# 从辅助编码到一体化研发：AI 编程团队落地实践（PPT）

# 从辅助编码到一体化研发
## 团队如何真正把 AI 编程用起来

Plan / Skill / AGENTS.md / 安全边界 / 效果评估

---
layout: section
---

# 1. 先把概念讲清楚

---

# 什么是 AI 编程

- 不只是补全代码
- 不只是回答“这段代码什么意思”
- 不只是生成一个函数或组件

现在更准确的说法是：

## Agentic Coding

AI 围绕一个目标持续工作：

- 读代码库
- 理解规范
- 拆解任务
- 改文件
- 跑命令
- 执行测试
- 汇报结果

---

# Agentic Coding 和传统 AI 编码的区别

| 维度 | 传统 AI 编码 | Agentic Coding |
|------|--------------|----------------|
| 输入 | 一段 prompt | 仓库 + 规则 + 工具 + 权限 |
| 输出 | 代码片段 / 建议 | 可审查的过程和结果 |
| 工作范围 | 当前文件 / 当前问题 | 多文件 / 多步骤 / 长链路任务 |
| 工具能力 | 补全、解释、生成 | 读写代码、跑命令、测试、调用工具 |
| 协作方式 | 问答式 | 任务式 / agent 式 |

---
layout: section
---

# 2. 主流工具长什么样

---

# 今天主流工具的 4 种形态

1. IDE 内联补全型  
   Cursor / Copilot / Windsurf

2. 终端 Agent 型  
   Codex CLI / App / Claude Code

3. 多 Agent / 异步协作型  
   worktree、review queue、automations

4. 企业流程接入型  
   issue / docs / CI / design / review

---

# IDE 内联补全型

优点：

- 快
- 不打断心流
- 适合日常编码
- 适合局部修改

局限：

- 更适合短任务
- 多步骤任务能力有限
- 上下文通常围绕当前文件

结论：

## 更像“增强版编辑器”

---

# 终端 Agent 型

代表：

- Codex App / CLI
- Claude Code

特点：

- 直接操作代码库
- 能跨目录改文件
- 能跑命令和测试
- 更适合大任务、长任务
- 更接近“合作开发者”

结论：

## 这是 Agentic Coding 最值得关注的一条路线

---

# 多 Agent / 异步协作型

关键词：

- 多 agent 并行
- worktree 隔离
- review queue
- automations
- 长任务异步运行

变化是什么：

从“我和一个 AI 对话”

变成

## “我在调度一组 agent 干活”

---
layout: section
---

# 3. 真正决定效果的不是模型参数

---

# 为什么上下文工程更重要

同一个模型：

- 没有规范时，输出常常“像是对的”
- 没有边界时，容易越权
- 没有流程时，返工和审查成本很高

一旦把规则、命令、边界、流程固化：

- 稳定性提升
- 可复用性提升
- 团队协作成本下降

---

# 我建议团队建设顺序

## `AGENTS.md` > Skill > MCP

原因：

- `AGENTS.md` 解决项目统一口径
- Skill 解决高频流程复用
- MCP 解决外部系统接入

不要反过来。

---

# `AGENTS.md` 是干嘛的

它是：

## 仓库级持久说明书

适合写什么：

- 仓库结构
- 能改什么、不能改什么
- 测试和构建命令
- 代码风格和评审要求
- 历史坑和业务约束

价值：

- 每次对话自动带上项目规则
- 降低“重复交代项目背景”的成本

---

# 为什么 Skill 比 MCP 更适合团队先落地

Skill 更适合承载的是：

- code review
- changelog 生成
- YApi docs-sync
- 问题排查
- 发布检查
- onboarding

本质上是：

## 方法、步骤、约束、脚本

而不只是“外部连接协议”。

---

# Skill 的 5 个优势

1. 更适合沉淀团队方法
2. 更容易版本化和评审
3. 权限面通常更小
4. 复现性更强
5. 更适合先落地、再扩展

一句话：

## Skill 更像“标准作业程序”

---

# MCP 有用，但不是默认答案

MCP 更适合：

- Figma
- Jira / Linear
- Google Drive / Docs
- Slack / 外部知识库
- 实时数据系统

它解决的是：

## 连接问题

不是：

## 团队方法论问题

---

# MCP 的几个现实问题

1. 解决连接，不解决方法
2. 治理成本更高
3. 安全面更大
4. 不适合承载项目隐性规则

典型隐性规则包括：

- 哪个目录不能碰
- 哪个字段不能改
- 哪组测试必须跑
- 哪类问题先看哪些日志

这些更适合写进 `AGENTS.md` 和 Skill。

---
layout: section
---

# 4. 原理层要讲明白

---

# 模型怎么知道什么时候用这些机制

| 机制 | 本质 | 谁触发 |
|------|------|--------|
| `AGENTS.md` | 仓库级持久说明书 | agent / 宿主启动任务时读取 |
| `CLAUDE.md` | Claude Code 持久说明文件 | 启动时加载，子目录按需加载 |
| Skill | 可复用工作流包 | 模型匹配或用户显式指定 |
| MCP Prompt | 模板 prompt | 用户触发 |
| MCP Resource | 外部上下文 | 应用附加或用户引用 |
| MCP Tool | 外部动作接口 | 模型决定调用 |

---

# MCP 原理是什么

MCP 不是一个插件，而是一套协议。

核心结构：

- host
- client
- server

核心能力：

- prompts
- resources
- tools
- sampling

工作方式：

1. initialize
2. capability negotiation
3. normal operation

---

# Skill 原理是什么

Skill 不是一段 prompt。

它更像一个目录化的工作流包：

- `SKILL.md`
- scripts
- references
- resources

关键点：

## 按需加载，而不是一直占上下文

这也是 Skill 能比“大段系统提示”更高效的原因。

---

# `CLAUDE.md` 和 `AGENTS.md` 的区别

共同点：

- 都是持久说明文件
- 都用于给 coding agent 注入项目规则

区别：

- `CLAUDE.md`：Anthropic 公开了更细的加载机制
- `AGENTS.md`：OpenAI 明确说它提供 persistent context，但实现细节公开较少

结论：

## 它们都不是工具调用器，而是长期上下文入口

---
layout: section
---

# 5. 安全、沙箱、权限控制

---

# AI 编程不能只讲效率

一旦 agent 能：

- 读文件
- 改代码
- 跑命令
- 联网

风险模型就完全变了。

真正要讲的是：

- 文件系统隔离
- 网络隔离
- 最小权限
- 人工确认
- 全链路可追踪

---

# 我建议团队至少做到 5 件事

1. 默认最小权限
2. 限定文件系统边界
3. 网络白名单
4. 所有越权都可见
5. 高风险动作必须人工确认

高风险动作例子：

- 推送远程分支
- 改生产配置
- 删除大量文件
- 跑数据库变更
- 调真实线上写接口

---
layout: section
---

# 6. 怎么衡量效果，不只看 demo

---

# 为什么不能只看演示

Demo 常常只回答：

- 它看起来聪不聪明
- 它会不会生成一段像样的代码

团队真正该问的是：

- 它能不能稳定处理真实任务
- 它能不能在团队环境里复现
- 它引入多少返工和审查成本
- 它到底有没有提升交付效率

---

# 外部 benchmark 能看什么

SWE-bench 的价值：

- 真实 GitHub issue
- 可复现评测环境
- 看的是“能不能真正修好并通过测试”

它能说明：

## 评估 AI 编程不能只看 demo 视频和单次样例

但它不能直接等于：

## 你们团队已经提效

---

# 团队更该追踪的 8 个指标

- 首个可用 patch 时间
- 任务完成率
- 一次合并率
- 人工返工时长
- 测试通过率
- 评审驳回率
- 文档同步率
- 安全越权次数

一句话：

## 要看真实任务完成质量，不只看生成速度

---
layout: section
---

# 7. 回到团队真实落地

---

# 我们现在的落地方式

- Plan 模式先拆解后开发
- Skill 体系固化高频流程
- YApi docs-sync 统一接口事实源
- Changelog 保留变更留痕
- AI 做第一轮审查，人做最终判断

目标不是“让 AI 替代人”

而是：

## 让 AI 进入研发流程，变成稳定生产力

---

# 在我们团队里，哪些 Skill 最有价值

全局级：

- YApi Skill
- ZenTao Skill

项目级：

- 日志 Skill
- KV Skill
- 数据库 Skill

价值不在“多高级”

而在：

## 高频、稳定、可复用、可审查

---

# 一个真实协同案例

接口字段变更时：

- 后端：改代码
- 后端：用 YApi Skill 做 docs-sync
- 前端：读 YApi 变更
- 前后端：按 Plan 对齐联调

效果：

- 文档和代码更一致
- 减少重复沟通
- YApi 成为唯一事实源

---

# 团队落地的最务实顺序

1. 先写好 `AGENTS.md`
2. 把高频任务做成 Skill
3. 只把必要的外部系统接 MCP
4. 最后再谈 automations 和 multi-agent

这个顺序比“先堆工具再补治理”更稳。

---
layout: section
---

# 8. 最后只记住 4 句话

---

# 核心结论

1. AI 编程已经从“补全代码”进入“Agentic Coding”
2. 团队落地的关键不是模型参数，而是上下文工程
3. 默认优先级应该是 `AGENTS.md` > Skill > MCP
4. 评价 AI 编程不能只看 demo，要看边界、质量和真实研发指标

---

# 参考材料

- OpenAI《Introducing Codex》
- OpenAI《Introducing the Codex app》
- OpenAI PDF《How OpenAI uses Codex》
- Anthropic《Claude Code overview》
- Anthropic《How Claude remembers your project》
- Anthropic《Making Claude Code more secure and autonomous with sandboxing》
- MCP 官方规范 / MCP Architecture
- SWE-bench 官方 Overview

---

# 谢谢

讨论关键词：

`Agentic Coding` / `Skill` / `MCP` / `AGENTS.md` / `CLAUDE.md`