

> 无人车不仅是交通工具，更是移动的“注意力收割机”。Waymo 与 Gemini 的深度融合，是谷歌将搜索和AI优势向线下物理空间延伸的战略级卡位战。

自动驾驶巨头 Waymo 宣布，其定制化出租车 Ojai 将全面接入谷歌自家的 Gemini 大模型。这意味着乘客在车内不仅能体验到无人驾驶，还能通过全息或语音与车内的 AI 助理进行深度交互。表面上看，这只是为了提升乘坐体验的一次座舱系统升级，但将其置于硅谷科技巨头的战略棋盘中，这实则是谷歌为了防御竞争对手，在移动出行领域构筑的一座坚固的生态护城河。

## 运力与算力的双向奔赴

**闲置时间的商业化收割**　在传统的网约车模式中，乘客在车内的半小时是一段毫无商业价值的“垃圾时间”。Waymo 接入 Gemini 后，车厢瞬间变身为一个具备极强沉浸感的空间计算终端。无论是基于地理位置的精准商圈推送，还是针对个人喜好的沉浸式数字娱乐，谷歌将自己在互联网时代最擅长的“注意力变现”模式，完美平移到了物理世界的密闭空间中。

**从代步工具到数据探针**　无人驾驶车辆每天穿梭在城市的大街小巷，本身就是最强大的数据收集器。Gemini 的接入让这些数据不仅停留在路况层面，更深入到了乘客的交互行为与消费意图。车内的高频语音交互、兴趣点查询将直接反哺谷歌的底层大模型训练，形成一条竞争对手无法复制的高质量数据输送通道。
![42.jpg](https://static.downly.cn/images/aa11a2d0c5f539fc21a1235ee0c78387.jpg)
<center>图源备注 图片由AI生成</center>

## 智能出行赛道的估值重估

**车企防御战的被迫升级**　Waymo 与 Gemini 的合体，让传统车企与新势力感到了极大的压迫感。当自动驾驶能力逐渐同质化，车内的 AI 交互体验将成为决定市场份额的核心要素。缺乏自研大模型能力的车企，将被迫依附于其他科技巨头，沦为单纯的“五金加工厂”。出行赛道的竞争，正式从底盘与雷达的硬件较量，升维为大模型生态的入口争夺。

**排他性护城河的终局推演**　面对特斯拉 Robotaxi 的步步紧逼以及苹果退出造车后的暗流涌动，谷歌必须牢牢锁死自动驾驶与车内交互的软硬一体化优势。Waymo 的运力规模加上 Gemini 的认知智能，将构建起极高的转换成本。未来，谷歌完全可能将这套闭环系统作为标准协议向第三方车队输出，从而确立其在下一代交通网络中的绝对霸主地位。
![43.jpg](https://static.downly.cn/images/dc7e5d9b36122dcc0649dec7a87db08c.jpg)
<center>图源备注 图片由AI生成</center>

在这场出行革命中，车轮去往哪里已经不再重要，重要的是谁掌控了车内那双无形的眼睛。

Waymo深度捆绑Gemini 谷歌系无人驾驶的生态闭环阳谋



> 当科技巨头抛出极具视觉冲击力的末日倒计时，往往是为了掩盖算力增长瓶颈与商业化变现的焦虑。用AI替换人力远非简单的软件升级，其背后的合规地雷足以拖垮激进的转型者。

## 激进时间表背后的资本焦虑与公关叙事

微软AI CEO抛出的“18个月内自动化所有白领工作”的论调，无疑在公众与资本市场投下了一枚深水炸弹。但刺破这层充斥着未来主义色彩的公关话术，其内核不过是一场精心策划的预期管理。当前，生成式大模型的参数规模已逼近物理与数据双重瓶颈，算力中心的建设成本呈现出指数级飙升。为了维持资本市场对极高估值的耐心，科技巨头必须构建一个足够庞大且紧迫的商业故事。

核心矛盾　将白领工作简单等同于“文本生成”与“数据搬运”，是对现代企业复杂协作网络的严重低估。白领阶层的核心价值往往不在于输出标准化文档，而在于应对模糊指令、处理人际博弈以及在不完美信息下进行责任背书。宣扬18个月的替换周期，与其说是技术路线图，不如说是向企业级客户兜售Copilot订阅授权的催化剂。

![22.png](https://static.downly.cn/images/4da345dac5d1d4b12785089723ef5da7.png) <center>图源备注 图片由AI生成</center>

## 遗留系统与合规地雷构筑的物理隔离墙

即使大模型在测试集上的表现已经远超人类，但要将其真正嵌入千行百业的工作流，仍面临着难以逾越的工程鸿沟。全球成千上万家企业仍在依赖二十年前的遗留IT系统（Legacy Systems）运转。这些系统缺乏标准化的API接口，数据结构极度混乱，且充斥着未被记录的“祖传代码”。

落地阻碍　试图让现代AI去接管这些充满历史包袱的闭环系统，不仅会产生天文数字的集成成本，更可能引发连锁的系统级灾难。此外，金融、医疗、法律等高价值白领岗位，受制于极其严格的数据隐私合规要求。任何将核心客户数据输入云端大模型导致的数据泄露风险，其面临的监管罚单都远超AI节省下的人力成本。

![23.png](https://static.downly.cn/images/0f434fee4292086c02a312abe7da1461.png) <center>图源备注 图片由AI生成</center>

## 幻觉惩罚与高风险商业决策的责任真空

生成式AI至今未能根除其固有的“幻觉”问题。在低容错率的商业场景中，这种随机出现的错误是致命的。当一份包含虚构判例的法律文书被提交至法庭，或一份伪造数据的财务报表导致投资失败，责任的界定将成为法律真空。

清醒预判　企业很快会发现，为了纠正和监督AI产生的低级错误，他们不得不聘请更多具备高级审查能力的员工。所谓的“自动化”，最终会演变成昂贵的“人机协同纠错”。在未来的很长一段时间内，AI不会消灭白领，而是会淘汰那些无法熟练使用AI的白领。18个月的激进预测，终将在现实的合规成本、安全审查与责任归属的泥潭中被不断延期。

微软AI高管十八个月自动化白领工作论调的现实阻碍与隐性成本



> 当AI开始跨越代码生成的门槛，亲自下场调优底层架构时，碳基研究员的经验壁垒正在消解。这标志着模型自我进化的技术闭环完成了最关键的拼接。

## 从参数微调到架构重构的越级打击

在机器学习领域，架构设计与超参数优化一直被视为属于人类直觉与灵感的黑盒艺术。即便是最顶尖的算法科学家，也需要依靠漫长的炼丹经验，在无数次失败的梯度爆炸中寻找微弱的收敛希望。然而，当智能体在nanoGPT赛道上不仅追平甚至超越人类基准时，这种属于碳基大脑的炼丹特权被彻底打破。

底层逻辑的变革在于搜索空间的降维解析　过去的人类研究员依靠经验去猜测哪些注意力机制的变体可能有效，而AI智能体则是将其转化为高维度的自动化强化学习问题。智能体能够以毫秒级的速度审视代码逻辑，自主编写测试脚本，修改网络层数或激活函数，并根据损失函数的反馈迅速调整策略。这种探索不再是盲目的穷举，而是建立在大规模预训练对底层数学规律深刻理解之上的精准打击，它绕过了人类对复杂矩阵运算的认知盲区。

![32.png](https://static.downly.cn/images/bc1d4e4308ad25762e8fc59002f0bfcc.png) <center>图源备注 图片由AI生成</center>

## 算力黑盒中的炼丹自动化

要理解这一突破的颠覆性，必须解构其背后的自动化闭环系统。在nanoGPT这样一个精简但极具代表性的Transformer架构中，智能体实际上扮演了架构师、程序员与测试员的三重角色。系统首先解析当前的损失函数瓶颈，随后在庞大的架构演进历史中寻找可以借鉴的模块。

突破的核心在于元学习能力的觉醒　智能体不仅学会了如何优化一个特定的模型，更学会了如何优化优化过程本身。当遇到梯度消失时，它不再像初级开发者那样只会机械地调整学习率，而是能创造性地介入残差连接的底层逻辑，甚至推演出前所未见的归一化方法。在这个算力黑盒中，机器验证假说的速度比人类在白板上推演公式的速度快了数万倍，这使得人类凭借直觉积累的经验法则在绝对的迭代速度面前显得破绽百出。

![33.png](https://static.downly.cn/images/1dfe7970acd9ed0f753455e866d0759c.png) <center>图源备注 图片由AI生成</center>

## 开发者生态的二次折叠

这一技术里程碑引发的连锁反应将迅速波及整个AI开发者生态。过去，优化模型架构的顶级人才在硅谷享有天价薪酬，因为他们掌握着让模型性能提升几个百分点的核心机密。而现在，随着自动化架构搜索智能体能力的溢出，这种调优能力即将被封装成廉价的云端服务。

未来的算法工程师将不再需要纠结于底层张量的维度对齐或是枯燥的超参调试，他们的核心职责将向上层跃迁，转移到对数据质量的把控与业务目标的对齐上。这既是一种算力层面的解放，也是一次极其残酷的技能折叠。掌握AI进行底层优化的能力，将成为下一代技术极客入场的最低门槛，而那些依旧沉迷于手动炼丹的研究者，将被自我进化的机器滚滚履带无情碾过。

智能体突破nanoGPT人类优化基准 机器自主探索模型架构的底层逻辑



> 借助 OpenAI 的 Codex 模型，思科成功将软件开发从“人为主导”转向“AI 原生”模式。通过引入 Agentic AI（智能体 AI），思科不仅实现了代码补全，更在 C/C++ 等复杂环境中构建了自动化的编译测试修复闭环，将数周的工作量压缩至数小时。

## 从辅助工具到工程队友

在全球技术巨头纷纷探索 AI 落地的浪潮中，思科（Cisco）率先迈出了决定性的一步。公司近日宣布，已将 OpenAI 的 Codex 模型深度集成至其核心企业软件构建流程中。这一举措不仅是工具层面的升级，更标志着 AI 在企业研发体系中的角色发生了质变——从单纯的代码补全助手，进化为具备实战能力的“工程队友”。

思科工程团队强调，真正的生产力飞跃源于思维模式的根本转变。在传统的开发流程中，AI 往往仅作为辅助插件存在；而在思科的全新架构中，AI 被视为团队的一员，拥有处理复杂逻辑和长时任务的权限。这种“AI 原生”的开发理念，正在重新定义大型科技公司的软件工程标准。

![Google_AI_Studio_2026-01-21T03_10_23.186Z.png](https://static.downly.cn/images/e944673a9755ac4986ddf45915105074.png)
<center>图源备注：图片由AI生成</center>

## 智能体闭环与效率飞跃

不同于简单的代码生成，思科将 Codex 嵌入到了极为复杂的生产工作流中，特别是针对涉及 C/C++ 等底层语言的大规模代码库。为此，思科开发了一套基于 Agentic AI 的智能体系统，实现了“编译-测试-修复”的全自动化闭环。

在这一闭环中，AI 能够自主识别编译错误，生成修复方案并重新测试，直至通过验证。这种高度自主化的流程对效率的提升是颠覆性的。数据显示，原本需要资深工程师耗费数周才能完成的手动修复工作，现在仅需数小时即可完成。在复杂的 UI 框架迁移任务中，原本漫长的工期被压缩到了短短几天，展现了 AI 在处理遗留代码债务方面的巨大潜力。

## 数据验证与未来展望

思科公布的实测数据进一步印证了这一模式的成功。其内部开发的 CodeWatch 系统在部署 AI 后，缺陷解决的吞吐量惊人地增加了 10 至 15 倍。在跨仓库构建流程优化方面，AI 的介入使得思科每月在全球范围内节省了超过 1500 个工程小时，整体构建时间缩减了约 20%。

展望未来，思科与 OpenAI 的合作将不再局限于代码层面。双方计划在合规性审查、安全控制以及长时任务管理等深水区进行联合探索。这表明，AI 在企业级软件工程中的应用，正从单纯追求速度，向追求质量、安全与稳定性的全维度进化。

思科重塑软件工程 AI智能体驱动自动修复闭环

<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**。

搜索结果: 闭环系统