agent-skills
让 AI 编程工具遵循工程纪律的技能包，覆盖从需求规范到生产发布的 23 个结构化工作流
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让 AI 编程工具遵循工程纪律的技能包，覆盖从需求规范到生产发布的 23 个结构化工作流
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：Agent Skills 项目封面，展示了 AI 编程工具的技能包概念
想象一下这个场景：你让 AI 帮你写一个用户登录模块。它哗啦啦输出一堆代码，看起来像模像样——结果一测：密码没加密、没处理并发登录、单元测试覆盖率 0%、上线三天后被薅了羊毛。
这不是 AI 的问题。AI 天然倾向于「最快到达答案」的路径，而工程纪律（写规范、先测试、再合并）恰恰要求的是「慢一点、把事情做对」。这是刻在代码库里的经验教训，不是靠 prompt 就能凭空涌现的。
Agent Skills 解决的就是这个问题。它是一套打包好的工程技能库，让 AI 编程工具（Claude Code、Cursor、Gemini CLI、Windsurf 等）在开发全流程中自动遵循资深工程师的纪律：先写规范、分小块增量实现、写测试、审查代码、安全加固、性能优化、最后发布。
这个项目在 GitHub 已有 45212 颗星，由 Google Chrome & Web Platform 团队的前工程总监 Addy Osmani 主导维护——他也是《Learning JavaScript Design Patterns》和《Writing Secure Code》等多本技术畅销书的作者，在前端工程领域有深厚积累。
很多 AI 编程工具的「技能」「规则」本质上是系统 prompt 的延伸——塞进去一堆模糊的建议，让 AI「尽量」遵守。Agent Skills 不一样，它的每个 skill 都是一个严格结构化的工作流：
┌─────────────────────────────────────────┐
│ SKILL.md │
│ ├── Frontmatter (name/description) │
│ ├── Overview (技能目标) │
│ ├── When to Use (触发条件) │
│ ├── Process (分步流程 + 检查点) │
│ ├── Common Rationalizations (借口表) │
│ ├── Red Flags (危险信号) │
│ └── Verification (证据要求) │
└─────────────────────────────────────────┘
关键设计哲学：Process 而非 Prose。每个 skill 不是让 AI 去读参考文档，而是直接给出一个它必须遵循的工作流。步骤是强制性的，检查点是可验证的，「好像是对的」永远不够。
以 test-driven-development skill 为例，它不仅要求「写测试」，还嵌入了：测试金字塔（80% 单元 / 15% 集成 / 5% E2E）、Beyonce Rule（测试命名必须清晰到不看代码就知道测什么）、以及浏览器测试的实操指南。而 doubt-driven-development 则是一个对抗性审查流程：面对高风险决策，AI 必须经历 CLAIM → EXTRACT → DOUBT → RECONCILE → STOP 的强制复核路径，甚至可以升级到人类介入。
Agent Skills 包含 23 个技能，组织成 7 个阶段，覆盖从「需求定义」到「生产发布」的完整生命周期：
| 阶段 | 代表技能 | 核心约束 |
|---|---|---|
| Define | interview-me、idea-refine、spec-driven-development | 在动手前把「做什么」定义清楚 |
| Plan | planning-and-task-breakdown | 拆解成小到可验证的任务单元 |
| Build | incremental-implementation、TDD、source-driven-development、doubt-driven-development 等 | 小步增量，每步有测试 |
| Verify | browser-testing-with-devtools、debugging-and-error-recovery | 用真实运行时数据验证 |
| Review | code-review-and-quality、security-and-hardening、performance-optimization | 五轴审查，拒绝凑合 |
| Ship | git-workflow-and-versioning、ci-cd-and-automation、shipping-and-launch | 质量门禁，特征开关，灰度发布 |
每个 skill 还内置了借口反击表（Rationalizations）——AI 经常会找理由跳过步骤（比如「这代码太简单不用测了」），skill 里直接记录了这些借口和对应的反驳论据。比任何系统 prompt 都更有约束力。
Agent Skills 的设计不依赖任何特定工具。它是一套 Markdown 文件，通过以下方式接入不同的 AI 编程环境：
/plugin 命令从插件市场安装，/spec、/plan、/build、/test、/review、/code-simplify、/ship 七个斜杠命令自动激活对应技能.cursor/rules/ 或引用 skills 目录gemini skills install 直接从仓库安装.kiro/skills/ 目录和 Agents.md 协议这意味着无论团队使用哪种 AI 编程工具，都可以从同一套技能库中受益——不需要为每个工具重新维护一套规则。
从技术角度看，这个仓库本身就是一个「反复杂度」的示范：
skills/（技能定义）、agents/（专家角色 persona）、references/（速查清单）、hooks/（会话生命周期钩子）、.claude/commands/（斜杠命令映射）这种「极简即设计」的思路，和项目本身倡导的工程纪律一脉相承——代码库的形态就是它的主张的体现。
项目中大量引用了 Google 的工程实践手册，包括《Software Engineering at Google》和 Google 内部工程实践指南。具体体现：
这些不是学术概念——它们被嵌入在具体的 skill 流程中，AI 每执行一步都会参考。
安装 Agent Skills 几乎是零成本的——只需要 Git 和对应工具的插件系统。但它的价值上限取决于使用者的工程素养：
有一点值得注意：Agent Skills 对 AI 的约束能力取决于 AI 工具本身对 skill 系统的支持深度。Claude Code 的斜杠命令集成度最高，其他工具需要手动引用规则文件。
Agent Skills 并不是万能解药，有几个值得思考的边界：
Agent Skills 的出现代表了一个趋势：AI 编程工具正在从「代码生成器」进化为「工程协作伙伴」。
2024-2025 年，以 Claude Code、Cursor、Windsurf 为代表的 AI 编程工具爆发，但普遍面临一个共同问题：生成的代码「能跑」但不「能上线」——缺少边界检查、缺少测试、缺少安全考虑。Agent Skills 正是对这一痛点的回应。
从增长曲线看，45212 stars 且活跃维护（最新提交 2026-05-23），说明这个方向得到了社区的广泛认可。如果 AI 编程成为开发主流，那么如何让 AI 遵循工程纪律将成为一个基础设施级别的问题——Agent Skills 在这个方向上走出了最早也是最成熟的一步。