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
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。
Plan / Skill / AGENTS.md / 安全边界 / 效果评估
layout: section
现在更准确的说法是：
AI 围绕一个目标持续工作：
| 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
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
优点：
局限：
结论：
代表：
特点：
结论：
关键词：
变化是什么：
从“我和一个 AI 对话”
变成
layout: section
同一个模型：
一旦把规则、命令、边界、流程固化：
AGENTS.md > Skill > MCP原因：
AGENTS.md 解决项目统一口径不要反过来。
AGENTS.md 是干嘛的它是：
适合写什么：
价值：
Skill 更适合承载的是：
本质上是：
而不只是“外部连接协议”。
一句话：
MCP 更适合：
它解决的是：
不是：
典型隐性规则包括：
这些更适合写进 AGENTS.md 和 Skill。
layout: section
| 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 不是一个插件，而是一套协议。
核心结构：
核心能力：
工作方式：
Skill 不是一段 prompt。
它更像一个目录化的工作流包：
SKILL.md关键点：
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：
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：
layout: section
一旦 agent 能：
风险模型就完全变了。
真正要讲的是：
高风险动作例子：
layout: section
Demo 常常只回答：
团队真正该问的是：
SWE-bench 的价值：
它能说明：
但它不能直接等于：
一句话：
layout: section
目标不是“让 AI 替代人”
而是：
全局级：
项目级：
价值不在“多高级”
而在：
接口字段变更时：
效果：
AGENTS.md这个顺序比“先堆工具再补治理”更稳。
layout: section
AGENTS.md > Skill > MCP讨论关键词：
Agentic Coding / Skill / MCP / AGENTS.md / CLAUDE.md