Token 是真贵啊，省 Token 就是省钱！
我之前做项目的时候，为了省 Token，简直是绞尽脑汁：
1. 关键词提取：把没用的信息都扔掉，只留下关键词。
2. Prompt 模板：固定 Prompt 的格式，减少冗余。
3. 分段处理：把长文本分成小段，一段一段地处理。
反正就是怎么省怎么来，能省一点是一点！都是钱啊！
我觉得避免过度依赖 AI 的关键在于培养批判性思维。不要盲目相信 AI 生成的代码，要认真审查，确保代码的正确性和合理性。同时，要深入理解 AI 的工作原理，了解它的局限性，避免过度期望。可以定期进行代码重构，挑战 AI 生成的代码，看看是否能够找到更优的解决方案。通过这种方式，可以保持对代码的掌控力，不断提升自己的编程能力。
AI Coding 主要负责处理标准化、重复性的代码生成任务，而人工则负责业务逻辑的深度定制、复杂性能优化和特殊集成需求。AI 就像一个高效的助手，让开发者可以将更多精力投入到核心业务和创新性工作上。
关键在于人机协作，多轮对话、逐步细化，而非一次性生成。
AI的角色会从“辅助工具”变成“智能助手”，甚至可能是“合作开发者”。
1. AI会承担更多重复性的工作：例如代码生成、单元测试、代码审查等。
2. AI会提供更精准的建议：例如代码优化建议、架构设计建议、安全漏洞预警等。
3. AI会参与到更高级别的决策中：例如需求分析、项目规划、风险评估等。
开发者需要适应的变化：
1. 拥抱AI工具：学会使用各种AI辅助开发工具，提高工作效率。
2. 提升抽象能力：将更多精力放在业务逻辑和架构设计上。
3. 加强学习能力：不断学习新的技术和知识，跟上AI发展的步伐。
4. 培养批判性思维：对AI提供的建议进行评估，避免盲目信任。
安全第一！Skill这玩意儿就像插件，搞不好就被黑客利用了。除了上面说的那些，我补充一点：可以考虑引入“Skill信誉系统”，类似应用商店的评分机制。用户可以对Skill进行评价和反馈，如果某个Skill被大量举报存在问题，就应该立即下线并进行调查。另外，还可以引入“赏金猎人”机制，鼓励白帽子黑客来找Skill的漏洞，找到一个奖励一笔钱。这样就能形成一个正向循环，不断提高Skill的安全性。
哈哈，以后程序员会不会被AI取代？我觉得短期内不会，但长期来看，肯定会有一部分程序员失业。未来的程序员可能更像“AI工程师”，主要负责训练AI模型、优化AI算法，让AI更好地完成软件开发任务。所以，现在就要开始学AI了！别到时候被时代淘汰了。Python、机器学习、深度学习，赶紧安排上！另外，英语也很重要，最新的AI技术文档都是英文的。
关键在于找到 AI Coding 和人工开发的最佳结合点。可以根据项目的特点和团队成员的技能，灵活调整 AI Coding 的使用策略。比如，对于一些技术难度较低的项目，可以更多地依赖 AI Coding 自动生成代码；而对于一些技术难度较高的项目，则需要更多的人工参与，进行代码审查和优化。另外，要不断总结经验，优化 AI Coding 的使用方法，提高人机协作的效率。
我的理解是，AI Coding 擅长处理重复性的、标准化的任务，比如代码生成、格式化、文档编写等等。而人工开发则更擅长处理创造性的、定制化的任务，比如需求分析、架构设计、性能优化等等。所以，可以采用“人机协作”的模式，让 AI Coding 负责完成基础性的工作，解放开发者的生产力，让开发者可以专注于更重要的任务。比如，可以使用 AI Coding 自动生成 API 接口文档，然后由开发者进行人工审核和修改。
其实，保证 Skill 质量的关键在于标准化。文章里提到的 Skill.md 文档就是一个很好的实践，可以明确 Skill 的功能、用法和依赖关系，方便开发者进行测试和集成。同时，可以建立一个 Skill 开发规范，对 Skill 的代码风格、接口设计和错误处理等方面进行统一约束，提高 Skill 的可读性和可维护性。通过标准化，可以降低 Skill 的开发成本和维护成本，提高 Skill 的质量。
我觉得可以借鉴插件市场的管理模式，对 Skill 进行审核和认证。比如，可以要求 Skill 开发者提供详细的文档和测试用例，确保 Skill 的功能符合预期。同时，可以建立一个安全评估机制，对 Skill 的代码进行安全扫描，防止恶意代码的注入。另外，可以引入用户评价机制，让用户对 Skill 的质量进行评分和反馈，帮助其他用户选择合适的 Skill。
AI Coding不仅仅可以用于DSL到LangGraph的转换，还可以用于自动生成测试用例、撰写文档、代码审查等方面。甚至，我觉得未来AI可以根据用户的自然语言描述，自动生成完整的Agent系统。当然，这也会给开发者带来新的挑战，比如如何保证AI生成的代码的质量和安全性，如何让AI更好地理解业务逻辑，如何避免AI生成千篇一律的代码等。
AI Coding就像一把双刃剑，用好了可以事半功倍，用不好可能会适得其反。我觉得关键在于如何让人和AI协同工作，发挥各自的优势。比如，人类可以负责架构设计、需求分析、风险评估等工作，AI可以负责代码生成、测试、部署等工作。只有这样，才能真正实现AI Agent开发的自动化和智能化。
从软件工程的角度来看，Agent Skills的模块化是一种典型的“高内聚、低耦合”的设计。高内聚意味着每个Skill只关注自己的核心业务逻辑，低耦合意味着Skill之间的依赖关系尽可能少。这样一来，即使某个Skill出现了问题，也不会影响到其他Skill的正常运行。在实际开发中，我们可以使用接口定义语言（IDL）来规范Skill的接口，确保Skill之间的兼容性。
从项目管理的角度来看，先规划再执行可以让我们更好地把控项目的进度和风险，避免一些不必要的弯路。但是，如果前期规划过于死板，反而会限制Agent的创造力，让它只能按照既定的路线走，无法探索新的可能性。所以，我觉得关键在于如何在规划的粒度和灵活性之间找到平衡。
这就像放风筝，线要抓紧了，但也不能勒太死。我觉得可以考虑用强化学习的方法，让Agent在满足业务规则的前提下，通过不断试错来学习最优策略。规则是方向，AI自主探索是动力，最终找到一个最佳的平衡点。
标准化是AI Agent生态繁荣的基础。它降低了Agent之间的互操作成本，让开发者可以像搭积木一样组合不同的Agent，快速构建复杂的应用。至于灵活性问题，可以通过提供可配置的参数、插件机制等方式来解决，允许开发者根据实际需求进行定制。
我认为AI Coding工具的价值在于提高效率，而不是完全替代人工。在实际项目中，应该让人和AI各司其职。AI负责生成基础代码，人负责进行Review、优化和集成。这样既能充分发挥AI的优势，又能保证代码的质量。
我更关注AI在Agent调优方面的潜力。LLM的参数调优一直是个难题，需要大量的实验和经验。如果能用强化学习或者其他AI技术，自动探索最佳的参数组合，那就能大大缩短调优周期，提高Agent的性能。当然，这需要大量的计算资源和数据支持。
除了易于维护，我还认为模块化设计促进了 Agent Skills 的复用。不同的 Agent 可以共享相同的 Skills，避免了重复开发，提高了开发效率。比如，一个商品信息补全的 Skill，可以被多个 Agent 调用，而不仅仅局限于场景生成 Agent。但这同时也对 Skill 的通用性和标准化提出了更高的要求。
我觉得核心是要提升抽象和设计能力。AI 可以帮你写代码，但它没法帮你理解业务，制定架构。所以，开发者应该把精力放在理解需求、设计系统、解决复杂问题上，让 AI 成为你的工具，而不是竞争对手。