待一个准确的方案，也不愿快速得到一个充满 Bug 的代码块。

### 🧠 技术视点：算力换人力的经济账

> 这是一个关于“信噪比”的决策。

在软件工程中，**生成速度 $\neq$ 开发效率**。修复一个由快速模型产生的幻觉 Bug，其耗时（定位、调试、修改）往往是生成时间的 10 倍以上。这里的策略是典型的“慢即是快”：用昂贵的推理算力，去置换昂贵的人类调试时间。**准确率（Precision）远比延迟（Latency）重要。**

------

## 04. 共享大脑 (CLAUDE.md)

### 🎥 Boris 的实战现场

Boris 展示了他在项目根目录维护的核心文件：CLAUDE.md。

这不是给人类看的 Readme，而是给 AI 看的“宪法”。文件中定义了：

- **架构规范**：如“本项目使用 MVC 模式，Service 层不应直接返回 DTO”。

- **编码细节**：如“日期必须使用 ISO8601 格式”、“禁止使用 `eval` 函数”。

- 路径映射：解释项目特有的黑话和目录结构。

  每次启动 Claude，它都会预加载这份文件，从而让一个通用的 AI 瞬间变成最懂该项目的“资深员工”。

### 🧠 技术视点：隐性知识的显性化

> 这是文档工程（Documentation Engineering）在 AI 时代的复兴。

传统团队中存在大量“部落知识（Tribal Knowledge）”，它们只存在于老员工的脑子里。`CLAUDE.md` 迫使我们将这些隐性知识显性化。这本质上是一种**轻量级的 RAG（检索增强生成）**，它解决了 LLM 的无状态问题，让项目具备了可传承的“记忆”。

------

## 05. 复利工程 (Compounding Engineering)

### 🎥 Boris 的实战现场

当 Claude 犯错（例如引入了一个被禁用的库）时，Boris 的做法令人印象深刻：他不仅仅是纠正代码，而是直接在 GitHub 评论区 @claude 下达指令：“你犯了一个错误，请把这条新规则更新到 CLAUDE.md 中，以后不要再犯。”

通过这种方式，每一次错误都转化为了文档中的一条新规则，确保 AI 不会在同一个地方跌倒两次。

### 🧠 技术视点：错误的资产化

> 我们正在目睹一种全新的“资产积累”方式。

在传统开发中，踩过的坑容易被遗忘；而在这种模式下，**错误被提炼成了系统的“养料”**。随着项目推进，`CLAUDE.md` 越来越完善，AI 越来越聪明。这不仅仅是在写代码，更是在训练一个不断自我进化、不断增值的数字资产。

------

## 06. 计划模式 (Plan Mode)

### 🎥 Boris 的实战现场

Boris 通过双击 Shift+Tab 进入一个特殊的“计划模式”。在此模式下，AI 被禁止写一行代码。

他和 AI 像两个在白板前的架构师一样，纯粹通过自然语言反复推演：“如果我们要改这个 API，会影响哪些文件？”、“数据库 Schema 需要怎么变？”。只有当计划被彻底确认无误后，他才会切换回执行模式让 AI 动手。

### 🧠 技术视点：决策层与执行层的分离

> 这解决了新手使用 AI 最容易犯的错：过早陷入细节。

Plan Mode 强行将**设计（Design）\**与\**实现（Implementation）** 剥离。这不仅通过思维链（CoT）降低了 AI 的幻觉风险，更重要的是，它强制人类保持在“决策层”。**AI 是手，你是脑，动手之前先动脑。**

------

## 07. 斜杠命令 (Slash Commands)

### 🎥 Boris 的实战现场

Boris 演示了他自定义的 /commit-push-pr 命令。

只需输入这一个指令，Claude 就会在后台自动执行一系列复杂的动作：检查 Git 状态 -> 分析变更内容 -> 生成符合规范的 Commit Message -> 推送到远程分支 -> 调用 GitHub API 创建 PR。原本需要敲击十几次键盘的流程，被压缩成了一次指令。

### 🧠 技术视点：流程的“模糊自动化”

> 这是对传统 Shell 脚本的降维打击。

传统的脚本是僵化的，参数必须精确匹配。而挂载了 AI 的 Slash 命令是**基于意图（Intent-based）**的。开发者只需要发出意图，AI 负责填充参数、处理异常。我们正在从“自动化（Automation）”向“自主化（Autonomy）”过渡。

------

## 08. 子智能体 (Sub-agents)

### 🎥 Boris 的实战现场

在处理特定任务时，Boris 会调用专门的“子智能体”。例如：

- `code-simplifier`：这是一个被设定了极强约束的 Agent，它只负责简化代码语法，绝不修改业务逻辑。

- verify-app：专门负责按照测试手册运行端到端测试的 Agent。

  主 AI 负责攻坚，子 Agent 负责扫尾，分工明确。

### 🧠 技术视点：单一职责原则 (SRP) 的 AI 实践

> 我们写代码遵循 SRP 原则，使用 AI Agent 也应如此。

一个通用的“全能 Agent”往往表现平庸。通过构建专门的 Sub-agents，我们可以针对特定任务（如安全审计、性能优化、文档生成）微调 Prompt 和工具集。这是**多智能体协作（Multi-Agent Systems）** 的实战雏形。

------

## 09. 钩子 (Hooks)

### 🎥 Boris 的实战现场

Boris 配置了严格的 Pre/Post-execution Hooks。每当 AI 生成代码准备写入文件之前，系统会自动触发 Prettier 或 Linter。

无论 AI 生成的代码格式多么混乱，在写入磁盘的那一刻，它都会被强制格式化为团队标准风格。

### 🧠 技术视点：最后一道防线

> 这是防御性编程在 AI 时代的必要延伸。

我们不能无条件信任 AI 的输出质量。Hooks 建立了一个**不依赖于 AI 自身道德约束的外部质量门禁**。这不仅解决了 AI 代码“能跑但很难看”的顽疾，更守住了代码库整洁度的底线。

------

## 10. 权限管理 (Permissions)

### 🎥 Boris 的实战现场

Boris 并没有让 AI 处于完全的“裸奔”状态（`dangerously-skip-permissions`）。相反，他精心设置了白名单：

- 读取类命令（`ls`, `cat`, `git status`）：默认允许，无需人类确认，保证交互流畅。
- 破坏类命令（`rm`, `upload`, `deploy`）：必须弹窗询问，且高危操作会被钩子拦截。

### 🧠 技术视点：基于行为的零信任架构

> 信任，但要验证（Trust but Verify）。

在 AI 能够自主执行命令的时代，安全架构必须从“基于身份”转向“基于行为”。这种配置既保证了探索性任务的效率，又锁死了破坏性操作的风险。

------

## 11. 万物互联 (MCP)

### 🎥 Boris 的实战现场

通过 Model Context Protocol (MCP)，Boris 让 Claude 连接到了 IDE 之外的世界。

他展示了 AI 如何直接读取 Slack 中的讨论记录来理解需求背景，或者直接查询 BigQuery 数据库来验证业务逻辑，甚至连接 Sentry 查看线上的实时报错日志。

### 🧠 技术视点：打破 IDE 的“数据孤岛”

> 当 AI 开始感知业务数据时，它才真正成为了“全栈”。

这预示着 **AIOps** 的到来——AI 不再仅仅处理代码文本，而是能够感知线上状态、用户反馈和业务数据。它正在从一个“编码工具”进化为一个能够感知上下文的“业务伙伴”。

------

## 12. 长任务管理 (Ralph Wiggum)

### 🎥 Boris 的实战现场

对于那些极度耗时的任务（如全项目大规模重构、运行数小时的回归测试），Boris 使用了一个被称为 "Ralph Wiggum" 的后台挂机插件。

他将任务扔给这个后台进程，配置好“完成强提醒”，然后就去处理其他事情，甚至睡觉。在这些隔离环境中，他给予 AI 更高的自主权。

### 🧠 技术视点：异步生产力的解放

> 人类的时间是线性的，但算力是可以并发的。

通过将长耗时任务剥离给后台 AI，工程师实现了**算力与人力的解耦**。你不再需要盯着进度条发呆，这是对人类注意力的极致保护。

------

## 13. 反馈闭环 (Feedback Loop)

### 🎥 Boris 的实战现场

这是 Boris 演示中最精彩的部分：赋予 AI 眼睛。

当 AI 修改了前端代码后，它会自动启动一个浏览器实例，像真实用户一样点击按钮、输入表单、截图并分析控制台报错。如果发现页面崩溃或报错，AI 会根据错误信息自动修正代码，直到通过验证。

### 🧠 技术视点：从“开环”到“闭环”

> 这不仅仅是自动化测试，这是“自主纠错”。

目前的 AI 编程多是“开环”的（AI 写完 -> 人去测 -> 人反馈）。Boris 构建的是**闭环系统**（AI 写 -> AI 测 -> AI 改）。只要有了可靠的反馈机制（视觉验证、测试套件），AI 就能在不断的试错中收敛到正确结果，这才是 AI 能够独立完成任务的关键。

------

## 14. claude Code Skills 进阶实践

### 🚀 超越脚本的终极形态

Boris 展示了如何用 Slash Commands 和 MCP 连接工具，但这依然是零散的。通过研究 Anthropic 最新的官方规范，我们发现 Claude Code 真正的杀手锏其实是：**Agent Skills（代理技能架构）**。

这不是简单的写个脚本，而是定义了一种**标准化的能力封装协议**。如果说 `CLAUDE.md` 是公司的“宪法”，那么 Agent Skills 就是 Claude 的“岗位技能手册”。

### 🛠️ 我们的实践：构建标准化的 Skill 目录

我们不应满足于散落在各处的 Prompt，而应按照官方规范，构建可复用的 **Skill 文件夹**结构：

#### 1. 采用“三位一体”的目录结构

一个标准的 Skill 不是一个文件，而是一个目录：

- **`SKILL.md` (大脑)**：核心指令文件。包含 YAML Frontmatter（元数据）定义 `name` 和 `description`，以及 Markdown 格式的操作指南。这是 Claude 唯一“必读”的部分。
- **`scripts/` (肢体)**：存放 Python/Bash 脚本。用于处理需要精确执行、容错率低的逻辑（如数据清洗、格式转换）。这比让 LLM 自己写代码执行要稳定得多。
- **`references/` (海马体)**：存放 PDF 规范、API 文档或模版。这些是 AI 按需查阅的知识库。

#### 2. 利用“渐进式披露”机制 (Progressive Disclosure)

这是该架构最精妙的技术设计，旨在解决上下文窗口（Context Window）的限制：

- **静默态**：Claude 启动时，只加载所有 Skills 的 `name` 和 `description`（约 100 tokens），极度节省资源。
- **激活态**：只有当 Claude 判定当前任务需要该技能时（例如你提到“处理这个 PDF”），它才会动态加载该技能完整的 `SKILL.md` 指令。
- **执行态**：只有在真正执行细节时，才会去读取 `scripts/` 或 `references/` 中的具体文件。

#### 3. 设定“自由度” (Degrees of Freedom)

我们在编写 `SKILL.md` 时遵循“窄桥原则”：

- **低自由度**：对于发布生产环境的操作，我们提供固死的 `scripts/`，不给 AI 自由发挥的空间，确保 100% 的一致性。
- **高自由度**：对于“代码优化建议”类技能，我们只提供 Markdown 文本指导，让 Claude 发挥它的创造力。

### 🧠 技术视点：AI 的“Docker 化”时刻

Agent Skills 的出现意味着 **AI 能力的标准化和模块化**。

- **可移植性**：你可以把一个写好的 `data-analysis` Skill 文件夹打包发给同事，他的 Claude 瞬间就学会了如何分析公司特有的数据格式，无需任何 Prompt 调试。
- **程序性记忆**：以前我们通过 RAG 给 AI **陈述性记忆**（知识），现在我们通过 Skills 给 AI **程序性记忆**（方法）。

------

**结语**

Boris Cherny 的 13 步工作流，配合最新的 Agent Skills 架构，本质上是将程序员从**代码的实现者**，升级为了**代码生产系统的设计者与监督者**。

拒绝“聊天式”编程 - 深度解析 Claude Code 之父的系统化开发流



> 微软与支付巨头 Stripe 达成深度合作，正式推出 Copilot Checkout，允许用户在 Excel 或浏览器对话框中直接完成购物闭环。此举不仅升级了 AI 助手的商业价值，更掀起了全球科技巨头关于“AI 支付协议”的标准战役。

## 从对话到交易的无缝闭环

这项新功能标志着 AI 助手从单一的信息检索工具向高价值的交易终端转型。基于 **“代理商务协议”（Agentic Commerce Protocol）**，美国用户很快就能体验到“对话即下单”的便捷。

Copilot Checkout 首批支持的品牌阵容强大，包括手工电商巨头 Etsy，以及 Urban Outfitters、Anthropologie 等知名零售商。此外，通过与 Shopify 的底层集成，数百万中小商家将自动接入这一 AI 购物生态。想象一下，用户在处理 Excel 财务报表时，只需输入一句指令，即可完成办公用品的采购与支付，无需跳转至任何第三方 APP。

![Google_AI_Studio_2026-01-09T03_04_56.835Z.png](https://static.downly.cn/images/76b6db4f8e8fa68e248873bcf23eca56.png)
 <center>图源备注：图片由AI生成</center>

## 全球支付协议标准之战

Copilot Checkout 的推出，实质上是微软试图确立其在 AI 电商领域话语权的关键一步。目前，全球范围内已形成两大阵营的激烈对峙：

*   **微软与 OpenAI 阵营**：力推由 Stripe 驱动的 Agentic Commerce Protocol，并拉拢 PayPal 以确立信用卡与电子钱包的支付优势。
*   **谷歌阵营**：正在紧锣密鼓地开发 **“代理支付协议”（AP2）**。该标准已获得万事达卡、Coinbase 及 Adobe 等 60 多家企业的背书，其野心更大，不仅涵盖传统法币，还兼容稳定币等加密支付方式。

随着巨头纷纷入局，AI 助手正在演变为抽取佣金的关键流量入口，一场关于未来商业基础设施标准的战争已经打响。

微软联手Stripe推出Copilot结账功能 引爆AI代理支付标准之争


 > 亚马逊正式上线Alexa.com及全新的Alexa+服务，打破了仅靠语音交互的传统模式，允许用户通过浏览器直接对话。这一战略调整标志着亚马逊正从智能家居领域突围，试图在生成式AI助手市场与OpenAI展开正面厮杀。

## 走出音箱，Alexa登际网页端

长期以来被限制在Echo智能音箱中的Alexa，终于有了自己的专属网站。亚马逊近日低调推出了Alexa.com，专门服务于其下一代人工智能助手Alexa+。这一举动意味着，部分用户现在可以通过键盘和屏幕，像使用ChatGPT一样与Alexa进行深度交互。

目前的Alexa.com仅对Alexa+用户开放，采用候补名单制度。这表明该产品仍处于早期体验阶段，但其战略意义不言而喻：亚马逊不再满足于仅仅做“定闹钟”或“查天气”的语音助手，而是要提供具备复杂推理和自然语言处理能力的全面AI服务。

![Google_AI_Studio_2026-01-06T03_22_45.663Z.png](https://static.downly.cn/images/e4aa98a690a783933b3b6df5958a7afe.png)
 <center>图源备注：图片由AI生成</center>

## 战略突围：不甘做AI时代的旁观者

Alexa+早在去年2月便已发布，相较于传统版本，其在语音识别精度和语意理解深度上均有质的飞跃。此次网页版的推出，是亚马逊面对OpenAI等强敌环伺下的主动出击。

尽管Alexa在智能家居硬件市场拥有极高的占有率，但在生成式AI的浪潮中，其声量一度被ChatGPT和Claude掩盖。通过网页端入口，亚马逊试图提升用户黏性，并将Alexa的使用场景扩展至办公、创作等高价值领域。

## 助手大战进入新阶段

Alexa.com的上线不仅仅是一个产品更新，它是亚马逊在AI基础设施之外，争夺C端用户入口的重要一步。面对谷歌的Gemini和OpenAI的ChatGPT，亚马逊正试图利用其庞大的电商与服务生态，为Alexa+赋予差异化的竞争优势。未来，这场关于“谁是你的第一AI助手”的争夺战将更加激烈。

亚马逊推出Alexa网页版，正面迎战ChatGPT争夺助手入口



> **导语**
> Meta 以惊人的速度和数十亿美元的估值收购了 AI 初创公司 Manus，这不仅是其历史第三大收购案，更凸显了巨头对通用 AI 代理变现能力的急迫需求。Manus 强大的订阅收入与全能执行力，将成为 Meta 这一战略版图中的关键拼图。

## 十天敲定的资本神话

这是一场足以载入 AI 发展史的闪电战。社交媒体巨头 Meta 仅耗时十余天，便完成了对 AI 初创公司 Manus（母公司“蝴蝶效应”）的收购谈判。

据《晚点 LatePost》等媒体报道，交易速度之快甚至让早期投资人感到不真实。这笔交易是 Meta 继收购 WhatsApp 和 Scale AI 之后的第三大并购案。交易完成后，Manus 将保持独立运作，其创始人肖弘将出任 Meta 副总裁。此前，该公司在 B 轮融资中的估值已接近 5 亿美元。

## 通用 AI 代理的商业诱惑

Meta 如此急切地出手，看中的是 Manus 已经验证的商业化能力和技术壁垒。

Manus 的核心产品是一款“通用 AI 代理”，它超越了简单的对话，能够调度多种工具解决复杂问题，如筛选简历、分析股票走势或规划行程。这种全能性为其带来了强劲的现金流——Manus 今年的年度经常性收入（ARR）已达 1.25 亿美元。

此外，该团队此前开发的浏览器插件 Monica 已实现盈利，证明了其团队在产品落地上的深厚功底。Meta 计划将 Manus 的技术深度整合进 Facebook、Instagram 及智能眼镜生态，打造无处不在的智能助理。

![Google_AI_Studio_2025-12-30T02_56_59.151Z.png](https://static.downly.cn/images/888ff46dad646dc61f45cb1f02b99def.png) <center>图源备注：图片由AI生成</center>

## 中国创业者的全球突围

这桩并购案背后，是一支具有中国背景的年轻创业团队。蝴蝶效应由华中科技大学校友肖弘创立，团队汇聚了季逸超、张涛等 90 后连续创业者。

从武汉起步，迁至新加坡，最终被全球巨头高溢价收购，这支团队走出了一条不同寻常的路径。真格基金戴雨森评价称，这标志着中国年轻创业者已具备在全球舞台“不比资历、光明正大”竞技的实力。

对扎克伯格而言，面对投资者对 AI 巨额支出的质疑，Manus 的加入不仅带来了直接的订阅收入，更是其践行“超级智能”愿景、在与 OpenAI 和谷歌的竞争中抢占先机的关键一步。

![Google_AI_Studio_2025-12-30T02_57_10.475Z.png](https://static.downly.cn/images/5efdac85c31472c25e5cc12a23416480.png) <center>图源备注：图片由AI生成</center>


Meta 数十亿美元闪电并购 Manus


> **导语**：为了应对代理式AI面临的日益复杂的安全挑战，OpenAI 祭出了一项激进的防御策略。通过构建一套自动化的“攻击者系统”，让AI模拟黑客手段对自家的 ChatGPT Atlas 进行无休止的压力测试，试图在恶意第三方动手之前堵死那些可能导致隐私泄露的致命漏洞。

### 代理式AI的阿喀琉斯之踵

随着AI从单纯的对话机器人进化为能够操控浏览器的“智能代理”（Agent），安全风险的维度也被无限拉大。OpenAI 的 ChatGPT Atlas 浏览器能够深度介入用户的数字化生活，如访问邮件、管理日历甚至处理文档。然而，这种便利性恰恰暴露了巨大的攻击面。

其中最令安全团队头疼的莫过于**提示注入（Prompt Injection）攻击**。这并非传统的代码漏洞，而是针对大语言模型逻辑的“思维陷阱”。

![Google_AI_Studio_2025-12-24T02_39_13.402Z.png](https://static.downly.cn/images/64b5f5898770fd50fd4c820cb8538a71.png)

<center>图源备注：图片由AI生成</center>

在这种攻击模式下，恶意的第三方指令可以伪装成普通文本潜伏在网页中。一旦 AI 代理浏览到该页面，就可能在用户毫无察觉的情况下，被诱导执行违背用户意愿的操作——比如偷偷转发一封含有商业机密的邮件，或者删除云端的关键文件。

### “红队测试”的自动化升级

为了防御这种无孔不入的威胁，OpenAI 决定不再单纯依赖人类红队测试，而是开发了一套基于强化学习的“自动化攻击者”系统。

这套系统堪称不知疲倦的数字雇佣兵，它全天候模拟真实黑客的思维模式，不断尝试攻破 Atlas 的防线。据 AIbase 获悉，这套系统具备自主进化的能力，能够发现人类测试员未曾察觉的新型攻击路径。

在一次令人心惊的内部演示中，这个 AI 攻击者成功构建了一个场景：诱导 Atlas 浏览器向公司 CEO 发送了一封辞职信。尽管 Atlas 的多层防御机制最终拦截了这一请求并向用户发出了警示，但这惊险的一幕足以证明，安全防线与攻击手段之间的博弈从未停歇。

### 永无止境的安全博弈

OpenAI 在最新报告中坦言，代理式浏览器的安全博弈是一场持久战。由于 AI 代理必须理解并执行模糊的人类指令，这种“顺从性”本质上就难以彻底免疫欺诈指令。

虽然技术手段在不断进化，但官方警示称，这类安全威胁可能永远无法被彻底“根治”。这意味着，用户在享受 AI 浏览器带来的极致效率时，必须时刻保持警惕，关注官方的实时安全响应，避免让 AI 过度接管高敏感权限。

搜索结果: 浏览器