AI编程

GitHub 上已有 17 万星的 ponytail 项目，用一个 3.2KB 的 Markdown 规则文件约束 AI 编码行为。一次低成本对照实验显示，这类规则减少的不只是代码行数，也包括模型替开发者做决定的倾向。

大模型本身只负责根据输入 Token 预测下一个 Token，Sub-agent、工具调用和任务编排更多依赖客户端或 Agent 框架的工程能力。对 AI 编程开发者而言，复杂任务的关键不在模型分身，而在上下文隔离、工具封装与状态调度。

Matt Pocock Skills v1.3 并没有试图再造一套 AI 编程框架，而是把需求澄清、任务拆解、代码实现、PR 评审和项目复盘拆成一组可组合的 skill。它让 Claude Code、Codex 等 Agent 不止会写代码，还能被纳入真实工程流程。

Agent 从演示走向生产，难点正在从模型能力转向数据接入、记忆治理、错误恢复、权限边界和验证机制。企业需要先补齐这些工程能力，才能让 Agent 在真实业务中长期运行。

AI Agent 已经可以参与完整工程交付，但真正决定产品质量的，往往不是模型生成代码的速度，而是人工审核能否拦住隐性错误。一篇来自掘金的项目复盘记录了这样一次实践：一名开发者使用 Claude Code 和国产模型 API，在两个晚上完成了一个数据产品，覆盖 32 个品牌、720 次 AI 问答，总 API 花费不到 20 元。项目中最有价值的部分，并不是 Agent 写出了多少代码，而是六次人工审核拦截。