如何将AI技能融入工程实践，开启业务开发新纪元？

引言 仔细审视我们的工作内容不难发现，其中相当一部分其实是高度重复的。这也是为什么不少程序员会自嘲为 CRUD Boy——某种程度上，这是对工作重复性的精准概括。 以我个人的开发流程为例，大致遵循以下步骤： 需求分析：基于业务需求，结合现有系统设计实现方案 方案评估：评估影响范围，需要新增哪些表、修改哪些表 基础代码实现：CRUD、基础 Service、RPC 接口、Web 接口 复杂业务实现：在业务 Service 中编排基础能力，完成业务逻辑 测试阶段：测试、修复 Bug 上线流程：打包、Code Review、提交 MR、合并主干 不同职业的重复形态各不相同。相比需要直面高度不确定现实世界的职业，程序员相对“幸运”的一点在于：我们的工作大多发生在一个极度强调确定性的工程环境中。这也使得我们可以用工程化手段，去系统性地解决重复问题。 从 2023 年开始，我逐步尝试借助 AI 去覆盖这些流程中的重复环节，例如： 基于 CRUD 模板自动生成代码 根据自然语言生成 DLL / 模块模板 在项目中沉淀结构化文档供 AI 使用 通过自定义command、mcp写周报、输出文档 这些实践已经在很大程度上提升了效率，也减少了日常开发中的重复劳动。 但与此同时，我也在持续思考：这件事，是否还能再往前走一步？ 如果继续往前思考一个问题： 当 AI 不只是帮我们“写一段代码”，而是能够理解一类工作，并稳定复用这种能力，会发生什么？ 过去两年，AI 更多承担的是“增强工具”的角色——帮我们生成代码、补全函数、写文档、写 SQL，本质上仍然是一次性辅助。 但如果换一个视角： 我们是否可以把这些已经验证有效的能力，沉淀为可复用的能力模块？ 不是每次重新写 Prompt，而是把经验、流程、规则、上下文，封装成一个可以长期复用的能力单元。 这也正是我开始关注 Skill/能力模块化 的原因。不了解Skill的同学可以移步我之前写过的两篇文章： Claude Skills是什么？为什么要引入Skills？ 从0到1打造Skill：完整实战指南 相比单次 Prompt，Skill 更像是对“经验”的工程化沉淀： 把最佳实践固化下来 把复杂上下文结构化 把一次次试错结果转化为稳定能力 如果说过去我们是在用 AI减少重复劳动， 那么接下来更值得尝试的是： 让AI帮我们消灭一整类重复劳动。 Let's begin！ 在AI辅助开发的语境下，Skill就是一个包含了领域知识、最佳实践、代码模板的知识包。