我怎样和 AI Agent 一起做事

我平时怎么用

研究里，我会让 AI 帮我检查代码、分析报错、整理资料，也会用它维护持续时间很长的任务。写程序时，我常让 Codex 或 Claude Code 直接读仓库、改文件、跑测试。生活里碰到重复步骤，也会先找工具，找不到再考虑写脚本。

我用的已经不只是聊天窗口。不同模型的 API、MCP、Skill 和简单工作流，我都会按需要接起来。工具随时会变，所以这里更想留下我反复用到的做法，以及它们在真实任务里的效果。

先把问题问清楚

有时我自己也只知道「这个东西用着不对」。这时继续堆要求通常没用。我会让 AI 反过来问我，一次只追一个会影响方向的问题，同时给一个推荐答案。回答几轮以后，真正想要什么往往就清楚了。

这也是我经常用 Grill Me 一类 Skill 的原因。它不会替我做决定，但能逼我把含糊的感觉说出来。

Skill 留少一点

我曾经装过很多 Skill，后来发现不少内容根本用不到，有些还互相重复。现在我更愿意只留经常使用、可以验收的那一小部分。

一个 Skill 写完不算结束。我会拿真实任务去试，看它有没有误解需求、漏掉检查步骤，或者把上下文塞得太满。效果不好就继续改；长期不用的直接清理。多个工具都需要同一份 Skill 时，我会尽量保留一个真源，其他地方用同步或链接解决。

动手前先想好怎样验收

AI 很容易把「已经改了」说成「已经完成」。我会提前约定检查方法：代码要运行测试，页面要看真实尺寸，配置要检查服务状态，引用要能追到来源。远端仓库还要确认可见性、提交和本地是否一致。

排障时也一样。先看真实版本、真实配置、日志、接口返回和最终输出，找到问题发生在哪一层，再决定改什么。猜测可以帮助列方向，不能冒充结果。

我会怎样组合工具

• Skill 保存做事的方法和检查顺序。
• MCP 让 Agent 接触真实服务和数据。
• 脚本负责稳定、机械、适合重复执行的步骤。
• 工作流把几个阶段串起来，并写清每一步的输入和验收条件。

任务只需要一层时，我不会硬塞四层。能用一个命令解决的，就先用一个命令。

用过的一些场景

• 在 SCM 混凝土研究中检查数据、修改代码、验证模型、绘图和整理论文材料。
• 在个人代码仓库中阅读已有实现，完成修改以后运行测试和构建。
• 处理 Windows、Linux、Docker、NAS 和网络环境中的服务故障。
• 把重复出现的操作整理成脚本、提示词、Skill 或短工作流。

我也会阅读和使用别人开源的 Skill，合适的部分再按自己的需求调整。这些经历只能说明我用过、研究过，不能算成我的项目。

目前能确认由我整理并公开的内容里，Flow2API MCP Server 把 OpenAI-compatible 的图片服务接成了 MCP 工具。

现在还在学

最近我在补 Agent memory、context engineering、权限管理和本地部署，也在想这些能力进入汽车、手机和其他终端以后会遇到什么。Agent 能调到的工具越多，确认、审计、停止和恢复就越重要。这里还有很多没想明白的地方，我会边用边记。