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
从辅助编码到一体化研发：AI 编程团队落地实践（PPT）
一份 Slidev 风格的中文演示稿：解释 Agentic Coding、Skill 与 MCP、AGENTS.md 与 CLAUDE.md、沙箱和权限控制，以及团队如何用 Plan、YApi Skill 和 docs-sync 把 AI 编程真正落地。
郭立 · · 10 分钟阅读 · PPT
UV -- · PV --
本页目录
1.团队如何真正把 AI 编程用起来2.Agentic Coding3.更像“增强版编辑器”4.这是 Agentic Coding 最值得关注的一条路线5.“我在调度一组 agent 干活”6.AGENTS.md > Skill > MCP7.仓库级持久说明书8.方法、步骤、约束、脚本9.Skill 更像“标准作业程序”10.连接问题11.团队方法论问题12.按需加载，而不是一直占上下文13.它们都不是工具调用器，而是长期上下文入口14.评估 AI 编程不能只看 demo 视频和单次样例15.你们团队已经提效16.要看真实任务完成质量，不只看生成速度17.让 AI 进入研发流程，变成稳定生产力18.高频、稳定、可复用、可审查
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
-
IDE 内联补全型
Cursor / Copilot / Windsurf -
终端 Agent 型
Codex CLI / App / Claude Code -
多 Agent / 异步协作型
worktree、review queue、automations -
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
- 更适合沉淀团队方法
- 更容易版本化和评审
- 权限面通常更小
- 复现性更强
- 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
- 解决连接，不解决方法
- 治理成本更高
- 安全面更大
- 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：
- initialize
- capability negotiation
- 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
- 默认最小权限
- 限定文件系统边界
- 网络白名单
- 所有越权都可见
- 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
- 先写好
AGENTS.md - 把高频任务做成 Skill
- 只把必要的外部系统接 MCP
- 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
- AI 编程已经从“补全代码”进入“Agentic Coding”
- 团队落地的关键不是模型参数，而是上下文工程
- 默认优先级应该是
AGENTS.md> Skill > MCP - 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
同分类的更多文章 · AI & Agent
2026年3月18日
21 分钟阅读
从辅助编码到 Agentic Coding：团队如何真正把 AI 编程用起来
围绕 Agentic Coding 的核心问题，系统梳理主流工具形态、Skill 与 MCP 的边界、AGENTS.md 与 CLAUDE.md 的作用原理、沙箱与权限控制，以及如何用真实任务和 benchmark 评估 AI 编程，而不是只看 demo。
→
2026年10月10日
1 分钟阅读
一分钟看懂 iphone-use：让 AI 更顺手地用你的 iPhone
iphone-use 的一分钟介绍视频，手机画面全是真机录的：AI 读屏幕、按名字点按钮、没点到就直说，跑通的任务重放不花 token。
→
2026年9月30日
4 分钟阅读
Claude Code 和 Codex 怎么一起用？我写了个工具让它们互相叫醒、互发消息，还能跨电脑
同一台电脑上开着 Claude Code、Codex、Pi，它们却互相看不见。ocs 给所有 AI 编码会话一条共享频道，并把目标会话真正叫醒；0.6 起连局域网里的另一台电脑也能叫。这篇讲怎么用，以及做它时踩过的几个「看起来成功、其实丢了」的坑。
→
管理员内容操作
仅管理员可见。点击后将物理删除该文章内容（含跨语种联删规则）。
微信
支付宝
评论
评论发布后会立即公开，如触发规则可能被审核下架。