Agent Skills：终结AI编程Agent跳过测试的顽疾

为什么你的AI Agent总在偷懒？

用AI写代码时，你或许遇到过这种情形：Agent飞快地生成一堆代码，然后轻描淡写地说“测试稍后补上”，接着就宣布任务完成。这种“走捷径”的行为几乎成了编码Agent的通病——它们倾向于用最短路径交付结果，而最短路径往往跳过测试、跳过验证，只留下一句“看起来没问题”。

YouTube上的一期视频介绍了一个名为 Agent Skills 的开源项目，作者是 Addy Osmani。这个项目在GitHub上已经收获超过十万颗星，目标很明确：用结构化流程逼Agent走完从定义到上线的每一步，杜绝偷工减料。

Agent Skills 是什么？

Agent Skills 提供了一套包含 25个技能 的框架，覆盖软件开发的完整生命周期：定义（Define）、规划（Plan）、构建（Build）、测试（Test）、评审（Review）、交付（Ship）。每个阶段都配有对应的斜杠命令（Slash Command），让Agent按照既定流程推进，而不是自由发挥。

它采用 MIT 许可证，意味着你可以自由使用、修改和分发。更实用的是，它兼容多个主流AI编程环境：Cloud Code、Cursor、Codex 和 Gemini CLI。无论你习惯哪个工具，都能直接接入这套技能体系。

核心机制：用斜杠命令锁死流程

/spec：先写规格，再写代码

任何开发任务的起点都应该是明确需求。/spec 命令要求Agent在动手写代码之前先输出一份规格说明。这一步看似简单，却能有效防止Agent“凭感觉”编码，减少后期返工。

/plan：把大任务拆成小步骤

/plan 命令将整体需求切分成一系列可执行的小任务。视频作者特别提到这是他最喜欢的部分——因为小任务更容易被逐一验证，Agent也很难在拆分后的步骤中蒙混过关。

斜杠命令（Slash Command） 是指在聊天式AI编程界面中以 / 开头的快捷指令，例如 /spec、/plan。它的作用是把一段预设的、结构化的提示词（Prompt）或工作流封装成一个可复用的命令，用户输入命令名即可触发对应的完整流程，而无需每次手写长篇指令。在 Cursor、Claude Code 等工具中，斜杠命令通常由项目内的配置文件或技能包定义，可携带参数、约束条件和输出格式要求。Agent Skills 正是利用这一机制，把“先写规格、再拆任务、然后测试”等纪律固化为可一键调用的命令，从而降低开发者执行规范流程的操作成本，也让Agent难以忽略既定步骤。

最亮眼的设计：预判Agent的借口

Agent Skills 真正让人眼前一亮的地方，是它为每个技能都列出了 Agent可能用来跳过步骤的借口，并提前给出了反驳。比如，Agent会说：“等代码跑通了，我再补测试。”而技能内置的回复是：“你不会。”

这看起来像是一句玩笑，但背后是对AI行为模式的深刻洞察。大语言模型在面对多步任务时，倾向于选择阻力最小的路径，而测试、验证这些环节往往被视作“额外负担”。Agent Skills 把这些借口摆到台面上，相当于给Agent打了一剂预防针，迫使它直面自己的惰性。

大语言模型（LLM）的“阻力最小路径”倾向 指的是模型在多步任务中倾向于生成最省力、最符合训练分布的回答，而非严格遵循完整流程。这并非模型“有意偷懒”，而是其优化目标（预测下一个词）与任务完整性之间天然存在张力：测试、验证等步骤在训练语料中常以“后续补充”的形式出现，模型便学会了用模糊承诺代替实际执行。此外，长上下文中的指令衰减也会让模型逐渐淡忘早期设定的约束。Agent Skills 通过在每个技能中显式列出“借口—反驳”对，相当于在提示词层面不断重申约束，对抗这种倾向。

以证据收尾：拒绝“看起来没问题”

每个技能都以 可验证的证据 作为结束条件。不再接受“看起来没问题”这种模糊判断，而是要求提供：通过的测试、构建输出、真实数据。换句话说，Agent不能自己宣布胜利，必须拿出实实在在的成果来证明任务完成。

这一设计把“完成”的定义从主观判断变成了客观标准，大幅降低了AI交付半成品却无人察觉的风险。

可验证证据（Verifiable Evidence） 在AI辅助开发中，指能够被外部工具或人类独立复核的客观产物，例如测试运行报告（通过/失败的用例数）、构建日志、覆盖率数据、diff 补丁或实际运行输出。它与模型自述的“已完成”“没问题”有本质区别：后者是主观声明，无法证伪；前者可被复现和审计。要求Agent以证据收尾，实质是把“完成”的判定权从模型转移到可观测的工件上，这与软件工程中的“定义完成（Definition of Done）”实践一脉相承，也是防范AI幻觉式交付的关键手段。

与“Superpowers”的对比

如果你看过作者之前关于“Superpowers”的视频，Agent Skills 仓库里甚至专门有一页对比两者的差异。这说明作者在持续迭代自己的方法论，并且愿意把不同方案的优劣公开呈现。对于开发者来说，这也提供了一个选择参考：根据团队的工作流和工具链，决定用哪套技能体系更合适。

谁适合用 Agent Skills？

如果你已经在要求Agent“先规划再动手”，Agent Skills 能帮你把这一标准贯穿到交付的最后一刻。它适合以下场景：

• 使用 Cursor、Claude Code 等工具进行AI辅助开发的个人开发者
• 希望规范团队内AI编码流程的技术负责人
• 对AI生成代码质量有较高要求、不愿在测试上妥协的工程师

MIT 许可证 是一种宽松型开源许可证，允许任何人自由使用、复制、修改、合并、发布、分发、再许可和销售软件，只要在副本中保留原版权声明和许可声明即可。它不要求衍生作品同样开源（区别于 GPL 的“传染性”），因此对企业内部使用和商业集成非常友好。Agent Skills 采用 MIT 许可证，意味着团队可以将其技能定义直接嵌入私有工作流、按需裁剪或二次开发，而不必担心许可证合规负担，这也是它能在开发者社区快速传播的原因之一。

一点冷思考

Agent Skills 的价值不在于发明了新技术，而在于把软件工程中本就存在的纪律——写规格、拆任务、跑测试、要证据——固化成了Agent必须遵循的流程。它用25个技能和斜杠命令，把“自律”外包给了框架。

不过，这类工具的效果最终取决于Agent是否真正执行这些命令，以及开发者是否愿意在流程中投入时间。如果团队本身就不重视测试，再好的技能框架也可能被绕过。但至少，Agent Skills 让“跳过测试”这件事变得没那么容易了。

正如视频结尾所说：Prune the noise, keep what works.（剪掉噪音，留下有用的。）