『别写代码了』喊了半年，最火的却是『教 AI 写代码』——2026 年的编程叙事彻底反转

【免费下载链接】skillsPublic repository for Agent Skills项目地址: https://gitcode.com/GitHub_Trending/skills3/skills

2025 年开年，中文互联网上最响亮的口号是"别写代码了"。Claude 3.7 发布后，一篇实测文章的标题是"动嘴编程效率暴增 500%（1 小时 / 0 代码 / 7 次点击）"，评论区一片欢腾，仿佛程序员这个职业已经进入了倒计时。可到了 2026 年下半年，你再去翻各大技术社区的热帖，画风完全变了：大家讨论的既不是"还用不用写代码"，也不是某个模型又刷了多少分，而是如何教 AI 写代码——更准确地说是如何给 AI 立规矩、装技能、设边界，让它产出真正可用的工程成果。

这个反转很有意思，也很有代表性。它意味着 AI 编程的叙事从"替代人"彻底转向了"人给 AI 立规矩"。而规矩的载体，正是以本仓库为代表的一整类新东西：Agent Skills（技能库）。本文结合社区真实讨论与仓库源码，拆解这半年叙事反转的来龙去脉，以及它对普通开发者意味着什么。

回看 2025：『别写代码了』的乐观叙事是怎么被现实修正的

先回到乐观叙事的巅峰时刻。2025 年 2 月，Claude 3.7 发布，SWE-bench 成绩一度被当作"AI 已经会写代码"的硬证据；随后"动嘴编程""AI 替我上班"的标题党文章铺天盖地，点击量动辄过万。当时的主流叙事非常简单粗暴：既然模型能把编程题做对，那写业务代码就是"自然语言 → 成品"的单向管道。

现实在半年内就把这套叙事修正了。修正过程不是靠某个模型退步，而是靠大量开发者真实的、可复现的挫败：

• "写出来的代码跑不通"。这是被吐槽最多的问题。模型能生成语法正确的代码，却常常忽略项目里既有的约定——目录结构、命名规范、既有工具链、数据格式，全都"不知道"。
• "写得太啰嗦、还爱重复造轮子"。三次对话里，AI 分别手写了三份功能相同的 helper 脚本——因为它根本不记得（也无从记得）上一次是怎么实现的。
• "结果没法验收"。AI 产出的是"看起来像"的交付物，而不是能直接进生产、能通过 XSD 校验、能通过单元测试的工程制品。

社区里的讨论很能说明问题。2026 年 8 月掘金上一篇题为《拒绝 AI 乱写代码：手把手教你玩转 Claude Code 的工程化技能集》的文章，开篇就直白地列了三条痛点："AI 写出来的代码完全跑不通""写得太啰嗦""每次都很不专业"。另一篇高赞文章《Claude Code Skills：从手写到工具化，教 AI 新技能的完整指南》则提出一个关键论断：给 AI 教新技能，"不是调参数，不是写代码训练模型"，而是把一件事的标准做法写下来、固化下来。

也就是说，真正被现实淘汰的不是"写代码"，而是"不写代码、全靠模型自由发挥"。模型缺的从来不是"会不会写"，而是"知不知道你的规矩"。

2026 的真相：从『AI 替代人』到『人给 AI 立规矩』，技能库正是规矩的载体

2026 年的技术叙事里，出现了一个此前不存在的新物种：Agent Skills。它的定义很朴素——在本仓库的 README.md 里写得很清楚：

Skills are folders of instructions, scripts, and resources that Claude loads dynamically to improve performance on specialized tasks. Skills teach Claude how to complete specific tasks in a repeatable way.

翻译成大白话：技能就是一个装满"指令、脚本、资源"的文件夹，Claude 在需要时动态加载它，从而学会"以可重复的方式完成特定任务"。请注意两个关键词：动态加载和可重复。这正好是对准上面三组痛点的：

• 知识不会常驻上下文，用到才加载——省 token；
• 做法被固化下来，不再每次重新发明；
• 验收标准写进技能里，产出从"像"变成"达标"。

技能的解剖：一个目录 + 一份 SKILL.md

技能的物理形态极简，仓库里的 template/SKILL.md 是整个规范的最小骨架：

--- name: my-skill-name description: A clear description of what this skill does and when to use it --- # My Skill Name [Add your instructions here that Claude will follow when this skill is active]

核心只有两个字段：name（唯一标识）和description（触发条件 + 功能描述）。正文是 Markdown 指令。而 skills/skill-creator/SKILL.md 给出了一个技能文件夹的完整解剖结构：

skill-name/ ├── SKILL.md (required) │ ├── YAML frontmatter (name, description required) │ └── Markdown instructions └── Bundled Resources (optional) ├── scripts/ - Executable code for deterministic/repetitive tasks ├── references/ - Docs loaded into context as needed └── assets/ - Files used in output (templates, icons, fonts)

这个结构本身就藏着对"立规矩"的完整回答：SKILL.md 立行为规矩，scripts/ 兜底确定性的活儿，references/ 按需加载领域知识，assets/ 提供产出素材。注意 skill-creator 里反复强调的两条写作纪律——"Keep SKILL.md under 500 lines"，超过就往 references 里分层次；以及"Explain the why behind everything"，少用全大写的 MUST，把理由讲清楚让模型真正理解。这本质上就是在写"给 AI 看的、有理论依据的规矩"，而不是一堆生硬的禁令。

规矩的密度：一个生产级仓库是怎么教 AI 干活的

如果说单个技能是"一条规矩"，那本仓库就是一个"规矩体系"：19 个技能、覆盖创意设计、文档办公、开发工具链与企业通讯四大类，多数以 Apache 2.0 开源，少数（文档类）为 source-available 参考实现。最能体现"规矩密度"的是文档四件套——docx、pptx、pdf、xlsx，它们正是驱动 Claude 原生文档能力的那套生产代码。

随便翻开一份 skills/docx/SKILL.md，你看到的不是"请生成一份 Word 文档"这种模糊指令，而是一整本避坑手册：

• 创建用docx(npm) 脚本、编辑用unzip改 XML、读取用pandoc——按任务选工具；
• "Page size defaults to A4"、表格要双份宽度（table + 每个 cell）、列表禁止手打•要用 numbering 配置、PageBreak必须包在Paragraph里；
• 修订（redlining）后必须用validate.py --author "<name>"校验，确保每处改动都有<w:ins>/<w:del>包裹。

而 skills/xlsx/SKILL.md 更是把"规矩"写成了铁律："Zero formula errors"——绝不允许带着公式错误交付；"Use formulas, never hardcoded results"——写入=SUM(B2:B9)而不是 Python 算好的结果，因为表格必须能随输入自动重算。这些不是建议，是验收红线。

这类技能的密度有多高？skills/pptx/SKILL.md 里的坑位清单可以直观感受一下：color禁带#号、阴影offset必须非负、堆叠柱状图的dataLabelPosition用了outEnd会直接损坏文件、组合图的副轴必须同时声明valAxes和catAxes……每一行背后都是某家公司的某个真实翻车现场。写进技能，等于把这些血泪教训一次性、永久地灌输给每一轮新的模型会话。

从 Skills 到 Mods：规矩正在渗入 Agent 的运行时

"立规矩"叙事在 2026 年还往前推了一步。2026 年 10 月，Claude Code v2.1.287 引入了Mods——一段 TypeScript/JavaScript 函数就能挂到事件流上，对工具调用执行"观察 / 改写 / 接管"三类操作。人人都是产品经理上的分析文章给出了清晰的选型对照：Skills 是 Markdown 载体、作用于模型上下文，适合教模型"如何理解任务"；MCP 是外部进程、提供工具；Hooks 是生命周期脚本、做放行审核；Mods 则是进程内事件函数，能重绘界面、拦截高危命令（官方示例 Blast Radius 会在执行危险操作前弹出确认框）。

这套扩展体系从"教模型"（Skills）一路延伸到"拦截执行"（Mods），完整覆盖了"立规矩"的三个层次：知识层、工具层、运行时层。而官方明确表态要把内置能力逐步拆成 Mods、把 Claude Code 缩成可拼装的 Core——这意味着"给 AI 立规矩"不再是一个仓库的附加功能，正在成为整个 AI 编程运行时的设计哲学。

这对个人开发者意味着什么：学 prompt 还是学写技能

叙事反转对个人开发者最大的冲击，是技能栈的重心变了。2025 年你只要会写自然语言 prompt 就能"动嘴编程"；2026 年你会发现，纯 prompt 的天花板低得惊人——因为 prompt 是一次性的，而规矩是需要沉淀的。

看本仓库怎么教人沉淀规矩。它的 skills/skill-creator/SKILL.md 几乎是一本"如何写技能"的完整工作流：先通过访谈明确意图和触发条件 → 起草 SKILL.md → 写 2-3 条真实用户口吻的测试 prompt → 同时跑"带技能"和"不带技能"两组基线 → 用可量化的 assertions 打分 → 打开 eval viewer 给人审阅 → 根据反馈迭代，直到满意 → 最后用 skills/skill-creator/scripts/package_skill.py 打包成可分发安装的.skill文件。

这个循环里最有价值的是两个工程细节：

一是"带技能 vs 不带技能"的基线对比。一个技能值不值得写，不靠感觉，靠数据：同一组测试 prompt，分别让模型裸跑和带技能跑，对比通过率、耗时、token 消耗。如果技能没有带来可测量的提升，就该砍掉。这正是"规矩"与"废话"的区别。

二是 description 的调优（Description Optimization）。技能触发靠的是模型读description后自行判断，而模型对"该不该用技能"的直觉并不总是准。skill-creator 给出的做法是：造 20 条查询（一半该触发、一半不该触发，且负例必须是"看似相关实则无关"的陷阱题），反复跑run_loop.py优化 description 的描述精度，按 60%/40% 划分训练与留出集，用留出集得分选最佳描述防过拟合。换句话说，连"什么时候该立规矩"本身，都要用数据来立规矩。

所以回到那个问题：学 prompt 还是学写技能？答案不是二选一，而是层级关系——prompt 是给单次任务用的临场指挥，技能是把一类任务的规矩固化下来的可复用资产。前者解决"这一句话怎么说"，后者解决"这一类事怎么做"。当你的工作里出现"同一类事情做第三遍"时，就该从"写 prompt"升级到"写技能"了；而当你想写技能时，最好的起点就是照抄仓库里成熟技能的解剖结构：一个目录、一份带 frontmatter 的 SKILL.md、按需挂脚本与参考文档、用可复现的测试来验证它真的有用。

结语：叙事反转的真正含义

"别写代码了"喊了半年，最后最火的却是"教 AI 写代码"，这看起来像个玩笑，其实是个必然。因为 2026 年的 AI 编程，真正稀缺的从来不是"模型会不会写代码"，而是"代码符不符合你的规矩"。技能库之所以成为叙事的新主角，正是因为它第一次把"人的工程经验"变成了可装载、可分发、可度量的资产——你可以从 template/SKILL.md 开始写第一条规矩，把它装进 Claude Code、Claude.ai 或 API，让它替你把 Word 文档做到过检、把表格做到零公式错误、把幻灯片做到不损坏文件。

而下一个值得追问的问题是：当规矩可以被写出来、打包、复用、甚至像 Mods 那样拦截进运行时之后，程序员的核心能力会沉淀到哪里？从本仓库给出的答案看，不是"不再写代码"，而是"写更高级的代码"——写那些让 AI 稳定产出正确结果的规矩本身。这就是 2026 年编程叙事反转的真相：代码没有被淘汰，它只是从"实现功能"的载体，变成了"约束智能"的载体。

【免费下载链接】skillsPublic repository for Agent Skills项目地址: https://gitcode.com/GitHub_Trending/skills3/skills