Agent Skills：当 Google 工程文化遇上 AI 编程代理

Tue, 07 Apr 2026 00:00:00 +0000

“AI coding agents default to the shortest path — which often means skipping specs, tests, security reviews, and the practices that make software reliable.”

— Addy Osmani

你有没有这种体验：让 AI 写一个功能，它唰唰唰生成了 500 行代码，看起来能跑，但你心里隐约不安——没有测试、没有规范、没有安全审查，甚至你自己都不完全理解它写了什么。

你不是一个人。这正是 Addy Osmani 在 GitHub 上开源 agent-skills 的原因。这个项目在两个月内斩获 7900+ stars，核心主张简单而有力：

AI 编程代理需要纪律，而不仅仅是能力。

本文将深度拆解这个项目的设计哲学、19 个 skill 的全景图、最核心的"反合理化"创新，以及——最重要的——如何在你的日常开发中真正落地这套体系。

一、Addy Osmani 其人：从 Chrome DevTools 到 AI Agent 纪律

在聊 agent-skills 之前，有必要了解它的作者。

Addy Osmani 不是一个纯理论派。他在 Google Chrome 团队工作了近 14 年，担任过 Chrome 开发者体验负责人（Head of Chrome Developer Experience），直接负责过 Chrome DevTools、Lighthouse、Core Web Vitals 这些被数百万开发者每天使用的工具。他的工作为 Google 创造了 3.5 亿美元 的利润和成本节省。

他也是 O’Reilly 出版的《Learning JavaScript Design Patterns》和《Leading Effective Engineering Teams》的作者，早年还在 jQuery 核心团队工作过。

2025 年末，他转任 Google Cloud AI Director，专注 Gemini、Vertex AI 和 Agent Development Kit（ADK）。这个职业转型的时间点非常关键——他是在充分理解大规模工程团队如何运作之后，才开始思考 AI Agent 该如何工作的。

这就是 agent-skills 的底色：不是一个 prompt engineering 技巧集合，而是 Google 工程文化的 AI 翻译版。

他在项目中明确引用了 Software Engineering at Google 和 Google 的 engineering practices guide。换句话说，这套 skill 体系的每一条规则，都在世界上最大的代码库之一（Google 的 monorepo，20 亿行代码）中被验证过。

二、为什么 AI 编程代理需要 Skill？

2.1 AI 的默认行为：走最短路径

让我们面对现实。当你对 AI Agent 说"实现一个用户注册功能"时，它的默认行为是：

直接开始写代码（跳过规范）
一次性生成完整实现（跳过增量验证）
可能补几个测试（如果你提醒了的话）
不做安全审查
不考虑 API 契约、错误处理边界、性能影响

这不是因为 AI 不会做这些事——而是因为 没人告诉它应该做，或者更准确地说，没人用结构化的方式告诉它 必须做。

2.2 从"能写代码"到"会做工程"

Osmani 做了一个关键区分：Vibe Coding vs Agentic Engineering。

	Vibe Coding	Agentic Engineering
模式	“帮我写个 XX”	“按照 spec 实现 XX”
质量控制	人工事后审查	内置验证门
适用场景	原型、黑客松	生产代码
风险	理解债务累积	前期投入大但可控
核心哲学	AI 驱动，人类跟随	人类拥有架构，AI 执行

Vibe Coding 没有错——在原型阶段它效率惊人。但如果你的代码要上生产、要被团队维护、要承受真实用户的流量，你需要的是 Agentic Engineering。

2.3 Skill 的本质：可执行的工作流

agent-skills 中的每个 skill 不是文档，不是参考手册，而是一个 结构化的可执行工作流。每个 SKILL.md 文件包含：

分步工作流程：不是"你应该做 XX"，而是"第 1 步做 XX，第 2 步做 YY，做完后检查 ZZ"
验证门（Verification Gates）：每个阶段必须通过的检查点，“看起来对"不算完成
反合理化表（Anti-rationalization Tables）：AI 常用借口及预设反驳（后面详细讲）
红旗信号（Red Flags）：识别 skill 被错误应用的迹象

三、19 个 Skill 全景：DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP

整个 agent-skills 体系覆盖软件开发的完整生命周期，组织为 6 个阶段、19 个 skill：

1
2
3


DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP
/spec /plan /build /test /review /ship
 /code-simplify

3.1 Define 阶段：先想清楚再动手

Skill	核心能力
idea-refine	结构化发散/收敛思维：理解与扩展 → 评估与收敛 → 打磨输出
spec-driven-development	先写规范再写代码，四阶段门控：Specify → Plan → Tasks → Implement

spec-driven-development 是整个体系的基石。它要求每个 spec 覆盖六大核心领域：目标、命令、项目结构、代码风格、测试策略、边界。

边界定义尤其精彩，采用三级体系：

Always：永远做的事（如：每次改动必须有测试）
Ask First：需要确认才做的事（如：修改公共 API）
Never：绝不能做的事（如：直接操作生产数据库）

还有一个"假设显性化"机制：

1
2
3
4


ASSUMPTIONS I'M MAKING:
1. This is a web application (not native mobile)
2. Authentication uses session-based cookies (not JWT)
→ Correct me now or I'll proceed with these.

这比"你有什么需求？“高效一百倍——AI 先给出假设让你纠正，而不是等你把所有需求想清楚。

3.2 Plan 阶段：把大象切成薄片

Skill	核心能力
planning-and-task-breakdown	将 spec 分解为小型、可验证的任务，每个任务有明确验收标准

3.3 Build 阶段：写代码的核心战场

Skill	核心能力
incremental-implementation	薄垂直切片：实现 → 测试 → 验证 → 提交 → 下一片
test-driven-development	Red-Green-Refactor + Prove-It Pattern + 测试金字塔 80/15/5
context-engineering	五层上下文管理：Rules → Spec → 源码 → 错误 → 对话
frontend-ui-engineering	组件架构、设计系统、WCAG 2.1 AA 无障碍
api-and-interface-design	契约优先、Hyrum’s Law、错误语义

incremental-implementation 的核心理念：如果你写了 1000 行但 100 行就够，你就失败了。 它定义了三种切片策略：

垂直切片（首选）：一次实现一个完整的端到端功能切面
契约优先切片：先定义接口/类型，再填充实现
风险优先切片：先验证最不确定的部分

context-engineering 是容易被忽视但极其重要的 skill。它定义了五层上下文层级和三种打包策略：

Brain Dump：把所有相关信息一次性灌入（小任务适用）
Selective Include：精选最相关的文件和片段（中等任务）
Hierarchical Summary：先给摘要，按需展开细节（大型任务）

3.4 Verify 阶段：证明它是对的

Skill	核心能力
browser-testing-with-devtools	通过 Chrome DevTools MCP 获取 DOM、console、network、performance 实时数据
debugging-and-error-recovery	五步分诊：复现 → 定位 → 简化 → 修复 → 防护

3.5 Review 阶段：质量把关

Skill	核心能力
code-review-and-quality	五轴审查 + 评论分级（Critical/Important/Nit/Optional/FYI）
code-simplification	Chesterton’s Fence：删代码前先理解它存在的原因
security-and-hardening	OWASP Top 10 预防 + 三级边界系统
performance-optimization	度量优先 + Core Web Vitals 目标

code-review-and-quality 的审批标准直接来自 Google：”当变更确实改善了整体代码健康度时就批准，即使它不完美。“这是一种务实的工程文化——追求进步而非完美。

3.6 Ship 阶段：安全交付

Skill	核心能力
git-workflow-and-versioning	基于主干开发、原子提交
ci-cd-and-automation	Shift Left、特性开关、质量门管道
deprecation-and-migration	“代码即负债”、僵尸代码清理
documentation-and-adrs	ADR 架构决策记录、文档化"为什么”
shipping-and-launch	发布前检查清单 + 分阶段发布 + 回滚方案

四、核心创新：反合理化（Anti-rationalization）

如果让我从 agent-skills 中只挑一个最重要的设计模式，毫无疑问是 反合理化表（Anti-rationalization Tables）。

4.1 问题：AI 特别擅长给自己找借口

当你要求 AI Agent 遵循某个流程时，它有一种令人印象深刻的能力——用看起来完全合理的理由解释为什么可以跳过某个步骤。

比如：

“这个改动很简单，不需要写 spec”
“这个函数逻辑很清晰，不需要测试”
“这只是内部 API，不需要安全审查”
“代码已经很清晰了，不需要文档”

每一条听起来都很合理，对吧？这正是问题所在。

4.2 解法：预设借口 + 预设反驳

agent-skills 的做法是在每个 skill 文件中内置一张 反合理化表，预先列出 AI 可能给出的所有借口，并提供反驳：

AI 可能说的借口	预设反驳
“这很简单，不需要 spec”	简单任务不需要长 spec，但仍然需要验收标准。两行 spec 也是 spec。
“重构不需要新测试”	重构必须保持行为不变，而证明行为不变的唯一方式就是测试。
“这只是内部使用”	内部 API 也会被依赖——Hyrum’s Law 不区分内外。
“加测试会拖慢进度”	不加测试会在未来拖慢进度十倍。
“错误处理可以后面再加”	“后面"是"永远不会"的委婉说法。

4.3 为什么这是最重要的创新？

因为它解决的不是能力问题，而是 意愿问题。

当前的 LLM 在技术上完全有能力写测试、写 spec、做安全审查。它们不做，是因为：

用户没有明确要求——LLM 默认满足显式需求
最短路径偏好——生成更少 token 通常被视为更高效
合理化能力太强——LLM 可以为任何跳过步骤的行为编造看似合理的理由

反合理化表本质上是一种 预编译的规则引擎：不是在运行时让 AI 判断"这个步骤重不重要”，而是在设计时就把所有可能的逃逸路径堵死。

这个思路对任何在 CLAUDE.md 或 .cursorrules 中写规则的人都有启发：不要只写"你应该做什么”，还要写"当你想跳过时，为什么不能跳过"。

五、80% 问题与理解债务（Comprehension Debt）

5.1 新瓶装新酒的技术债务

Osmani 在他的 Substack 文章中提出了一个犀利的观察：

AI 可以生成 80%+ 的代码，但问题转移到了 理解债务（comprehension debt）——开发者审查和合并他们无法独立编写的代码。

他引用的数据令人警醒：高 AI 采用团队的 PR 合并量增加了 98%，但审查时间也增加了 91%。

这意味着什么？AI 让你写代码更快了，但它同时制造了一种新的债务——你的代码库里有越来越多你不完全理解的代码。

5.2 理解债务的三个症状

“它能跑就行"综合症：代码通过了测试但没人能解释它的设计决策
脆弱修改：改一个地方崩三个地方，因为没人理解隐含的依赖关系
知识孤岛：只有 AI 的对话记录知道为什么代码长这样，而对话记录不会被版本控制

5.3 agent-skills 的解法

agent-skills 通过几个 skill 协同解决这个问题：

spec-driven-development：先有人类可读的规范，代码是规范的实现，而不是反过来
documentation-and-adrs：记录"为什么"而非"是什么”——ADR（架构决策记录）让未来的维护者理解当时的选择
incremental-implementation：每次只提交一小片，每片都有清晰的意图
code-review-and-quality：强制五轴审查，确保不是"AI 写了什么就合并什么"

核心哲学：AI 生成的代码量不是 KPI，人类理解的代码量才是。

六、Conductor vs Orchestrator：两种 AI 协作范式

Osmani 提出了两种与 AI Agent 协作的模型，代表了从个人到团队的演进：

6.1 Conductor（指挥家）模式

1

人类 ←→ 单个 AI Agent（实时对话）

交互方式：紧密反馈循环，每一步都有人类参与
适用场景：复杂的架构决策、敏感的生产变更、学习新领域
典型工具：Claude Code 交互模式、Cursor 对话

就像交响乐指挥——你挥棒，乐手演奏，每个乐句你都在控制。

6.2 Orchestrator（编排者）模式

1

人类 → Spec → [Agent A] [Agent B] [Agent C] → 人类审查

交互方式：异步，前端投入规范，后端审查输出
适用场景：可并行的独立任务、批量代码迁移、标准化变更
典型工具：Claude Code Agent 模式、GitHub Copilot Workspace

就像导演——你给剧本（spec），演员们各自准备，你最后审片。

6.3 什么时候用哪个？

信号	用 Conductor	用 Orchestrator
任务间有强依赖	✓
需要实时判断	✓
任务可独立并行		✓
有清晰的验收标准		✓
涉及架构决策	✓
批量重复性工作		✓

Osmani 的关键洞察：随着 spec 质量的提高，你可以把越来越多的工作从 Conductor 模式迁移到 Orchestrator 模式。这就是 spec-driven-development 被放在第一位的原因——好的 spec 是 Orchestrator 模式的前提。

七、社区争论：Skills vs AGENTS.md

agent-skills 发布后，社区出现了一个有趣的争论：按需加载的 Skills 文件 vs 全量常驻的 AGENTS.md，哪个更好？

7.1 两种流派

Skills 流派（agent-skills 的方式）：

每个 skill 独立一个文件
通过元 skill（using-agent-skills）按需发现和加载
优点：节省 token，适合大型 skill 库
缺点：AI 需要"决定"是否加载某个 skill，这个决策本身可能出错

AGENTS.md 流派：

所有规则压缩到一个文件
每次对话都全量加载
优点：没有决策点，100% 确保规则被读取
缺点：token 消耗大，规则多了之后上下文窗口拥挤

7.2 Vercel 的实测数据

Vercel 团队做了对比测试，发现将压缩文档直接放入 AGENTS.md 的任务成功率约 100%，而 Skills 按需加载方式约 79%。

原因很直接：使用 AGENTS.md 时，Agent 不需要做"我是否应该查找这个 skill？“的决策——规则已经在上下文里了。

7.3 合理的答案：两者兼用

Osmani 自己也承认这个问题，并在项目中加入了 session hook 机制——每个新会话启动时自动注入元 skill，降低发现成本。

实际上，最佳实践是 分层使用：

层级	载体	内容
永久基线	CLAUDE.md / AGENTS.md	代码风格、架构约束、绝不能做的事
按需加载	Skills 文件	特定阶段的详细工作流（如 TDD 流程、安全审查清单）
会话级别	对话中的指令	当前任务的具体上下文

八、实战指南：如何在你的项目中落地 Agent Skills

理论讲完了，下面是 可以直接复制粘贴的落地指南。

8.1 在 Claude Code 中使用（推荐）

Claude Code 对 agent-skills 有最完整的原生支持。

方式一：通过插件安装（最简单）

1
2


# 安装 agent-skills 插件
claude plugin add addyosmani/agent-skills

安装后，你可以直接在 Claude Code 中使用斜杠命令：

1
2
3
4
5
6
7


/spec — 进入规范驱动开发流程
/plan — 将 spec 分解为任务
/build — 增量实现
/test — TDD 流程
/review — 代码审查
/ship — 发布检查
/code-simplify — 代码简化

方式二：本地目录安装（更灵活）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


# 1. 克隆仓库
git clone https://github.com/addyosmani/agent-skills.git ~/.claude/agent-skills

# 2. 在你的项目 CLAUDE.md 中引用
cat >> /your/project/CLAUDE.md << 'EOF'

## Agent Skills

当执行以下任务时，加载对应的 skill 文件：
- 写规范时：读取 ~/.claude/agent-skills/skills/spec-driven-development/SKILL.md
- 写代码时：读取 ~/.claude/agent-skills/skills/incremental-implementation/SKILL.md
- 写测试时：读取 ~/.claude/agent-skills/skills/test-driven-development/SKILL.md
- 代码审查时：读取 ~/.claude/agent-skills/skills/code-review-and-quality/SKILL.md
- 安全审查时：读取 ~/.claude/agent-skills/skills/security-and-hardening/SKILL.md
EOF

方式三：配置 Session Hook（自动注入）

在项目根目录创建 .claude/hooks.json：

1
2
3
4
5
6
7
8


{
 "hooks": [
 {
 "event": "SessionStart",
 "command": "cat ~/.claude/agent-skills/skills/using-agent-skills/SKILL.md"
 }
 ]
}

这样每次开启新对话，Claude Code 会自动知道有哪些 skill 可用，并根据任务类型按需加载。

8.2 在 Cursor 中使用

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12


# 1. 克隆仓库到项目根目录
git clone https://github.com/addyosmani/agent-skills.git .cursor/agent-skills

# 2. 将需要的 skill 复制为 Cursor rules
cp .cursor/agent-skills/skills/spec-driven-development/SKILL.md \
 .cursor/rules/spec-driven-development.md

cp .cursor/agent-skills/skills/test-driven-development/SKILL.md \
 .cursor/rules/test-driven-development.md

cp .cursor/agent-skills/skills/code-review-and-quality/SKILL.md \
 .cursor/rules/code-review-and-quality.md

Cursor 的限制：不支持按需加载，放入 .cursor/rules/ 的文件每次都会被加载。建议只放 3-5 个最常用的 skill，避免 token 浪费。

进阶技巧：在 .cursorrules 中添加元指令：

1
2
3
4
5
6


## 工作流程

1. 收到新需求时，先按 spec-driven-development 规则写 spec
2. Spec 确认后，按 incremental-implementation 规则分片实现
3. 每个切片完成后，按 test-driven-development 规则补测试
4. 全部完成后，按 code-review-and-quality 规则自审

8.3 在 Gemini CLI 中使用

1
2


# 原生安装命令
gemini skills install addyosmani/agent-skills

Gemini CLI 对 agent-skills 有原生支持，安装后 skill 自动可用。

8.4 在 GitHub Copilot 中使用

1
2
3
4
5
6
7
8


# 1. 将 agents/ 目录下的角色文件作为 personas
cp -r agent-skills/agents/ .github/copilot-agents/

# 2. 将核心规则写入 copilot 指令文件
cat agent-skills/skills/spec-driven-development/SKILL.md \
 agent-skills/skills/incremental-implementation/SKILL.md \
 agent-skills/skills/code-review-and-quality/SKILL.md \
 > .github/copilot-instructions.md

8.5 不用任何工具：手动提取核心规则

如果你不想安装整个项目，可以只提取最有价值的部分，写入你项目的 CLAUDE.md 或 .cursorrules：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22


## 开发流程

### 规范优先
- 任何超过 20 行的改动，先写 spec 再写代码
- Spec 必须包含：目标、验收标准、假设列表
- 不接受"这很简单不需要 spec"——两行 spec 也是 spec

### 增量实现
- 每次只实现一个薄垂直切片
- 每个切片必须：能编译、有测试、可独立提交
- 单次提交不超过 ~100 行变更

### 反合理化规则
- 当你想跳过测试时：不加测试会在未来拖慢进度十倍
- 当你想跳过安全审查时：内部 API 也会被依赖（Hyrum's Law）
- 当你想说"后面再加"时："后面"是"永远不会"的委婉说法
- 当你想一次性提交大量代码时：大 PR 隐藏 bug，小 PR 暴露 bug

### 验证门
- "它能跑"不等于"它是对的"
- 每个阶段必须有可验证的证据，不接受"我确认过了"
- 修 bug 必须先写复现测试（Prove-It Pattern）

8.6 团队落地建议：渐进式采用路径

不要试图一次性采用全部 19 个 skill。推荐的渐进路径：

第一周：只用 3 个核心 skill

1

spec-driven-development → incremental-implementation → code-review-and-quality

这三个 skill 覆盖了最关键的问题：先想后做、小步快跑、质量把关。

第二周：加入测试和安全

1
2


+ test-driven-development
+ security-and-hardening

第三周：加入上下文和文档

1
2


+ context-engineering
+ documentation-and-adrs

第四周以后：按需加入其他 skill

1
2
3
4


+ performance-optimization（性能敏感项目）
+ frontend-ui-engineering（前端项目）
+ api-and-interface-design（API 项目）
+ shipping-and-launch（频繁发布的项目）

8.7 自定义你自己的反合理化表

agent-skills 最大的价值不是直接用它的 19 个 skill，而是学会它的 设计模式，然后写你自己的。

以下是一个模板：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20


## [你的 Skill 名称]

### 工作流程
1. 第一步...
2. 第二步...
3. 第三步...

### 验证门
- [ ] 检查项 1
- [ ] 检查项 2

### 反合理化表
| 你可能想说的借口 | 为什么不能接受 |
|----------------|--------------|
| "这种情况不会发生" | 如果不会发生，加个断言不会有任何成本 |
| "文档以后再写" | 以后的你不会记得现在的上下文 |
| "这只是临时方案" | 没有比临时方案更永久的东西了 |

### 红旗信号
- 如果你发现自己在 [某种情况]，说明这个 skill 被错误应用了

九、“你的 AI 编程代理需要一个经理”

最后分享 Osmani 的一个深刻洞察：

AI 协作本质上是 管理问题，而非 prompting 问题。

他发现，与 AI Agent 高效协作所需的能力，和管理人类团队的能力惊人地相似：

管理能力	在 AI Agent 中的对应
清晰的任务界定	写好 spec，而非模糊指令
审慎委托	判断哪些任务可以完全交给 AI，哪些需要检查点
验证循环	不是"做完了吗？“而是"给我看证据”
异步检查	Orchestrator 模式下的批量审查

委托的三个层次：

完全委托：明确的、低风险的任务（如格式化、简单重构）
带检查点委托：中等复杂度，关键节点需要人工确认
保留人工：架构决策、安全关键路径、性能关键路径

如果你曾经是一个好的技术负责人，你已经具备了与 AI Agent 高效协作的核心能力。 不同的是，你的"下属"现在每秒能输出 100 行代码——这让你的管理质量变得前所未有地重要。

总结

agent-skills 不仅是一个工具集——它是对 AI 编程时代工程文化的一次系统性思考。

几个关键 takeaway：

AI 编程代理的问题不是能力不够，而是纪律不够。agent-skills 通过结构化的工作流和反合理化机制解决这个问题。
反合理化表是最值得学习的设计模式。不要只告诉 AI “应该做什么”，还要预设它"想跳过时的借口"并提供反驳。
理解债务是新的技术债务。AI 让代码增长更快，但如果人类理解跟不上，代码库会变成黑箱。
从 Conductor 到 Orchestrator 的演进是必然的，而好的 spec 是这个演进的前提。
渐进式采用：先用 3 个核心 skill（spec + incremental + review），再逐步扩展。

最后用 Osmani 自己的话收尾：

“Agentic Engineering is not about AI writing all the code. It’s about humans owning the architecture, quality, and correctness — while AI executes under human guidance.”

人类拥有架构、质量和正确性，AI 在人类的指导下执行。

这大概是 2026 年最值得内化的一句话。

AI Agent on 鬼哥的空间