飞飞的AI实验室

上周三下午，我在终端里输入了一句话：”帮我写一篇关于 Docker 部署的文章”，然后去倒了杯水。回来的时候，一篇 2000 字的博客文章已经生成好了，格式完全符合我的 Hexo 规范，frontmatter 填好了，文件放到了正确的目录。

整个过程我没有动手。

这不是什么魔法，是我花了 10 分钟写了一个 Claude Code Skill。

先说说 Skill 是什么

如果你用过 Claude Code，你可能知道它有很多内置的斜杠命令，比如 /compact、/review、/simplify。这些是系统自带的功能。

但 Claude Code 还有一个更强大的扩展机制：Skill（技能）。

简单说，Skill 就是一个 Markdown 文件，里面写着你希望 Claude 遵循的工作流程。你把它放到项目的 .claude/skills/ 目录下，Claude Code 就会自动识别它。之后你在终端里输入对应的斜杠命令，Claude 就会按照你定义的流程去执行。

你可以把 Skill 理解为”给 AI 写的 SOP”。

SOP（标准操作流程），在公司里是写给人看的。你现在要做的，是把同样的流程写给 AI 看。区别在于：人可能会偷懒跳步骤，AI 不会。

上周，一个朋友给我发了条消息：”我刚用 Claude Code 跑了一个任务，它自己拆成了 5 个子任务，开了 5 个 Agent 并行干活，20 分钟搞完了我原来要写一天的代码。”

我当时的反应是：这不可能，他肯定夸大了。

然后我自己试了。

结果发现，他说的是真的。而且他还保守了。

Anthropic 在发布 Opus 4.6 的同时，推出了一个叫 Agent Teams 的功能。简单说：你可以让多个 Claude 实例像一个开发团队一样，并行协作，完成复杂任务。

这不是一个 AI 在那里写代码。这是一群 AI 在开会、分工、写代码、互相 Review。

听起来像科幻片？但它已经在真实的开发环境里跑起来了。

AI 编程工具的三国杀

先说说现在的格局。

上个月我在重构一个认证模块，直接对 Claude Code 说”帮我把 JWT 换成 OAuth2”。它立刻动手，改了 11 个文件，跑起来一看——登录接口 500，session 全乱了。我花了将近一小时回滚，最后 git checkout . 全部撤销，什么都没留下。

那次之后我才认真看了 Plan Mode 的文档。

不是 AI 不够聪明，是我让它在没有地图的情况下开车。Claude Code 的 Plan Mode，就是那张地图——它让 AI 先把路线说清楚，再踩油门。

什么是 Plan Mode？

一句话：Plan Mode 是 Claude Code 的只读规划模式。

在这个模式下，Claude 可以读代码、搜文件、查结构、问你问题，但不能改任何东西。不能写文件，不能编辑代码，不能跑命令。

你可以把它理解为一个”军师模式”。军师只负责看地图、分析局势、制定计划，但不亲自上阵打仗。等你看完计划说”可以”，它才切换回”将军模式”去执行。

这个设计的核心理念很简单：先想清楚，再动手。

为什么你需要 Plan Mode？

2026 年 3 月 9 日，Anthropic 发布了 Claude Code 的全新功能：Code Review。这不是一个简单的代码检查工具。它是一个多智能体系统——每次你提交 Pull Request，一组 AI Agent 就会像一个评审小组一样并行工作，从不同角度审查你的代码，交叉验证结果，最后按严重程度排好序，把发现的问题贴到你的 PR 上。

Anthropic 说，这就是他们自己内部每天都在用的系统。现在，它开放给了企业用户。

消息一出，开发者圈子炸了。有人说这是 Code Review 的终极形态。也有人直接说：”Claude 刚给你的高级工程师标了个价。”

这东西是怎么工作的

先说技术细节。

当你在 GitHub 上创建一个 PR，Code Review 会自动启动。它不是跑一遍 lint 就完事了。它会派出一组 Agent，每个 Agent 从不同维度检查代码：

1. 并行审查：多个 Agent 同时工作，各自独立寻找 bug
2. 交叉验证：Agent 之间互相检查对方的发现，过滤掉误报
3. 排序聚合：最终一个 Agent 汇总所有结果，去重、排优先级
4. 输出报告：在 PR 上留一条总览评论，加上具体代码行的内联批注

整个过程平均耗时约 20 分钟。对，你没看错，20 分钟。这不是那种秒出结果的 linter。Anthropic 的态度很明确——追求深度，不追求速度。

系统会根据 PR 的大小动态调整。超过 1000 行改动的大型 PR，会分配更多 Agent，做更深入的分析。50 行以下的小改动，一个轻量级 pass 就够了。

2026 年 3 月，DataTalks.Club 创始人 Alexey Grigorev 公开发文，讲述了他如何让 Claude Code 执行了一次 terraform destroy，瞬间抹掉了两个网站的全部生产环境，包括一个存了 2.5 年、近 200 万条记录的数据库。连数据库快照也没幸免。

更让人窒息的是，他本以为那些快照就是自己的”后路”。

消息传开后，Reddit 上 1.7 万人投票，评论区 1400 多条讨论。但画风并不是大家一起骂 Claude Code。恰恰相反，大多数人的矛头指向了 Grigorev 本人。

“2.5 年的数据没有一个真正的备份，这数据本来就在等着被毁。”

这句话被顶到了最高赞。

事情是怎么发生的

故事要从一个深夜的服务器迁移说起。

Grigorev 想把自己的 AI Shipping Labs 网站迁移到 AWS，并且跟他另一个平台 DataTalks.Club 共用同一套基础设施。目的很简单：省钱。一个月省 5 到 10 美元。

他用的工具是 Terraform——一个基础设施即代码（IaC）工具，能一键创建或摧毁整套服务器环境，包括数据库、网络、负载均衡器，所有东西。

上个月我们团队的设计师发了一条消息：”这个按钮的圆角是 8px 还是 12px？”

我打开代码看了一眼，写的是 rounded-lg，对应 Tailwind 的 8px。但设计稿里明明是 12px。

这种误差是怎么来的？我当时对着设计稿手写 CSS，眼睛估了一下，估错了。来回确认了三轮，加上等待时间，半天没了。

这个问题，现在有了一个直接的解法——Claude Code + Figma MCP。让 AI 直接读取 Figma 的设计参数，颜色值、间距、字体大小，精确获取，不靠眼睛估。不仅如此，你还能把写好的代码”推回” Figma，让设计师在画布上继续优化。

今天这篇文章，我带你从零开始搭建这套流程。

先搞清楚一件事：什么是 Figma MCP？

MCP，全称 Model Context Protocol（模型上下文协议），是一个开放标准。你可以把它理解成一个”万能适配器”，让 AI 工具能够连接各种外部数据源。

Figma MCP Server 就是这个适配器在 Figma 上的具体实现。它把你 Figma 文件里的组件、变量、布局信息，用 AI 能理解的方式暴露出来。

没有 MCP 的时候，你跟 Claude 说：”帮我写一个蓝色的圆角按钮，带阴影。”你得靠文字描述，Claude 靠猜。

Subagents 用了一段时间后，我遇到了一个新问题：前端 Subagent 发现了一个 API 返回格式的问题，但它只能把结果报告给我，我再转达给后端 Subagent。

这个”中转”的过程很低效。真实的开发团队里，前端工程师发现 API 问题，会直接找后端工程师讨论，不需要每次都经过项目经理。

Agent Teams 就是为了解决这个问题。

Agent Teams 不是”更多的 Subagents”，而是”会互相沟通的独立 Claude 实例”。每个 teammate 有自己的上下文窗口，可以直接给其他 teammates 发消息，通过共享任务列表协调工作。

2026 年 2 月，Anthropic 随 Opus 4.6 发布了这个实验性功能。一个月后，社区已经用它完成了从代码重构到内容创作的各种复杂任务。有人用 3 个 teammates，花 15 分钟和 $7.80，生成了一周的社交媒体内容。

什么是 Agent Teams？为什么需要它

先搞清楚一个核心概念：Agent Teams 不是 Subagents 的升级版，而是完全不同的架构。

Subagents 的工作方式：

一个主 Claude 会话，里面运行多个 Subagents。Subagents 在独立的上下文中工作，完成后把结果返回给主 Claude。它们之间不能直接通信。

上周我在用 Claude Code 做一个代码审查任务，让它同时检查安全漏洞、代码风格和测试覆盖率。跑到一半，Claude 开始”忘事”——之前分析过的文件，它又重新问了一遍。上下文窗口撑不住了。

这不是 Claude 的问题，是我用错了方式。

Subagents（子代理）就是为这种场景设计的。三个 Subagents 并行跑，各自有独立的上下文窗口，互不干扰，几秒钟后三份报告同时返回。

根据 Anthropic 的数据，截至 2026 年 2 月，4% 的公开 GitHub 提交是由 Claude Code 创建的，Anthropic 自己 90% 的代码都是 AI 编写的。Subagents 是这个效率背后的关键技术之一。

什么是 Subagents？为什么需要它

先搞清楚一个概念：Subagents 不是”更强大的 Claude”，而是”更多的 Claude”。

传统方式：

你在一个 Claude 会话中做所有事情。分析代码、写新功能、运行测试、生成文档。所有的对话历史、代码内容、分析结果都堆在一个上下文窗口里。

随着任务进行，上下文越来越满。Claude 开始”忘记”之前的内容，或者需要花更多 token 来处理无关信息。

前面两篇文章，我们分别讲了 Skills 和 MCP。Skills 让 Claude 学会了各种专业技能，MCP 让 Claude 能够访问外部工具和服务。

但如果只是单独使用它们，你只用到了 Claude Code 50% 的威力。

真正的魔法，发生在 Skills 和 MCP 结合的时候。

我第一次把两者结合起来，是做一个 GitHub Issue 分析的工作流。以前我的流程是：打开 GitHub 看 Issue，复制错误信息，去 Stack Overflow 搜，再回来写分析。整个过程要在三四个标签页之间来回切换。写完 Skill 之后，我只需要说”分析 Issue #123”，它自己去拿数据、自己搜文档、自己生成报告。第一次跑通的时候，我盯着输出看了好一会儿，有点不敢相信这是一句话触发的。

为什么要在 Skill 中调用 MCP

先搞清楚一个问题：Skills 和 MCP 有什么区别？

**Skills 是”知识”**。它告诉 Claude 应该怎么做事，遵循什么流程，注意哪些细节。就像一本操作手册。

**MCP 是”能力”**。它给 Claude 提供实际的工具，让它能够访问数据库、调用 API、操作外部服务。就像一套工具箱。

单独的 Skills 只能指导 Claude 用它自带的工具（读文件、写代码、执行命令）。单独的 MCP 只是提供了工具，但 Claude 不知道什么时候该用、怎么用。

90 天，25 万 GitHub Stars，超越 React 13 年的积累。OpenClaw 用一场史无前例的增长，让全世界见识了 AI Agent 的魔力。

但狂欢还没结束，警报就响了。

工信部发预警，Google 内部封禁，Meta 安全总监演示”AI 疯狂删邮件拔电源才能停”。更多的声音开始出现在社交媒体上：”装好了，然后呢？””Token 太贵了，用不起。””我的 Google 账号被封了。”

第一波卸载潮，悄然而至。

从狂热到冷静：为什么开始卸载

Token 成本：养不起的”小龙虾”

“现在最大的痛点是 Token 太贵了。”RWKV 元始智能联合创始人罗璇的这句话，道出了很多人的心声。

爬一个普通资讯页，Token 就能烧掉快 20 美元。这不是夸张，是真实发生的事。很多人一开始对 OpenClaw 期待很高，觉得终于能搭一个属于自己的个人生产力系统。结果真上手以后发现，裸版的问题太致命。

一位开发者在社交媒体上吐槽：”我身边至少有七八个折腾过 OpenClaw 的朋友，最后都弃用了。”原因很一致：成本太高，用不起。