人xAI的协助边界

在介绍AI CLI之前，请允许我们先聊聊 “Vibe Coding”。从早期的“代码补齐”工具到如今的”Code Agent”，市面上出现主流的AI编程辅助工具，包括 Github Copilot、Cline、Cursor、Gemini CLI、Claude Code等，体验过从 CodeX 到 Jules 等异步Coding Agent平台。基于这些实践经验，探讨AI在编程中的辅助边界，并分享我在“Vibe Coding”中的实际应用方式。

一、好的实践

1. “先思考” vs “先实践”

我的实践是 先思考，进行充分的规划确保AI的改动更稳定和可靠。当然这里有个前提是你对项目已经有清晰的掌握和认知。
如果仅仅是希望快速验证某个想法，或者项目本身属于“短平快”的类型，无需过多关注质量和未来的可迭代性，那么可以先着手实施，在执行过程中发现问题并及时调整，通过持续迭代逐步完善。这种方式在某些情况下相比“先思考”，反而更能高效的达成目标。

如果不知道如何开始“先思考”、可以试试plan mode(shite+tab切换模式)
作为实施的节点，可以先计划后之执行，对于不熟悉的项目，可以先指导AI进行 探索 。

2. “渐进迭代” vs “一步到位”

我的实践是 渐进迭代。使用AI编程时，我们要时时刻刻提醒自己，AI并不会真的理解你要做什么，他就是一个无脑但是勤劳的实习生，必须详细明确告知每一个细节和要求，同时还需要对产生的结果进行监督。
AI的编码能力很强，但它对架构的整体掌握和对你的业务理解是有限的。一次性生成或者改动太多的代码容易让我们失去掌握、无法辨别哪些更改是有必要的。当出现问题时，调试的复杂度会呈指数级增长。
“渐进迭代” 相比直接让AI完成整个项目或者页面的编写，将任务拆分为更小的单元，例如“任务1:请先实现xx组件”，这种小步快跑的方式有助于确保项目始终沿着正确的方向推进，避免偏离预期轨道。

这里推荐两种方式：
版本管理： 开始新任务之前，先把当前的任务结束并提交、即使一次要完成很多功能也请分步改动并提交。
交叉评审： 让另一个 AI模型 对当前的变更进行CR，看看有什么优化和改进的地方，从而获得更好的结果。

推荐开2个终端（多个实例）、一个负责写代码、一个负责CR。

二、认识 AI CLI

1. AI CLI 是什么

AI CLI，就是一个聪明的命令行助手（Code Agent），社区有 Claude Code、 Codex、Aider、Gemini-cli等。你用自然语言给它派活，它能理解上下文、调用工具、与大模型交互来完成任务。

2. AI CLI的工作原理

• 模型会根据 Prompt，在一个循环中持续调用工具，直到它自主判断任务已经完成
• AI CLI提供 Agentic Search 帮助你理解项目结果和逻辑
• 提供知识库帮助模型武装第二大脑
• 深入理解 业务、持续集成内部基建。

3. AI CLI的边界与优势

当然与所有的工具一样，AI CLI也有自己擅长和不擅长的领域

擅长： 分析复杂的代码逻辑并理解各个模块之间的调用关系，绘制出清晰的时序图或架构图，Takumi 在此类任务中表现出色。理解和总结信息正是大语言模型（LLM）的强项。又或者您希望快速实现一个页面、修复某个问题，AI CLI也能做出不错的表现。
不擅长： 冷门的技术栈（框架）、受限于模型的训练可能会幻觉严重，有明确规则并且准确率要求比较高的自动化任务、比如像是构建工具迁移。让AI CLI开发个迁移工具，比直接让他来改靠谱。

4. AI CLI应用场景

• 项目理解和上手： 当你接触一个新项目，或者换一个新的技术栈时，往往需要大量的时间熟悉代码、AI CLI可以极大的压缩这个过程。可以直接问它“某个功能在哪里实现的？”“项目的整体架构？”“或者通过git历史了解项目最近几周的迭代”
• 小黄鸭DEBUG：当遇到复杂的方案设计或者遇到棘手的BUG 不放把 AI CLI 当作你的小黄鸭、帮你提供不同方案的参考、复杂问题的拆解，比如你可以说“我准备实现xx功能，请分析当前项目，提供2~3种解决方案分析优劣，输出到docs中暂时不要写任何代码”
• 高效编码： 不管是从0到1还是在现有仓库中工作、它能极大地提升日常开发效率、比如把上面的方案让 AI CLI执行看看。
• CI/CD： 可以使用“无头模式”（Headless Mode）以编程方式使用它，将其集成到 CI/CD 流程中，实现自动化工作。
• 调试和修复问题： 描述一个错误或粘贴错误消息。 AI CLI会分析代码库，识别问题并实施修复。
• 自动化&规模化： 通过自定义指令我们可以将复杂并重复的工作交给他、比如技术职务治理。将Java8升级到Java11。
• 答疑解惑机器人： 询问和代码库的任何问题，并获得AI深思熟虑后的答案。
• 终端工具大师： AI CLI精通各类命令行工具，如 Git, Docker, ffmpeg等。如果忘记了某个命令是什么，如何执行启动，可以让 AI CLI来帮忙执行和解决。

三、Skills配置

1. AI CLI + Skills

一个Skill 本质上就是一个 Markdown文件（文件名固定为 SKILL.md），有最小的必填示例：

---
name: skill-name
description: 说明该 Skill 的功能以及适用场景
---

如果希望AI完成自动化，需要一本可复用的”操作手册”。
在AI CLI 时代，Skills用流程+工具链的方式，通过简单的描述让AI完成复杂的流程，并且几乎所有模型天生知道如何使用它们（不依赖于特定的接口或其他代码层函数）

当然Skills不能完全取代MCP，在AI操作有状态服务的场景下还是使用MCP更为合适，如Chrome MCP：打开网页->操作网页->读取日志。使用同一个浏览器进程，同一个网页内存，且过程多次状态转移，是MCP极佳的应用场景。

2. AI编写Skills

如果对SOP已经相当熟悉，希望让AI来自动化的完成一些事情（周报生成、视频字幕），就可以让AI自己编写Skills帮助完成重复的工作。

在 Claude Code 中执行

/plugin marketplace add anthropic/skills

如果是opencode或者其他AI CLI工具，也可以在工作目录下执行命令，手动安装，根据提示操作即可

npx skills add https://github.com/anthropics/skills --skill skill-creator

就算完全不懂代码、不懂技术、不懂工具链，也可以在工作目录下让大模型完成某个任务。
比如 “根据目录中上周的BI数据，生成带周环比的周报”。中间大模型如何读取，结构化，处理这些数据完全不用关心，最后它会给你一个周报，甚至可以让AI做一个可视化、可操作、由人来确定的评估系统，如果AI做错了，可以要求它重做。

如果大模型确实出色的完成了这个任务，这个时候提示它使用Skill Creator

用Skill Creator总结以上流程，生成一个周报生成器Skill

只需要一句话就能让Claude Code帮你生成一个可以复用的Skill。
节约精力真正聚焦在高风险且重要的事情上。