目录 一、你注意到没有编程的门槛正在被重新定义 二、本质不是“AI写代码”是“经验被封装” 三、Skill 到底是什么——技术层面拆给你看 四、一个对比让你看懂为什么 Skill 比对话更可靠 五、这件事对你意味着什么 六、最后一个问题一、你注意到没有编程的门槛正在被重新定义2026年有个数据挺扎眼78%的开发团队已部署AI辅助工具。Cursor每周人均编码量翻了一倍以上单次PR新增代码量同比暴涨2.5倍。但另一组数据更值得琢磨60%的人已在用AI写代码却只有不到20%敢完全放手。我接触过的团队里大部分人的状态其实是这样的——AI补全用得挺溜但真要让它独立完成一个完整任务心里没底。代码能跑但不敢合。与此同时行业里另一件事正在发生。Anthropic的工程师用Claude Code人均代码量翻了8倍但团队内部人与人之间的交流反而变少了。硅谷那边甚至有人用“近乎忧郁”来形容工程师的职涯困境。一边是效率暴涨一边是信任崩塌。工具越强人越焦虑。这不是危言耸听。你只要还在写代码迟早会面对一个问题AI生成的东西你敢不敢直接信二、本质不是“AI写代码”是“经验被封装”过去两年大家对AI编程的认知大多停留在“对话式补全”或“单次指令执行”。你问一句它答一句。你给一个需求它吐一段代码。这种模式的问题在于——每次都要从头开始。没有积累没有复用没有版本控制。你今天调教好的效果明天换个项目就没了。Cursor团队看到了这件事。他们在v0.50版本做了一件很有意思的事推出原生Skills系统。本质不是什么新技术突破。核心在于把“如何做一件事的经验”固化成一个可复用的单元。你可以这样理解Rules是永远生效的声明式约束——比如“代码缩进用4空格”Skills是动态触发的程序化操作指南——比如“当我输入/review时按以下流程审查代码”一个是“规矩”一个是“手艺”。Skill解决的根本问题是让AI像一个有经验的同事一样在特定场景下稳定输出专业行为而不是每次都碰运气。这对测试从业者意味着什么意味着你不需要会写代码也能把测试经验“教”给AI。三、Skill 到底是什么——技术层面拆给你看说具体点。一个Cursor Skill本质上就是一个YAML配置文件。name: “CodeReviewer Pro”description:“跨语言代码审查覆盖安全、风格、性能”trigger:command:“/review”languages:[“python”,“java”,“go”,“javascript”]context:include_file_path:trueinclude_project_root:trueprompt_template: |你是一位资深软件工程师专注于安全、高性能、可维护的代码。审查以下{{language}}代码文件{{file_path}}重点关注安全漏洞SQL注入、XSS等资源泄漏风格违规性能反模式输出格式[严重程度] 类别问题描述 → 修复建议这个文件一共不到30行。你不需要写任何代码只需要用自然语言描述“你希望AI怎么工作” 。背后的技术机制行业内叫 “渐进式披露” 。什么意思传统对话系统是一次性把所有上下文塞给模型——system prompt user prompt 工具列表 对话历史。Token消耗大上下文容易跑偏。Skills的做法不同。Agent启动时只加载每个Skill的元数据名称和描述大约100个token。当模型判断需要某个Skill时才加载它的完整指令不到5k token。如果还需要更多信息Agent会继续向模型披露。核心在于只在需要的时候加载需要的内容。 不像以前那样把所有东西塞进一个对话窗口。这就是为什么你不需要写代码——你把经验写成描述性的指令Agent负责在合适的时机把它拿出来用。四、一个对比让你看懂为什么 Skill 比对话更可靠我拿两个场景对比一下。场景A纯对话模式你跟AI说“帮我审查一下这段代码。”AI开始工作。但它不知道你团队的代码规范不知道你们关注哪些安全漏洞类型不知道你们用什么格式输出审查结果。它只能凭“通用知识”干活。结果每次输出都不一样。这次关注了性能下次可能只看了风格。你每次都得重新调教。场景BSkill模式你定义好一个CodeReviewer Skill把团队的审查标准、关注点、输出格式全部写进去。然后你在任何项目里输入 /reviewAI自动按照你预设的标准执行审查。每次输出的格式一致、关注点一致、质量标准一致。区别在哪对话模式依赖AI的“通用能力”Skill模式把“你的经验”固化成了AI的“专业能力” 。Windsurf走的是另一条路——他们管这叫“AI Flow”强调让AI自主规划并执行跨文件编辑任务。Cascade Agent会按照依赖关系逐步推进每改完一个文件就运行测试确认。两种思路各有优劣。但共同指向一个趋势AI编程工具正在从“问你答你”变成“帮你做事” 。而这个转变的关键恰恰不是代码是如何把你的经验清晰地表达出来。五、这件事对你意味着什么对测试从业者来说Skill提供了一个非常具体的机会。你不用会写Java、Python、Go。你只需要把你做过的测试工作——什么场景要测、什么数据要造、什么断言要写、什么结果算通过——用自然语言描述清楚。把这些描述放进一个Skill里以后的测试工作就可以交给AI按标准流程执行。Cursor官方已经提供了Docs Canvas Skill可以让AI为代码仓库生成交互式架构图。还有开发者把团队的测试设计方法论、领域知识和断言规范封装成Skill实现了测试用例的智能生成与审查。这个链条里最难的不是最后一步“让AI执行”而是中间两步“把经验描述清楚” 。而这恰恰是测试从业者的优势——你们每天都在做这件事把模糊的需求变成明确的测试用例。Skill只是把这个过程从“给人看”变成了“给AI看” 。六、最后一个问题回到开篇那个数据60%的人在用AI写代码只有不到20%敢完全放手。差距在哪不在工具本身在你有没有一套可靠的、可复用的“AI工作方式” 。Skill提供了一种思路把经验封装成指令让AI按标准执行。但有一个问题我想留给你你现在的团队里有没有任何一套流程——代码审查、测试执行、部署检查——是“不管谁来干、结果都一样”的如果没有你觉得Skill能不能帮你把这件事做出来
)
