Codex+Claude Code+企业级Agent Skill实战教程

AI编程工具正从"辅助写代码"进化到"开发可复用技能"。B站UP主朱老师在近期直播课中，完整演示了如何用Codex、Claude Code和WorkBuddy三款工具开发企业级Agent Skill，并现场展示了公众号报文生成、大A量化分析、小红书图文自动发布等实战案例。本文基于课程内容，梳理出一条从环境配置到项目落地的可操作路径。

为什么说"只用AI写代码"已经落伍了

课程开场，朱老师抛出一个争议性观点：如果你还在用AI编程工具直接生成业务代码，即便用了Claude Code，本质上仍是"假的AI编程"。

他的逻辑是：直接让AI零散地开发功能，项目做久了大概率会变成难以维护的"屎山代码"；而如果让AI把大量时间花在开发Skill上，再由Skill去生成代码，代码质量会更可控、更易团队协作、更能长久维护。在他看来，大厂程序员未来百分之七八十的时间可能都在写Skill，写Claude代码的时间反而较少。

这一观点值得开发者重视：Skill的本质是把重复性工作（如缓存架构、分布式事务、微服务架构模板）沉淀为可复用的指令集，让AI按标准化流程输出结果，而非每次从零发挥。

Agent Skill（智能体技能） 是当前AI工程化领域的一个新兴概念，指将特定任务的处理流程、领域知识、约束规则和工具调用方式封装成可复用、可组合的指令单元。它不同于简单的提示词模板：一个完整的Skill通常包含触发条件、执行步骤、输入输出规范、异常处理逻辑，甚至可内嵌脚本或调用外部API。其思想渊源可追溯到软件工程中的“设计模式”和“剧本（Playbook）”概念——把专家经验固化为标准操作程序，让AI代理在遇到同类任务时按既定路径执行，而非每次自由发挥。在Anthropic的Claude、OpenAI的GPT等支持工具调用的模型生态中，Skill正成为连接大模型能力与具体业务场景的关键中间层，也是企业构建AI应用时降低不确定性、提升可维护性的重要手段。

三款主流AI编程工具与后端大模型搭配

课程中，朱老师展示了三款工具的实际环境：Codex（已本地安装）、Claude Code（通过VS Code插件集成）、WorkBuddy^广告。三者定位略有差异：

• Codex与WorkBuddy：可视化能力更强，适合所有同学上手，用于开发相对简单的Skill。
• Claude Code：相对更专业，适合程序员开发企业级场景，如Java架构、Redis缓存架构、线上问题排查等。

后端大模型的选择是另一个关键决策。Codex默认集成ChatGPT，这是最适配的组合；Claude Code原生整合Claude模型效果最佳，但账号封禁风险较高（课程中老师因科学上网导致IP变化，不敢冒险使用Claude，转而整合了国内GLM模型）；WorkBuddy则选择了DeepSeek^广告，主打性价比。

这一搭配策略给国内开发者的启示是：工具与模型可以解耦，根据网络条件、成本预算和任务复杂度灵活组合，不必迷信单一方案。

Codex、Claude Code与WorkBuddy 分别代表了三类AI编程工具形态。Codex最初是OpenAI推出的代码生成模型系列，后演化为集成在ChatGPT中的编程助手，强调自然语言到代码的转换与可视化交互。Claude Code是Anthropic推出的命令行/插件式编程代理，擅长多文件重构、长上下文理解和复杂工程任务，深度绑定Claude模型。WorkBuddy则是国内团队开发的AI工作流工具，定位更偏向低门槛的可视化技能编排，常搭配国产大模型使用。三者背后的大模型解耦趋势值得注意：工具层负责交互与流程编排，模型层提供推理能力，二者通过API松耦合，开发者可根据网络环境、成本与任务类型灵活替换模型，避免被单一厂商锁定。

从零开发第一个Skill：公众号报文自动生成

课程采用由浅入深的节奏。第一个案例是最简单的公众号报文自动生成Skill——技术复杂度不高，主要靠提示词完成，适合零基础同学建立信心。

紧接着是进阶案例：大A量化分析Skill。这个Skill开始涉及代码和脚本，演示了Skill内部可以嵌套复杂逻辑，而非只能写提示词。

对开发者更有参考价值的是二次开发场景。朱老师以Redis缓存架构为例：从零写缓存不难，难的是给已有功能"加上缓存"——这类改造正是Skill的用武之地。几句指令让Skill上场，就能生成结构化的改造方案，避免AI自由发挥导致的代码散乱。

课程还提到，现场涉及的Skill多达几十个，覆盖开发架构、自动化全流程等场景。

提示词型Skill与脚本型Skill 是Skill成熟度的两个阶段。提示词型Skill仅依靠结构化指令（角色设定、输出格式、约束条件）驱动模型完成任务，开发成本低、迭代快，适合格式固定、逻辑简单的场景，如报文生成、文案改写。脚本型Skill则在指令中嵌入可执行代码或工具调用（如Python脚本、API请求、数据库查询），使Skill能完成数据抓取、量化计算、文件操作等需要确定性的任务。脚本型Skill的关键在于“指令负责决策、脚本负责执行”的分工：模型判断何时调用哪段脚本，脚本保证计算结果的准确性和可复现性。从提示词型过渡到脚本型，再到对既有系统进行二次开发，构成了Skill能力进阶的典型路径。

自动化发布小红书图文：效率提升的直观案例

课程中最具传播力的演示，是自动化发布小红书图文的Skill。

朱老师现场打开了一个空白的小红书测试账号（没有任何笔记），演示只需写好文章（甚至可以让AI代写），一键执行Skill即可全自动完成发布。对每天需要手动登录网站、逐篇发布的小红书运营者来说，效率提升是数量级的。

这个案例的意义在于：Skill不只服务于程序员，运营、内容创作者同样能从中受益。企业级Agent Skill的边界，远比"写代码"宽泛。

给开发者的落地建议

综合课程内容，企业级Agent Skill的落地可以遵循三条原则：

1. 先沉淀再自动化：把团队中最常重复的架构模式（缓存、分布式事务、微服务模板）优先写成Skill，而非直接让AI生成业务代码。
2. 工具与模型解耦：Codex+ChatGPT、Claude Code+GLM、WorkBuddy+DeepSeek都是可行组合，按场景选配，避免被单一生态绑定。
3. 由浅入深建立团队能力：从提示词型Skill起步，逐步过渡到含代码脚本的复杂Skill，最后进入二次开发场景。

课程传递的核心判断是：AI编程的竞争点正在从"会不会用工具"转向"会不会设计Skill"。谁先把重复劳动沉淀为可复用技能，谁就能把时间释放到更有价值的工作上。