架构成为数据，智能体照章执行。

写一个 skill 只要几分钟，管好所有 skill 才是难题。

各团队很快就用上了编码智能体，而且各有各的做法。几个月后，每个代码库里都冒出同样的问题。

1. 01

   团队之间没有统一标准

   每个团队各写各的 prompt、skill 和约定。公司在用 AI，却没有统一的用法，结果也无从比较。

   −7.2%随着 AI 采用率上升，交付稳定性的估计降幅。来源: DORA 2024 ↗

   → 从 YAML 蓝图出发，把同一个 harness 导出到每个项目。

2. 02

   创建容易，维护难

   写一个 skill 只要几分钟，可让它范围清晰、命名得当、持续更新却没有尽头；frontmatter 字段拼错了，也会被悄无声息地忽略。

   25% → <10%2021 年，25% 的变更行是移动的代码，也就是重构的痕迹；到 2024 年不足 10%。复制粘贴首次超过了移动。来源: GitClear 2025 ↗

   → schema 在 CI 中校验；/arch-adopt 更新时不丢失本地修改。

3. 03

   缺乏治理

   哪个智能体可以写哪个目录？设计由谁批准？规则不写进代码，就由智能体自己决定，而且每次运行的答案都不一样。

   1 个生产数据库在代码冻结期间被一个智能体删除。来源: AI Incident Database, incident 1152 ↗

   → 按类别划定写入领地，由 hook 强制执行，默认拒绝。

4. 04

   成本与可追溯性看不见

   token 按环节、按模型、按每次运行消耗。没人说得清是哪个 skill 花的、改了哪些文件、哪里失败了。

   4 个月Uber 就用完了 2026 年全年的 AI 预算，Claude Code 的普及速度超出预期。来源: Forbes 2026 ↗

   → /audit-usage：每个环节的 token、模型、文件与失败，生成报告 0 token。

5. 05

   同样的 prompt，不同的代码

   模型读了 skill 的描述，再决定是否使用。这次加载了，下次却跳过，同一个请求生成的代码大不相同。

   66%的开发者认为最大的困扰是 AI 给出的方案“几乎正确，但不完全对”。46% 不信任其准确性，33% 信任。来源: Stack Overflow Developer Survey 2025 ↗

   → 命令由人输入，规范按路径加载，hook 在每个事件上运行。

6. 06

   架构在不知不觉中被侵蚀

   构建是绿的，领域类却导入了框架。几周后的 code review 才可能发现，甚至根本发现不了。

   45%的情况下，面对安全与不安全两种写法，模型选择了不安全的那种。Java 的失败率超过 70%。来源: Veracode 2025 ↗

   → forbidden_imports 只声明一次，在写入时即被拒绝。