很久没有动笔写 blog 了，想不到再更新已经到了 AGENTS 时代了。

去年开始，经历过了疯狂vibe-coding 的时期（一堆玩具，都是没用过的技术栈），也养过小龙虾（现在还火吗？），然后研究过 MCP（我们的产品上加了这个能力）， 然后是现在的 cli + skills。

从 github copilot 第一批用户，到 cursor 自费订阅（tab-tab)， 再到 sonnet 出来之后大跃进，经历了一个月左右的 AI 额度自由（想念opus），再到后面不自由自费订阅了 codex pro（稳重的 gpt 5.4/5.5）。

也焦虑过一段时期，疯狂刷推，看各种项目、文章，让小龙虾帮忙做各种汇总。

然后，到现在，形成了相对稳定的工作流和生产力。

5 天左右的 SDD，做完了一个生产级别的 cli，放原先手工时代至少半个月。 3 天左右的大规模重构，完成了之前接近一个月的重构工作量。这是以前想都不敢想的生产力提升。

虽然个人生产力提升很多，但是整体项目运作的摩擦还是很大的，毕竟沟通、基建等还有待改进。

下面就简单介绍下一些确定的实践经验。

---

1. 深度使用一个 agent

虽然我们最好不要绑死在某个 Agent、某个模型或某个工具上，但是提升生产力的大前提是，磨刀。

而最好的刀，一般是御三家几个头部。

推荐 claude 及 codex； claude 更爽，codex 更稳，个人偏好 codex。

建议走官方订阅。（不建议走中转，太黑盒）

目前主要是用 VSCode Codex 插件 + Codex app. 然后少量用 Cursor(开发体验最好，就是太贵)， 一些简单执行类用的 claude+自定义模型；

不差钱的话， cursor 的体验胜过 VSCode Codex 插件（每次切回去用一段时间都得回来骂两句）

这里用好它，指的是深度阅读官方文档，阅读其他人的实践文章，了解各种配置，获取自己需要的配置，定制自己的配置。（让我想起了当初折腾vim）

2. 创建一个自己的 .agents 仓库

创建一个仓库，私有的，维护到 git 的，然后 clone 到你的所有机器

我们的目标

1. 所有机器使用相同的配置，
2. 并且通过makefile将仓库中差异化配置通过软链到各个 agent 目录，从而抹平所有 Agent 的使用体验。
3. 配置是可以持续迭代的，某个机器上优化更新后，可以同步到其他所有的机器。

例如，.agents/skills目录，codex 是认的，但是claude 不认，那就做一个软链。个性化的 AGENTS.md， 软链到 .codex下，以及软链成CLAUDE.md

目前市面上vibe-coding 出来各种管理工具，我觉得是没必要的，最原始的git，让 Agent 帮你去处理，是定制化最高的方式。

3. 创建自己的 AGENTS.md

如果不知道写什么内容，参考 https://github.com/forrestchang/andrej-karpathy-skills 这个项目，直接拷贝放进去。

如果使用 codex， 软链到~/.codex/AGENTS.md

然后，你可以在使用过程中，持续优化这个 AGENTS.md， 应该怎么沟通，用什么语气，翻过的错误等等

4. 选一个基础工作流

最底层原子skill

目前有很多工作流，我们现在需要安装上一批适合自己的、原子的 SKILL。

注意，不要装 SDD 这种核武器，要装瑞士军刀这种轻量并且相对全的

• https://github.com/obra/superpowers 【推荐】
• https://github.com/gsd-build/get-shit-done
• https://github.com/addyosmani/agent-skills

加入方式： git submodule 加进来，软链到skills 【这样能定时更新】

目前重度使用 superpowers， 如果你觉得某个工作流触发比较烦，那么可以在 AGENTS.md 中优化它。（触发规则）

例如： 如果是小的修改、bugfix，请不要调用 tdd

5. 挑选一批适合自己的skill

最底层原子 skill

市面上skills 非常多，例如code-review 你估计能找到几十上百个。

但是，符合自己工作方式、风格的 SKILL，才是最合适的。

目前比较火的集合

• https://github.com/anthropics/skills
• https://github.com/openai/skills
• https://github.com/mattpocock/skills 【个人很推荐】

加入方式： git submodule 加进来，仅挑选想要的skill，软链到skills 【这样能定时更新】

6. 创建自己的skill

上层skill

使用 $skill-creator 可以创建自己的 SKILL

1. 可以在基础工作流之上，定制自己的工作流（自己的 SKILL，依赖底层原子 SKILL）
   1. 例如，small-steps-refactor可以依赖 superpowers 里面的writing-plans和executing-plans （我用这个 SKILL 重构了近三万行代码，单测+可 review 的小步重构使得巨大的重构变得可控）
   2. 例如，fix-bug可以依赖 superpowers 里面的systematic-debugging 以及自己的git-commit
2. 也可以是全新的 SKILL

可以导出自己所有同 AGENTS 的对话记录，让 Agent 分析那些重复的，反复出现的，形成模式的对话，然后创建成 SKILL。

你还可以考虑把那些繁琐的日常行为，转换成 SKILL。

特别是那些被动触发的 SKILL，效果非常好，例如auto-load-env 在 Agent 找到不到环境的时候自动触发，加载正确环境，那么意味着未来的所有遇到这种场景，Agent 都能自动解决，无需询问、打断。

7. 安装 cli + skill

个人偏好 cli + SKILL，厌恶MCP

那么，此时你可以通过各种各样的 CLI， 扩展你的 Agent 能力

例如 playwright-cli

8. 持续迭代它

• Agent 不好用，去优化 agent 配置
• 对话或各种交互、服从性不好，去优化 AGENT 配置
• 不断添加、优化、淘汰 SKILL
• 不断通过 cli 扩展 Agent 的能力，配合 SKILL 做更为复杂的事

慢慢的，我们的工作流变得非常高效，与 Agent 配合非常默契，甚至大部分时候能一波流完成目标。

那么，你有了一份适合自己的，可持续迭代的配置。

或者说，你有了一份 数字的你, 当你把他放入openclaw 或 hermes 的时候，他就能用你的行事风格以及标准，做你能做到的事情

（至于会不会被 ai 替代掉，我们后面再讨论）

9. 啰嗦两句：保证交付质量

不管是 Agent 还是我们自己写的，我们需要保证交付的质量

AI 带来的质量方面的好处：

1. 写单测不再是负担，并且可以达到非常恐怖的覆盖率，给重构予信心
2. 集成测试、自动化测试，都可以轻易地验证
3. debug 非常之快

但是：

1. AI 是有幻觉的（屎山也能给你写 100% 覆盖率单测，所以不能轻信）
2. 模型差异是个的代码质量差异非常大
3. AI 无法一步到位解决存量项目中的复杂度

你需要

• 选好模型，写好prompt，把控好处理流程
• review 自己的代码【不要超出你的掌控】
• 做好自测

---

写在最后

其实，由于这个浪潮来的太快，信息过载，进而导致人非常焦虑，漫天的工具、配置、最佳实践，一个又一个的热点，导致整个人非常浮躁。巨大的不确定性的情况下，我们需要去寻找确定性。

而以上，就能给你一份确定性，而且是越用越聪明，越用越有信心的积累。

或许未来有一天 Agent 强大到这些也变得没有意义，但是在当下，这个能给我们信心。