🤖 关于AI的思考与未来方向

基于三个月（2025.12-2026.03）的AI Coding深度实践，总结了对AI的认知升级、Skills体系化建设、全流程串联经验，以及对未来的规划与愿景。

AI专题导航

如果把这篇文章当成我博客里 AI 主题的入口页，那我更希望它承担的是“导航”而不只是“感想”。下面这几篇，可以按你关心的问题顺着读下去：

1. 先看整体认知

2. 再看 OpenClaw 落地

3. 如果你关心模型选型

4. 如果你想研究 Agent 骨架

一、实践成果回顾

1️⃣ AI Coding深度实践

  • ✅ 首次实现90%代码量由AI生成（2026-02-02本地生活项目）
  • ✅ 跑通全流程：JIRA → Trace分析 → 代码修改 → CR → MR
  • ✅ 多工具对比：Cursor（主力）+ Claude Code（文档）+ Codex（聪明）
  • ✅ 模型认知升级：GPT-5.2 Codex > Opus 4.5 > GLM-4.7

关键里程碑：

  • 12月：首次使用Cursor + Gemini分析Trace
  • 1月：体验Skill-creator，做基于上下文驱动的代码审查
  • 2月：第一次AI开发90%代码量，体验Codex 5.3模型的强大
  • 3月：完成Dev-Skills仓库，跑通Agent Team多Agent协作

2️⃣ Skills体系化建设

  • ✅ 创建30+个Skills（覆盖CR、开发、排障、文档等）
  • ✅ 主协调器设计：多技能串联，渐进式披露
  • ✅ 跨应用OpenSpec落地：解决AI识别应用范围问题
  • ✅ Dev-Skills仓库：统一管理，一键安装，支持Cursor/CC/Codex

核心Skills清单：

  • 开发类：sdd-dev-workflow, ai-pair-programmer, brainstorming
  • CR类：team-cr, author-cr, full-review, code-review
  • 排障类：zan-dev-flow, zan-log-query, jira-view, iot-print-troubleshooting
  • 文档类：project-writer, tech-doc-template, diagram-creation
  • 管理类：skill-usage-tracker, skill-creator, dev-lifecycle

3️⃣ 提效工具链闭环

1
2
3
需求分析 → 技术方案 → 代码开发 → Code Review → 测试 → 上车
    ↓         ↓          ↓          ↓          ↓       ↓
brainstorm  spec-md   sdd-dev   full-review  集成测试  发布流程

二、核心思考与洞察

💡 1. Skills的定位与价值

Skills ≠ 静态文档，而是活的、会进化的知识库

本质：

  • 通过prompt封装最佳实践，让AI”知道”什么时候用什么工具
  • 不是简单的规则堆砌，而是经过实践检验的可复用经验

核心价值：

  • 渐进式披露：按需加载，避免上下文爆炸
  • 可迭代性：用完就优化，没有完美的skill，只有进化的skill
  • 标准化输出：降低对模型能力的依赖，提升结果可预期性

Dev-Skills vs Helm的定位：

  • Dev-Skills：适合开发者，快速迭代，本地调试
  • Helm：适合统一管理，像ClawHub一样批量分发

迭代机制：

  • 自动优化：主动发现改进点 → 提出建议 → 用户同意 → 立即更新
  • 协作优化：用户反馈 → 调整描述和流程 → 优化原因记录
  • 版本管理：每个SKILL.md顶部包含版本号和变更日志

💡 2. AI Coding的本质认知

AI不是替代开发者，而是放大器

能力边界：

  • 1-N能力强大：给定详细文档，代码生成质量很高
  • 0-1仍需人：需求理解、技术选型、架构设计需要人类决策
  • 上下文至上：不是模型越强越好，而是prompt和skills越精准越好

模型使用策略：

  • 简单任务：GLM-4.7（省钱，适合文档生成、简单CR）
  • 复杂开发：Codex / GPT-5.2（聪明，适合复杂逻辑、跨应用开发）
  • 文档生成：Claude / Opus 4.5（结构化输出能力强）

关键发现：

给Codex完美的文档，能打败用Opus盲写。上下文的质量比模型能力更重要。

💡 3. 全流程串联的关键

痛点：SDD经常被跳过，复杂需求直接开写，返工多

解决方案：智能路由

1
2
3
4
5
6
7
8
9
10
11
用户表达开发意图
    ↓
sdd-intelligent-router（四维评分）
    ├─ 应用影响（25%）：1个应用0分 / 2-3个应用30分 / 4+个应用60分 / 跨团队100分
    ├─ API变更（25%）：无变更0分 / 字段修改20分 / 新增简单API 40分 / 复杂API 70分 / 破坏性100分
    ├─ 数据模型（25%）：无变化0分 / 字段新增30分 / 索引50分 / 表结构80分 / 新增表+关系100分
    └─ 业务复杂度（25%）：简单CRUD 10分 / 条件判断30分 / 状态机60分 / 复杂规则90分 / 跨域100分
    ↓
├─ 🟢 0-30分：快速开发（ai-pair-programmer）
├─ 🟡 31-60分：询问用户选择
└─ 🔴 61-100分：强制SDD流程

已跑通闭环：

1
2
3
JIRA → zan-dev-flow → Trace分析 →
技术方案 → sdd-dev-workflow →
Codex开发 → CR → MR → 上车

三、未来方向与愿景

🎯 短期目标（1-3个月）

1. Skills持续迭代

  • [ ] 优化高频Skills（基于使用率统计脚本）
  • [ ] 完善”批量产虾”流程（新龙虾一键喂养Skills包）
  • [ ] 技能质量审查机制（师、分析师、创建师Agent Team协作）
  • [ ] Helm同步脚本优化（解决实时性问题，支持自动上传下载）

2. 全流程深度集成

  • [ ] airbag-skill → sdd开发 → CR 串联
  • [ ] Trace大师 → 代码修复 → CR → MR 闭环
  • [ ] OpenSpec提案 → tasks.md → Codex开发自动化
  • [ ] 集成测试用例生成 → 自动化测试 → 覆盖率报告

3. 工具链优化

  • [ ] 技能使用率监控面板（可视化展示高频Skills）
  • [ ] 多IDE统一配置方案（Cursor/CC/Codex一键同步）
  • [ ] 技能推荐系统（根据需求类型自动推荐Skills）
  • [ ] Token成本优化（GLM处理简单任务，节省成本）

🚀 中期目标（3-6个月）

1. Agent Team实践

打造多Agent协作系统：

  • 需求分析Agent（brainstorming增强）

    • 自动识别需求类型
    • 生成技术方案草案
    • 评估技术风险

  • 代码开发Agent（门店规范 + SDD）

    • 遵循团队编码规范
    • 自动执行OpenSpec tasks
    • 自我Code Review

  • CR审查Agent（full-review）

    • 10个维度深度审查
    • 生成CR报告
    • 提出改进建议

目标：多Agent协作，一人就是一个团队

2. 知识库建设

三大知识库：

  • 业务知识库（app-scanner自动生成SKILL.md）

    • 应用架构
    • 核心接口
    • 数据模型
    • 业务流程

  • 技术方案库（标准化模板）

    • 技术选型
    • 架构设计
    • 时序图、流程图
    • 影响面分析

  • 问题案例库（故障排查经验）

    • JIRA案例
    • Trace分析
    • 解决方案
    • 预防措施

目标：AI能自动检索上下文，降低人类干预

3. 研发流程标准化

  • SDD开发SOP（强制路由）

    • 复杂度评估
    • 技术方案评审
    • OpenSpec提案
    • 代码开发规范

  • CR审查规范（10个维度）

    • 命名与可读性
    • 逻辑正确性与健壮性
    • 异常处理
    • 并发、事务与一致性
    • 兼容性与契约
    • 性能与资源
    • 架构与分层
    • 安全性
    • 测试
    • 依赖与可观测性

  • 发布流程自动化（CI/CD集成）

    • 自动化测试
    • 蓝绿发布
    • 灰度切流
    • 监控告警

目标：新人也能快速上手，输出质量可控

🌟 长期愿景（6-12个月）

愿景：打造像快手一样的Web平台，传PRD → 自动开发 → 自动测试 → 自动部署

1. 全流程自动化

1
2
3
PRD输入 → AI理解 → 自动生成技术方案 →
自动创建OpenSpec → 自动生成代码 →
自动CR → 自动测试 → 自动发布

2. 规模化复制

  • 批量产虾：一键喂养Skills给新同事
  • 跨团队推广：Skills开源到ClawHub
  • 行业标准输出：门店AI实践成为公司标杆

3. 人机协作新模式

  • 开发者定位转变：从”写代码”到”设计系统”
  • AI作为Partner：不是工具，而是结对编程对象
  • 持续进化：每次使用都在优化AI能力

四、核心理念总结

✨ 我的AI观

1. 不要追求完美，追求快速迭代

  • Skills没有完美版本，只有不断进化
  • 今天能用，明天优化，后天颠覆
  • 实践出真知：用过的Skill才有价值，写在文档里的Skill是死的

2. 上下文比模型能力更重要

  • 给Codex完美的文档，能打败用Opus盲写
  • Skills的价值就是提供精准上下文
  • 渐进式披露：不要一股脑给所有信息，按需提供

3. 标准化是规模化的前提

  • SDD流程、CR规范、发布标准
  • AI能做的，必须标准化；AI做不了的，更要标准化
  • 可复制性：一个人的经验，通过Skills变成团队的能力

4. 提效是手段，不是目的

  • 真正的价值：让开发者从重复劳动中解放
  • 去做更有创造性的事情：架构设计、业务创新、用户体验
  • 时间重新分配：从写代码到思考系统设计

🎓 给团队的建议

1. 拥抱变化，快速试错

  • 新工具出来就试，新模型发布就用
  • 不怕用错，就怕不敢用
  • 持续学习：AI领域变化太快，保持好奇心

2. 沉淀优于重复

  • 遇到问题 → 解决 → 写成Skill → 分享给团队
  • 一次解决，永久复用
  • 知识复用：不要重复造轮子，而是优化轮子

3. AI不是替代，是放大

  • 学会用AI的人，效率提升10倍
  • 不会用AI的人，会被时代淘汰
  • 人机协作：AI负责执行，人类负责决策

五、最终目标

让AI成为每个人的”超级实习生”，
我们负责思考方向，
AI负责落地执行，
共同创造更大的价值。🚀

附录：关键数据

提效数据

  • 代码开发效率：提升3-5倍（90%代码由AI生成）
  • CR效率：提升2-3倍（AI自动发现问题）
  • 文档编写效率：提升5-10倍（从0到1的突破）
  • 故障排查效率：提升3倍（Trace自动分析）

覆盖范围

  • 应用数：10+个零售核心应用
  • Skills数：30+个可复用技能
  • JIRA数：50+个需求/故障处理
  • 文档数：20+份技术方案/SKILL.md

Token成本优化

  • GLM-4.7处理简单任务：成本降低70%
  • Codex处理复杂开发：成本降低40%（效率提升）
  • 整体Token成本：降低50%，效率提升300%

“未来属于那些能够与AI协作的人。” —— 2026.03.16

延伸阅读