[程序员] 继上次分享 claude code 经验后，过了半年我的一些新的体验带来的一篇指南分享给大家

一句话看懂：一位资深开发者分享了半年内自己搭建的AI开发提效框架（Harness），核心是将模型选择、固定工作流（Skills）、项目规则和工具分工系统化，而非靠灵光一现的提示词。这套实践对正频繁使用Codex、Cursor、Claude Code等AI编码工具的开发者，提供了可复用的效率优化参考。

事件核心：发生了什么

原作者在V2EX社区发布了一篇面向开发者的AI提效指南，详细拆解自己如何将Codex App、多个预定义Skills、全局与项目级规则文件（如AGENTS.md）、终端工具Warp和编辑器Zed整合成一个稳定的开发工作流。他指出，AI最容易出的问题不是不会写代码，而是“不知道边界在哪里”——因此他建立了一套分层规则来约束AI行为。关键行为包括：根据任务类型（如设计、查文档、生成commit信息）固定使用特定Skill（如waza、find-docs、git-commit），避免让AI自主调用导致混乱；将全局规则（安全、镜像部署偏好）写在~/.codex/AGENTS.md，项目级规则写在仓库内；日常用Codex App管理多项目长任务，用Zed精修diff，用Warp跑命令；最后强调“技能不是越多越好”，功能重叠会导致AI混淆。

为什么重要

目前公开信息显示，大量开发者使用AI编码工具时仍停留在“聊天框模式”——遇到问题就发Prompt，遇到错误再补充上下文，效率高度依赖模型运气。原作者提出的Harness框架本质是将AI从一个问答工具升级为可管理的开发系统：通过提前定义好模型分配、工作流模板和边界规则，AI的输出稳定性和开发者的可控度大幅提升。这种“工程化”思路反映了AI辅助编程从实验玩法向生产实践的演进趋势。许多开源社区（如Aider、Cursor的Rules体系和Anthropic的Claude Code最佳实践）均强调类似原则，但缺乏一个从个人经验出发的、完整的整合案例。这篇文章恰好填补了这一空白，尤其它同步整理了Skill清单（如waza、impeccable、agent-browser）和参考资源（如OpenAI的Codex AGENTS.md指南、HumanLayer的12-Factor Agents），对其他开发者具有直接的可复制性。

对用户/开发者/创作者的影响

个人开发者：可以借鉴其“两层规则”结构，花半小时在本地建立自己的AGENTS.md，将反复提醒AI的安全边界（如不要删除测试数据、不要修改生产配置）固化下来，减少重复报错。Skill的显式指定习惯能大幅提升复杂任务的成功率。 团队或企业：可参考文中“工作流固定化”思路，将团队常见的代码审查、文档生成、PR提交流程做成共享Skill，避免每个成员各自配置带来不一致。 AI工具选型：文中的工具偏好（Codex App为主、Warp和Zed为辅）提示开发者应关注“工具分工”而非单一全能工具，不同任务（长任务修改vs.精细reviewvs.终端命令）适合不同环境，一体化的工具未必优于组合。

值得关注的后续

1. Skill生态是否会标准化：目前GitHub上已有Skill集合（如kami、khazix-skills），但格式和安装方式不统一。OpenAI或Claude是否会推出官方Skill市场，将直接影响Harness体系的可传播性。2. 规则文件写入自动化：原作者使用neat-freak skill每次任务后自动更新ROADMAP.md和AGENT.md，这种“自反修复”能力是否会成为AI开发标配？3. 企业是否接受分层规则管理：全局规则涉及机器级偏好和安全策略，项目规则涉及业务机密，在企业内推行需要权限管理支持。如果大模型平台能提供原生规则分层UI，而非让开发者手动编辑AGENTS.md，采用率会显著提升。

来源：V2EX (创意工作者社区)

[程序员] 继上次分享 claude code 经验后，过了半年我的一些新的体验带来的一篇指南分享给大家