AI工程化实战：Claude Code与Agent Skill开发全流程

AI编程工具已经从“帮你写代码”进化到“帮你造工具”。B站UP主诸葛老师在一节实战课中提出一个值得关注的判断：还在用AI直接写业务代码，可能只是用了“假的AI编程”。真正的工程化做法，是让AI开发Agent Skill，再用Skill去驱动代码生成。

从“写代码”到“写Skill”：AI编程的范式转移

课程开篇抛出一个尖锐观点：如果只是让AI编程工具直接生成业务功能代码，项目做久了大概率会变成难以维护的“屎山代码”。而如果把大部分时间花在开发Skill上，让Skill去生成代码，代码质量和可维护性会显著提升。

这个判断背后的逻辑并不复杂。Skill本质上是把重复性工作封装成可复用的能力单元——缓存架构、分布式事务、微服务模板，这些开发者反复遇到的问题，都可以沉淀为Skill。大厂里程序员指挥AI的时间分配，据课程描述，写Skill的比例远高于直接写代码。

这也解释了为什么课程强调“企业级Agent Skill”而非个人玩具脚本：Skill的价值在于团队协作和长期维护，而不是一次性生成。

Agent Skill 指的是一种面向AI Agent的可复用能力封装：它通常由提示词、工具调用描述、示例和必要的脚本组成，让Agent在特定任务上表现出稳定的专业行为。与普通提示词不同，Skill强调可复用、可组合和可版本管理，类似于给AI装上一套“技能包”。在工程实践中，Skill可以覆盖代码生成规范、架构模板、排查流程等，使AI输出更可控、更一致。

屎山代码 是开发者对长期缺乏设计、层层堆叠、难以维护的代码库的俗称。其典型特征是逻辑重复、耦合严重、修改一处牵动全局。AI直接生成业务代码之所以容易催生屎山，是因为每次生成缺乏统一约束，风格和结构不一致，长期累积后维护成本急剧上升。

三款主流Agent工具与后端模型选择

课程演示了三款Agent工具：Codex、Claude Code和WorkBuddy^广告（腾讯）。Codex默认整合ChatGPT，Claude Code通常搭配Claude模型效果最佳，但课程作者出于账号封禁风险的考虑，在Claude Code中接入了智谱GLM；WorkBuddy则选择了DeepSeek，理由是性价比高。

关于工具选型，课程给出实用建议：简单Skill开发用Codex或WorkBuddy，可视化能力更强、上手门槛低；复杂的企业级架构Skill（如Java架构模式、Redis缓存架构、线上问题排查）则交给Claude Code。国内开发者如果不方便使用海外网络，WorkBuddy搭配DeepSeek是可行替代方案。

模型层面，课程提到GLM在国内数一数二，DeepSeek性价比突出，豆包、通义千问^广告、小米MiMo也都是可用选项。关键结论是：工具和后端模型要匹配，Codex配ChatGPT最适配，强行换模型并非不可，但效果打折扣。

Codex、Claude Code、WorkBuddy 是三类AI编程Agent产品形态的代表。Codex是OpenAI推出的代码生成与Agent能力，深度整合ChatGPT生态；Claude Code是Anthropic的终端式编程Agent，擅长多步骤任务和大型代码库操作；WorkBuddy是腾讯推出的AI编程助手，面向国内开发者，支持接入多种国产大模型。三者的共同点是能自主规划、调用工具并执行多步任务，区别在于生态绑定、可视化程度和网络可及性。

GLM与DeepSeek 是国内主流大模型系列。GLM由智谱AI推出，在中文理解和代码任务上表现突出；DeepSeek以高性价比著称，API价格较低且代码能力不俗。它们常被用作海外模型的国内替代方案，在Agent工具中通过兼容OpenAI接口的方式接入，从而绕开网络与账号限制。

Skill开发实战：从公众号报文到小红书自动发布

课程准备了七八个Skill案例，由浅入深。最基础的案例是公众号报文自动生成——只需编写提示词，不涉及复杂代码。进阶案例包括大A量化分析Skill（涉及代码和脚本）、以及自动化发布小红书图文的Skill。

小红书案例的演示相当直观：登录测试账号、写好文章内容，一键执行Skill即可全自动发布笔记，无需手动登录网站逐篇操作。课程作者强调效率提升“比你原来高很多倍”。

对于开发者群体，课程重点落在二次开发场景。以Redis缓存架构为例：在已有功能上追加缓存能力，属于典型的二次开发，简单几句话让AI加缓存，产出可能是一大堆代码，此时Skill就派上用场。这比从零写Redis缓存复杂得多，也更贴近企业真实开发场景。

二次开发 指在已有系统或功能基础上进行增量改造，而非从零构建。在企业开发中，二次开发占比很高，难点在于既要理解既有逻辑，又要保证新增功能不破坏原有行为。AI在这种场景下容易“过度生成”，因此用Skill约束改动范围和实现模式尤为重要，这也是课程将其视为Skill价值最突出场景的原因。

企业级AI工程化的核心逻辑

课程反复强调一个区分：原生开发与Skill驱动开发。前者是让AI直接产出功能代码，后者是让AI产出可复用的能力封装，再由封装去生成代码。课程认为后者在代码质量可控性、团队协作、长期维护三个维度上都更优。

这实际上对应了AI工程化的核心命题：不是让AI替代开发者写更多代码，而是让开发者把重复劳动沉淀为资产。缓存架构、分布式事务、微服务架构这些高频场景，正是Skill最该覆盖的领域。

课程还提到，Java、Python、JavaScript等语言都可以用来写Skill，不受语言限制，这降低了不同技术栈团队接入的门槛。

编辑观察

这节课的信息密度集中在“Skill优先”的方法论上，但作为一节直播课的文字记录，部分演示细节（如具体Skill的目录结构、调试过程、失败处理）在素材中并未完整呈现。对于想复现的读者，建议结合课程视频实操。另外，课程中关于“大厂程序员写Skill时间占比”的说法属于讲师个人经验判断，缺乏公开数据支撑，读者可作参考而非定论。