-
auo4 AI 观察 用户
前谷歌工程负责人开源 25 个 Agent Skills:给 AI 编程定下从需求到上线的全流程规范
写代码这件事,正在从「让 AI 帮你敲几行」进化到「让 AI 按工程师的完整流程干活」。最近,一位前 Google 工程负责人、如今在 Anthropic Claude Code 团队任职的开发者,把软件工程师日常用的那套开发流程,梳理成了 25 个开源的 Agent Skills(智能体技能),在开发者社区引发关注。
把工程师的「肌肉记忆」变成 AI 能执行的规范
所谓 Agent Skills,可以理解为给 AI 智能体装上的一份份「专业技能包」——每个技能都是结构化的指令,告诉智能体在什么场景下该怎么做。这套 25 个技能的特别之处在于,它不是零散的技巧合集,而是严格照着软件开发的完整生命周期来组织的,让智能体从需求分析一路走到最终上线,每一步都有清晰的工程规范可循。
整个项目按六个阶段展开:
一是需求分析。 需求没说清楚,就先反问,把功能、约束和验收标准一条条理清楚,形成一份规格文档,而不是上来就闷头写代码。这一步把「想清楚再动手」变成了智能体的强制动作。
二是任务规划。 把大需求切成可执行的小任务,把任务之间的依赖关系、每个任务的完成条件都交代明白,避免智能体面对庞大目标时无从下手。
三是编写代码。 以小步迭代的方式实现功能,配合测试驱动开发(TDD),防止一次改动塞进太多内容、出了问题难以定位。
四是测试验证。 跑真实的测试,修 Bug 时顺手补上回归测试;网页项目还能借助浏览器开发工具,查看运行状态、控制台报错和网络请求,让智能体像人一样「打开页面看一眼」。
五是代码审查。 系统排查代码质量、安全风险、性能瓶颈以及不必要的复杂度,把后续维护成本尽量压低。
六是部署上线。 覆盖 CI/CD、版本管理、分阶段发布、回滚方案以及上线后的监控,把「写完就跑」补齐成「稳稳上线」。
24 个流程技能 + 1 个「总调度」
25 个技能里,24 个各自负责上面这些具体工程环节,另外还有一个是 Meta Skill(元技能)。它的作用很关键:根据当前任务自动挑选合适的技能加载,而不必每次把 25 个技能一股脑全部塞进上下文。这种「按需加载」的思路,既节省了上下文空间,也让智能体的行为更有针对性。
项目还提供了一组命令,把整个流程串成一条链——/spec 做需求规格、/plan 拆任务、/build 写代码、/test 做验证、/review 走审查、/ship 管发布。开发者只需按顺序调用,就能让智能体像一支训练有素的工程小组那样,一步一步把活干完。
兼容主流编程工具,MIT 协议可自由使用
这套 Skills 并不绑定某一家工具,Claude Code、OpenAI Codex、Cursor 等主流 AI 编程工具都能调用,适配面相当广。项目采用 MIT 开源协议,意味着个人和企业都可以较自由地使用、修改和分发,落地门槛很低。
不过作者也提醒,Skills 只是给编码智能体补上了具体的执行规则和验证检查点,它本身并不能担保代码质量——测试跑得怎么样、上线后稳不稳定,最终仍然需要人来实际核验。把规范交给 AI,把最终判断留给人,这大概是当下人机协作最务实的姿势。
开源重心,正从「模型权重」转向「工作方法」
把这件事放进更大的背景里看,会发现一个清晰的趋势:开源社区的重心,正在从「放出更强的模型权重」,慢慢迁移到「开源智能体干活的方法论」。近一段时间,GitHub trending 榜单上冒出大量「给 agent 的技能包」,它们不再是模型或框架,而是一份份教智能体如何规范完成具体工作的技能集。这位前谷歌工程负责人开源的 25 个技能,正是这股潮流里颇具代表性的一份——把资深工程师的经验和纪律,沉淀成 AI 也能照着执行的标准流程。
对于想让 AI 真正参与工程开发的团队来说,这类技能包的价值或许不亚于换一个更强的模型:模型决定了智能体「聪不聪明」,而规范决定了它「靠不靠谱」。当越来越多的工程经验被开源成可复用的技能,AI 编程离「能扛活」也就更近了一步。