Claude Code Skills 实践

最近 agent skills 这个名词很火啊，怎么能不掺和一下呢？

从日常开发工作中挑选了一个非常流程化的场景——根据后端提供的 swagger 文档，在前端项目中写入所需接口及数据类型——进行试验。

简易的 Skills 本质上就是放在 .claude/commands/ 目录下的 Markdown 文件。文件名就是命令名，文件内容就是提示词。这次选中的场景比较简单，提示词自然也不复杂，借助 AI 用了半个小时就写好并测试通过了。大概包含了如下几块内容：

1. 核心流程：

① 用户输入：定义用户需要提供的内容，包含环境和所需接口 url；

② 数据获取：提示 AI 通过 curl 命令获取对应环境下的 swagger 文档；

③ 信息提取：给出示例脚本，告知 AI 需要获取的字段信息，例如后端定义的接口方法名称、HTTP 方法、请求参数、响应类型等；

④ 命名规则：强制 AI 使用提取到的字段信息组成方法名、类型名，确保前后端命名一致；

⑤ 类型转换：针对特殊字段进行特别的处理，例如 id 字段往往被后端声明为 Long 类型，而后在 VO 类的字段级别借助 @JsonSerialize 注解进行转换，以字符串的格式传给前端，故而需要特别定义来覆盖 swagger 文档中读取到的类型；

⑥ 冲突处理：例如出现重复命名时，必须中断并询问客户；

2. 代码生成位置：

① 接口方法代码存放位置；

② 接口类型代码存放位置；

3. 代码模板：给出几个典型案例；

4. 用户额外需求占位符 - $ARGUMENTS。

流程跑通后，选择了一个接口（总计需增加 32 行代码）进行耗时测试：

1. AI 生成代码：

① 编写 prompt：只包含 skill 命令 + 环境名 + 接口名，用时几乎可以忽略不计；

② AI 思考并编写代码：2 分 43 秒，期间多次申请操作权限，使用者需要持续在场响应；

③ 人工检查生成的代码：49 秒。

2. 人工开发代码：2 分 36 秒。当然，这其中是有 Copilot code completion 的功劳的。即使禁用了 AI，我也习惯借助 typeof-jsonc 等插件帮助写入类型字段，总体耗时差距不会太大。

以我目前对 AI 的理解，它能够大幅提效的主要场景还是集中在：

1. 自己不熟悉的领域：省去了学习的时间；

2. 对于生成的结果容错率较高：网上各种吹嘘的神乎其神的 demo 级或者无历史负担的产品，以及艺术创作等无关对错的场景；

3. 前人栽树：已针对特定业务编写了海量的知识库以及提示词（这也是现在大家致力于做的事情）。

唉，只是老板期待的永远是一个银弹……