

> 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



> Claude Code 推出 MCP 工具动态搜索与 Tab 键智能补全两大更新，通过“懒加载”机制减少 85% Token 消耗，并大幅提升人机交互的灵活性与准确性。

## MCP工具搜索 告别上下文膨胀
作为领先的 AI 开发工具，Claude Code 近日发布的 MCP 工具搜索功能，被视为解决大型项目中上下文窗口占用的“杀手级”方案。在旧版本中，当用户安装大量 MCP 工具时，系统会预加载所有工具描述，导致启动阶段即消耗 20k 至 60k 甚至更多的 Token，严重挤压了实际编码的有效空间。

新功能引入了智能的“懒加载”机制。系统会自动实时监测，一旦 MCP 工具描述占用的上下文窗口超过 10%，即自动切换至搜索模式。此时，工具描述仅在被实际调用时动态加载。这一优化不仅能减少高达 85% 的 Token 消耗，更打破了工具数量的限制——即便是连接超过 100 个工具，系统依然能保持轻量化运行。

对于 MCP 服务器创建者，需特别注意配置 `server instructions` 参数，以确保工具能被精准检索。目前该功能已设为默认，开发者也可通过 `ENABLE_TOOL_SEARCH=true` 进行手动配置。这一更新彻底解决了长期困扰开发者的“Token Bloat”（Token 膨胀）痛点，让复杂生态下的开发体验更加流畅。

![Google_AI_Studio_2026-01-16T03_31_30.233Z.png](https://static.downly.cn/images/64ca0e949d505e7e807a7a68558f590e.png)
 <center>图源备注：图片由AI生成</center>

## Tab键交互进化 拒绝“半对半错”的纠结
另一项显著提升用户体验的更新是 Tab 键补充信息功能。这一创新直击 AI 辅助编程中的常见痛点 当 AI 生成的建议部分正确、部分错误时，用户往往陷入“全盘接受再修改”或“直接拒绝重写”的两难境地。

现在，通过引入 Tab 键交互，用户在决定接受或拒绝建议时，可以直接插入额外指令进行微调。例如，在看到提示建议后，按下 Tab 键即可进入编辑模式，快速修正不准确的逻辑，随后配合 Enter 键即时提交。这种精细化的交互方式，极大提升了人机协作的颗粒度。

此外，该功能还延伸至 Shell 命令环境，在 Bash 模式下提供更智能的命令补全建议。开发者普遍反馈，这一更新消除了处理“半成品”代码时的焦虑感，让开发流程更加符合人类直觉。Claude Code 的此次迭代，清晰地展示了 AI 工具正从“单纯的代码生成”向“高效的交互协作”进化的趋势。

Claude Code两大功能更新 MCP工具搜索重构上下文管理效率

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

Anthropic Claude Code Skills 深度解析



> 谷歌 DeepMind 研究员预测，2026年将成为 AI 技术的分水岭，持续学习能力将全面落地。这意味着 AI 将不再依赖静态训练数据，而是像人类一样在不断摄取新知识中自我进化，最终在2050年成为诺贝尔奖级科研的主力军。

## 技术拐点 2026年开启持续学习新纪元

持续学习（Continuous Learning）被视为 AI 通向通用智能的必经之路。谷歌 DeepMind 的最新研究指出，这一关键技术有望在2026年全面实现。不同于当前模型训练完成后即“固化”的状态，具备持续学习能力的 AI 能够在不间断运行中自主吸收新知、修正错误并优化策略。

谷歌已经在该领域取得实质性突破。在 NeurIPS 2025 大会上，团队提出的“嵌套化方法”显著提升了大语言模型的上下文处理与实时学习能力。Anthropic CEO Dario Amodei 亦对此表示认同，认为2026年将是该技术从实验室走向实用化的关键节点。届时，AI 将具备真正的“成长性”，彻底改变现有的模型迭代逻辑。

![Google_AI_Studio_2026-01-04T06_28_52.619Z.png](https://static.downly.cn/images/12c9cdc886284b710a9947b2458c86e2.png)
 <center>图源备注：图片由AI生成</center>

## 编程终局 2030年全自动编程将成现实

持续学习技术的成熟将直接引爆编程领域的革命。目前的 Claude Code 等工具已能大幅减少人类干预，而根据预测，到2030年，全自动编程将成为常态。

届时，AI 不仅是辅助工具，更将完全取代人类程序员的角色，独立承担从需求分析到代码实现、测试部署的全流程工作。研究人员甚至探讨了“智能爆炸”的可能性——当 AI 研发实现完全自动化后，系统将以超越人类理解的速度进行自我迭代，推动社会进入超智能时代。

## 科研愿景 2050年 AI 剑指诺贝尔奖

《自然》杂志的展望为 AI 的长远未来描绘了宏伟蓝图。预计到2050年，AI 系统将彻底重塑科学研究范式，成为诺贝尔奖级发现的核心驱动力。

未来的实验室将呈现全新景象：由 AI 算法驱动的自主系统与机器人实验员全天候协作，不知疲倦地探索科学边界。这种“无人化科研”不仅将指数级提升发现速度，更可能在人类无法触及的复杂维度上取得突破。DeepMind 的预测不仅是技术路线图，更是对人类文明认知边界的一次大胆扩容。

DeepMind 重磅预测：2026年 AI 将实现持续学习与自主科研


> 谷歌 Gemini API 首席工程师 Jaana Dogan 披露，Anthropic 的 Claude Code 仅凭借三段提示词，在一小时内生成了一个困扰谷歌团队长达一年的分布式代理编排系统。这一事件不仅令内部震撼，更标志着 AI 编程已从单纯的代码补全迈向了系统级架构构建的新纪元。

## 效率鸿沟 1小时碾压1年研发周期

在 AI 编程工具竞争日益白热化的背景下，谷歌内部的一次“破防”评价引发了行业深思。Jaana Dogan 透露，其团队曾花费一年时间试图构建一个复杂的分布式代理编排系统，但屡次受阻于架构分歧，未能成功落地。

当她尝试将同样的需求提交给 Claude Code 时，结果令人震惊：AI 仅用短短一小时便输出了一个结构清晰、逻辑完整且可直接运行的系统原型。尽管生成的代码在细节上仍需优化，但在完成度上已足以媲美人类团队一年的迭代成果。Dogan 感慨道，2022年 AI 的能力仅限于补全一行代码，而到了2025年，它已具备从零构建整个代码库的能力。这种指数级的进化速度，迫使曾断言“自动化编程还需五年”的行业专家们不得不重新审视当下的技术水位。

![Google_AI_Studio_2026-01-04T06_23_26.594Z.png](https://static.downly.cn/images/e915dba7e9baf74d93704ef5eaec66b9.png)
 <center>图源备注：图片由AI生成</center>

## 安全围栏 Google 内部限制竞品使用范围

尽管 Claude Code 展现了惊人的工程能力，但在谷歌内部，其应用场景受到严格限制。出于数据安全与合规考量，谷歌目前仅允许员工在开源项目中使用该工具，核心业务系统仍必须依赖自研的 Gemini 模型。

Dogan 强调，这种来自外部的强力竞争并非单纯的威胁，而是一种高效的激励机制。Claude Code 的表现正倒逼 Gemini 团队加速补齐短板，特别是在代码生成质量、复杂工具调用以及深层工程理解能力方面。这不仅是工具之争，更是对 AI 模型底层逻辑推理能力的终极考验。

## 范式革命 胜负手在于系统级构建力

Dogan 的经历揭示了 AI 编程领域的一个关键转折点：竞争维度已从初级的“单文件补全”升级为高阶的“复杂系统设计”。

真正具备替代初中级工程师潜力的模型，必须能够理解分布式架构、跨服务通信、状态一致性等复杂的工程概念。Claude Code 在此次任务中展现出的逻辑严谨性、长上下文推理能力以及对工程规范的遵循，证明了 Anthropic 在系统级构建力上的优势。

对于谷歌而言，这既是警钟也是催化剂。在未来的 AI 编程战场上，唯有持续交付可信赖、可维护、可扩展的代码，才能真正赢得开发者的心智。编程的未来已不再是探讨“是否会被取代”，而是开发者如何利用 AI 在一小时内完成过去一年的工作，从而去共创更高维度的技术价值。

谷歌工程师揭秘：Claude Code 仅用1小时完成团队一年开发量



> **导语**
> 年末科技圈再迎重磅炸弹，智谱科技发布的 GLM-4.7 模型在 WebDev 榜单上强势超越 GPT-5.2，问鼎开源大模型之首。凭借卓越的编码能力与更低的推理成本，它被开发者誉为 "Claude Code 的最佳平替"。

## 技术揭秘 后训练阶段的精细化打磨

在近期的 AMA 活动中，智谱团队不仅展示了成绩，更披露了技术跃迁的核心逻辑。GLM-4.7 的突围并非单纯依赖参数堆叠，而是得益于后训练阶段（Post-training）的极致优化。

团队在监督微调（SFT）和强化学习（RL）环节引入了更为精细的配方，这种策略显著提升了模型在复杂指令下的稳定性。除了性能，成本控制也是此次迭代的亮点。智谱明确表示，设计初衷是让高性能模型能够跑在消费级显卡上，这种 "亲民" 的算力需求，为个人开发者和中小企业的大规模部署扫清了障碍。

![Google_AI_Studio_2025-12-29T03_19_21.225Z.png](https://static.downly.cn/images/147bd94fc3fcbe41f7be5712d8d40fb1.png)
 <center>图源备注：图片由AI生成</center>

## 全能表现 从代码构建到角色扮演

GLM-4.7 正在展现出 "全能选手" 的潜质。在代码领域，它对 Python 和 JavaScript 等主流语言的支持更加稳健，不仅能完成基础编码，还能在调试和执行复杂开发任务时展现出清晰的逻辑链条。

更有趣的是，该模型的 "情商" 也得到了进化。在创意写作和角色扮演任务中，GLM-4.7 能够长时间保持角色设定的一致性，大幅减少了以往模型常见的 "出戏" 现象。这种灵动性使其在游戏 NPC 对话、虚拟陪伴等感性交互场景中也具备了极高的应用价值。

与此同时，智谱宣布开源自研的 Slime 框架，旨在反哺社区，提升大模型强化学习的效率。团队承诺，即便在商业化进程加速的背景下，对开源生态的投入不仅不会缩减，反而会作为公司成长的核心动力持续加强。

搜索结果: Claude Code