4.9 KiB
4.9 KiB
id, title, type, domain, stack, tags, level, prerequisites, est_hours, related, week, order
| id | title | type | domain | stack | tags | level | prerequisites | est_hours | related | week | order | |||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ai.ai-coding.workflow-rules-skills | AI 编程工具工作流：Claude Code / Cursor / Codex、规则文件、Skills 和 MCP | lesson | ai |
|
|
basic | 2.5 |
|
|
1 |
AI 编程工具工作流：Claude Code / Cursor / Codex、规则文件、Skills 和 MCP
BOSS直聘 2026-10-23 的调研中，约 16 个岗位提到 AI 编程工具（Claude Code / Cursor / Codex / Vibe coding），不少岗位要求附上“用 AI 做过的项目 + 怎么确认它有效”，有的要求编写 Skills、沉淀开发工作流。工具更新非常快，功能和配置文件格式以各工具官方文档为准。
解释说明
工具形态
| 形态 | 代表 | 特点 |
|---|---|---|
| IDE 内的 Agent | Cursor | 在编辑器里对话、改多文件、运行命令，结合代码补全 |
| 终端 Agent | Claude Code、Codex CLI | 在终端里读代码、改文件、跑测试，适合脚本化和大改动 |
| 云端 / 后台 Agent | 各工具的云端代理 | 在远程环境里异步完成任务，提交分支或 PR |
岗位关心的不是“用过哪个工具”，而是能不能用它稳定地交付正确的代码。
一个可靠的工作流
- 先给上下文：需求、相关文件、约定（规则文件）、完成标准。
- 先计划后执行：让 AI 先列出计划和要改的文件，你审核后再执行；大任务拆成小步。
- 小步提交：每完成一步就运行测试并提交，出问题容易回退。
- 验证：测试、类型检查、自己读代码、真实环境运行（见下一课）。
- 沉淀：AI 反复犯的错、团队的约定，写进规则文件或 Skill，下次自动遵守。
规则文件和 Skills
| 文件 | 作用 |
|---|---|
AGENTS.md（Cursor、Codex 等支持）/ CLAUDE.md（Claude Code） |
项目说明：技术栈、常用命令、约定、完成标准。每次会话自动读取 |
.cursor/rules/*.mdc |
Cursor 的规则，可以按文件路径（globs）生效 |
Skills（如 SKILL.md） |
某类任务的操作手册，按需加载：例如“新增接口的步骤”“发版检查清单” |
| MCP 服务 | 让 AI 工具访问外部系统：数据库结构、工单、文档、浏览器 |
Skills 的原理（只放描述、需要时加载全文）见 Agent 设计专题。写 Skill 的过程本身就是“把团队经验变成可复用工作流”，这正是部分岗位要求的能力。
什么时候不该让 AI 写
- 你自己完全不懂的领域的核心逻辑（无法验证就无法负责）；
- 涉及密钥、生产数据的操作；
- 需要深度理解业务上下文、而上下文无法提供给 AI 的部分。
案例
为订单服务新增“优惠价格计算”接口：在 AGENTS.md 写明金额用 Decimal、新接口必须有测试；调用 add-api-endpoint Skill；AI 先给出计划（schema → service → route → tests），审核后执行。AI 的第一版在“优惠券大于订单金额”时返回负数——这是由补充的边界测试发现的。修复后把“金额计算必须测试边界值”加进规则文件。
代码示例
示例目录 examples/ai-workflow：
- AGENTS.md：项目说明、命令、约定、完成标准
- .cursor/rules/backend-api.mdc：按路径生效的规则
- skills/add-api-endpoint/SKILL.md：新增接口的操作手册
AGENTS.md 的核心部分：
## 常用命令
- 测试：`uv run pytest -q`
- 检查：`uv run ruff check . && uv run mypy app`
## 约定
- 新接口必须有 pydantic 请求 / 响应模型和至少一个测试。
- 不要在代码、测试、日志中写入真实密钥、内网地址、客户数据。
- 每次改动后运行测试；测试不通过不要说“完成了”。
易错点
- 一次让 AI 完成一个很大的功能，结果难以审查，出错难以定位。
- 不给上下文就让 AI 写，它会按“常见写法”猜你的项目约定。
- AI 说“已完成、测试通过”就相信：要自己运行确认。
- 规则文件写得太长、互相矛盾，或者长期不更新。
- 把公司代码、密钥、客户数据粘贴到未经公司允许的 AI 工具中：先确认公司的使用政策。
- 依赖 AI 写自己看不懂的代码，面试被追问时讲不清。
面试常问
- 你平时怎么用 AI 编程工具？讲一个具体的例子。
- 你怎么让 AI 遵守项目的约定？
- 你写过 Skill / 规则文件吗？