# AI-Toolkit：面向Claude Code和OpenCode的AI编程技能库

> AI-Toolkit是一个全面的AI编程技能集合，支持Claude Code和OpenCode，涵盖TDD、.NET开发、边缘计算、RAG、MCP等多个领域的专业技能。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-04-18T16:16:04.000Z
- 最近活动: 2026-04-18T16:19:44.299Z
- 热度: 145.9
- 关键词: AI coding agent, Claude Code, OpenCode, TDD, software development, skills, subagents, edge computing, RAG, MCP
- 页面链接: https://www.zingnex.cn/forum/thread/ai-toolkit-claude-codeopencodeai
- Canonical: https://www.zingnex.cn/forum/thread/ai-toolkit-claude-codeopencodeai
- Markdown 来源: ingested_event

---

## 项目概述：AI辅助开发的技能生态\n\n随着Claude Code、OpenCode、Cursor等AI编程工具的兴起，如何有效利用这些工具成为开发者面临的新课题。AI-Toolkit项目应运而生，它是一个系统化的AI编程技能集合，旨在为开发者提供经过精心设计的**技能（Skills）**和**子代理（Subagents）**，以提升AI辅助软件开发的效率和质量。\n\n该项目支持主流AI编程平台，包括**Claude Code**和**OpenCode**，并通过标准化的AGENTS.md文件实现跨平台兼容。这种设计使得技能可以在不同工具间复用，避免了重复造轮子。\n\n## 核心架构：技能与子代理的双层设计\n\nAI-Toolkit采用清晰的分层架构，将功能划分为**技能（Skills）**和**子代理（Subagents）**两个层次：\n\n**技能（Skills）**是特定领域的知识库和执行协议，它们定义了如何完成特定任务。例如，TDD-cycle技能规定了红-绿-重构周期的执行流程，dotnet-vertical-slice技能提供了垂直切片架构的脚手架模板。\n\n**子代理（Subagents）**则是能够自主执行任务的AI代理，它们调用技能来完成更复杂的工作流程。例如，code-review-agent使用automated-code-review技能来执行代码审查，documentation-agent使用doc-sync技能来保持文档同步。\n\n这种分层设计的好处在于**关注点分离**：技能专注于"做什么"和"怎么做"，子代理专注于"何时做"和"协调执行"。这使得系统既具有灵活性又易于维护。\n\n## TDD技能组：测试驱动开发的AI实践\n\nAI-Toolkit的TDD技能组是其最完整的模块之一，基于Kent Beck的TDD原则和12条测试期望（Test Desiderata）构建。该技能组包含六个核心技能：\n\n- **tdd-cycle**：编排红-绿-重构周期，维护阶段状态并强制执行状态转换\n- **tdd-implementer**：绿阶段专家，使用Fake It、Obvious Implementation或Triangulation策略实现最小化代码\n- **tdd-refactor**：重构阶段专家，安全地改进代码结构，包含代码异味检测和重构配方\n- **tdd-agent**：完全自主的TDD模式，AI驱动所有阶段并带有严格防护栏\n- **tdd-pair**：协作式TDD，支持Ping-Pong、Navigator和Teaching模式\n- **tdd-verify**：审计代码的TDD合规性，检测反模式并生成合规报告\n\n这些技能覆盖了TDD实践的完整生命周期，从初始测试编写到持续重构，为开发者提供了系统化的AI辅助TDD支持。\n\n## .NET企业开发技能组\n\n针对.NET生态系统，AI-Toolkit提供了丰富的企业级开发技能，涵盖架构模式、数据迁移、安全审查等多个方面：\n\n**架构与脚手架**：dotnet-vertical-skill支持垂直切片架构与CQRS+FreeMediator组合，minimal-api-scaffolder提供.NET 10最小API模板，包含OpenAPI文档、版本控制和安全模式。\n\n**数据与迁移**：ef-migration-manager处理EF Core迁移生命周期，包含安全检查、数据丢失检测、SQL审查和回滚验证。legacy-migration-analyzer则专注于.NET Framework到.NET 10的迁移分析，提供风险评分和增量升级策略。\n\n**安全审查**：dotnet-security-review基于OWASP标准，dotnet-security-review-federal则扩展支持联邦合规（NIST 800-53、DOE、CUI、FIPS），生成面向管理层的报告。\n\n## 边缘计算与计算机视觉技能组\n\nAI-Toolkit还关注边缘AI场景，提供了一系列针对Jetson和Raspberry Pi优化的技能：\n\n- **edge-cv-pipeline**：OpenCV + TFLite计算机视觉管道，支持模型转换和性能分析\n- **jetson-deploy**：Jetson Orin Nano部署，包含TensorRT优化、容器化和电源管理\n- **sensor-integration**：传感器数据管道，支持I2C、SPI、UART、GPIO协议，包含校准和异常检测\n- **picar-x-behavior**：SunFounder Picar-X的可组合机器人行为，采用包容架构和行为树\n\n这些技能使得开发者能够在资源受限的边缘设备上构建和部署AI应用，填补了云端AI与嵌入式AI之间的技能鸿沟。\n\n## RAG与本地LLM技能组\n\n在检索增强生成（RAG）和本地大模型管理方面，AI-Toolkit同样提供了实用技能：\n\n- **rag-pipeline-python**：基于Python/LangChain/LlamaIndex的RAG脚手架，支持Ollama/云端嵌入、分块策略和向量存储\n- **rag-pipeline-dotnet**：基于Microsoft Semantic Kernel的.NET RAG实现\n- **mcp-server-scaffold**：自定义MCP服务器创建，基于FastMCP（Python），包含测试模式和协议参考\n- **ollama-model-workflow**：本地LLM管理，支持Modelfile配置、量化和基准测试\n\n这些技能反映了当前AI应用开发的热点趋势，为开发者构建RAG应用和本地LLM部署提供了标准化路径。\n\n## 软件工程判断力训练技能组\n\nAI-Toolkit的一个独特之处在于其**判断力训练技能组**，这些技能旨在通过刻意练习、苏格拉底式提问和压缩反馈循环来培养软件工程判断力：\n\n- **architecture-review**：通过苏格拉底式提问挑战设计，从SOLID、耦合、故障模式和可扩展性角度进行批判\n- **pattern-tradeoff-analyzer**：模式选择教练，呈现2-3种模式的显式权衡，挑战"金锤"倾向\n- **system-design-kata**：领域校准的练习（安全工作流、边缘集群、混合云），附带评判标准\n- **code-review-coach**：代码审查的刻意练习，用户先审查再与专家分析对比\n- **refactor-challenger**：重构优先级教练，区分审美偏好与生产影响异味\n- **security-review-trainer**：渐进式安全挑战，在干净代码中故意植入漏洞，评分发现结果\n\n这些技能超越了简单的代码生成，致力于培养开发者的**工程判断力**——这是AI工具时代人类开发者最应强化的核心竞争力。\n\n## 结语：AI辅助开发的未来范式\n\nAI-Toolkit代表了一种新的AI辅助开发范式：**不是让AI替代开发者，而是通过结构化技能提升开发者的能力**。它承认AI工具的价值，同时强调人类判断力、工程实践和领域知识的重要性。\n\n对于使用Claude Code或OpenCode的开发者而言，AI-Toolkit提供了一套经过验证的、可复用的技能库，可以立即提升工作效率。更重要的是，它展示了一种思考AI辅助开发的框架——将AI视为增强人类能力的工具，而非替代品。