AI 写的代码，凭什么能上生产？谷歌工程师用这套开源工具给出了答案

本文面向喜欢 Vibe Coding 的同学，介绍谷歌 Cloud AI 负责人 Addy Osmani 开源的 agent-skills 项目——一套将 Google 级工程规范注入 AI 编程智能体的生产级技能库。

一、现实很扎心：你的 AI 同事在走捷径

打开 Claude Code、Cursor 或 Copilot，输入一段需求，几秒后代码就出来了。看起来能跑，提交，完事。

这个流程的问题出在哪？

AI 永远在找"最短路径"。 它不会主动写测试、不会追问边界条件、不会关心三个月后的维护成本。你拿到的，往往是一堆功能可行但结构脆弱的"快餐代码"。等真正出了线上问题，重构的代价可能是当初开发时间的五倍。

这不是 AI 能力不够，而是缺少约束——没有人告诉它必须按工程规范来。

二、有人把谷歌的工程文化，做成了一个开源项目

谷歌 Cloud AI 负责人 Addy Osmani 开源了 agent-skills，将谷歌内部沉淀多年的软件工程实践，凝练成一套 AI 智能体可直接调用的技能库。

核心思路只有一句话：用流程替代随意描述，用校验替代模糊感觉。

它内置 23 项技能，覆盖软件开发的完整生命周期：

阶段	代表技能	作用
定义	`spec-driven-development`	把模糊需求变成带退出标准的规约
规划	`incremental-implementation`	拆分任务，杜绝大爆炸式提交
构建	`test-driven-development`	TDD 强制先写断言再写实现
验证	`code-review`	从性能、漏洞、可维护性多角度审查
发布	`safe-deployment`	灰度发布与回滚预案前置

其中最有意思的是反合理化机制：当智能体试图用"这个太简单不用测试"或"先跑起来再说"等借口跳过步骤时，系统会触发明确的反驳依据，把偷懒行为强制拦截。

三、四步上手：让你的 AI 从"能用"变成"可信"

以 Claude Code 为例，完整演示接入流程。

Step 1：安装技能库

bash

# 推荐方式：通过插件市场直接安装
/plugin marketplace add addyosmani/agent-skills
/plugin install agent-skills@addy-agent-skills

# 网络受限时，改用 HTTPS 克隆
/plugin marketplace add https://github.com/addyosmani/agent-skills.git

Step 2：需求访谈，先想清楚再动手

bash

/spec "开发一个支持布隆过滤器的用户注册去重模块"

智能体不会立即写代码，而是通过 interview-me 技能追问你：

预期并发量是多少？

误判率的容忍上限？

过滤器需要持久化吗？

最终输出一份包含退出标准和边界条件的规格说明书。这一步通常被初学者跳过，但它决定了后续所有工作的方向对不对。

Step 3：增量构建，配套测试同步写

bash

/build "实现布隆过滤器的哈希函数解析与位图映射"

智能体调用 incremental-implementation 技能，不会一口气输出几百行代码，而是以小步快跑的方式逐段推进。每完成一个逻辑单元，自动触发 test-driven-development，直到所有断言通过才继续下一段。

这个过程背后藏着两个经典定律：

Hyrum's Law：API 一旦有用户，所有可被观察的行为都会被依赖——所以边界检测不能省。

Chesterton's Fence：不明白为什么存在的代码，先别删。技能库在精简代码前会强制探寻原有逻辑的意图。

Step 4：代码审查 + 安全发布

bash

/review   # 多维度代码审查
/ship     # 生产发布前置检查

/review 会让智能体像资深同事一样审视自己刚写的代码：有没有潜在的 SQL 注入？这个循环的时间复杂度合理吗？有没有遗漏的错误处理？

/ship 则引导完成灰度发布配置和回滚预案，不让代码裸奔上线。

四、这对你意味着什么

软件工程专业的核心竞争力，从来不是记住多少 API，而是对工程质量的系统性把控。

agent-skills 做的事，是把 Google 十几年积累的工程文化，转化成任何人都能一键调用的工具链。它不替你做决策，但它确保你在每个关键节点上做了决策。

现在的 AI 写代码很快，但会不会写"好代码"，取决于你给它套了什么样的框架。

项目地址：https://github.com/addyosmani/agent-skills