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

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

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