真实有效的 AI 方法论： 拥抱 CLI + Skills

这是「真实有效的 AI 方法论」系列的第二篇文章，主要聊聊 CLI 和 Skills 这两个主要概念。

从背景来看，CLI 和 Skills 在我们公司的落地

使用者痛点：手动操作繁琐、查找难度大、错误率高。

我们公司目前在运维周边组件上全面接入了 CLI 和 Skills，涵盖代码管理、持续集成还有各类辅助工具。这对整个运维板块是一次全面的效率提高。

举个例子：

• 以前发版时需要在监控网页上逐个点击，再去找到对应的项目。到了项目后期，公司往往有几十个项目。而每个项目的代码文件夹名称、代码仓库名称还有 Jenkins 发布名称可能都不一样，查找和发布起来非常困难。
• 还有一些场景。比如前端引入了新包、后端引入了 Python 的 Celery，都需要勾选特定的选项，人工操作不仅繁琐，还容易出错。
• CLI 和 Skills 则是更高效、更可靠的方法。

什么是 CLI？

User Pain Point:

• "我想做某件事。却总是被 GUI 限制住了手速"
• "无法快速批量执行相同任务"

C​LI相当于新时代的一种接口. 它不是通过 HTTP 这类格式调用，而是直接通过命令行调用。无论是 Windows、Mac 还是 Linux，CLI 基本上都是基于 NPM 建立的。

我们公司自己做的是一个 NPM 包——只需安装相关依赖。通过 NPM 安装这个包之后配置好环境，就可以直接用命令行控制 Jenkins、CodeUp 等工具，无需再到电脑上到处点点点。

什么是 Skills？

• "每次使用 CLI 都得跑 --help 再手工翻阅"
• "没有一套标准化脚本很难复用"

1. 为主要命令编写独立说明：- 如 Jenkins 发布到 develop 环境、查看项目状态等场景，都可在 Skills 中明确说明具体操作方式。Agent 使用时就不需要每次都调用 --help 去翻找信息。

2. 搭建自定义工作流：- 如发布前先将所有代码合并到 develop 分支并推送到远程仓库。通过 Skills 做一层封装，标明第一步先干什么、接下来干什么接下来整体打包成一个发布流程。调用 Agent 时一句简单命令即可让 AI 内部完成整套集成。

再看真实业务场景，反馈程序的 CLI 化

说到痛点。被吐槽的任务程序

💡 使用者痛点： 任务程序难用，没有全局 ID 无法有效查询和检索；分支命名与发版合并极度复杂；标准化流程缺失导致效率低下。

关键痛点： 没有统一标识符导致跨程序协作困难；自动化程度低导致人工维护成本高。

至于方法。自建反馈程序 + CLI

使用者焦虑来源： 客服/内部员工提交反馈后需手动打开网页查看图片和评论区内容，效率极低；更新进度与评论频繁出现延迟。

• - 搭建完善程序，让每个使用者在程序里创建密钥；- 将密钥配置到本地 CLI 中；老实说，- 本地 CLI 调用接口和对应 ID，直接获取相关信息；- Claude Code 拿到信息后可与我讨论并完成代码编写与上线；

*注：CLI 本质上是一种高效结构——你输入命令相当于参数。执行后返回响应结果，让 AI 能够轻松调用它。

配套 Skills：针对不同场景定制流程

• Bug 处理流程：
• 查清 bug 的原因
• 结合代码和线上数据库进行定位
• 撰写 bug 报告
• 提交评审
• 评审通过后继续开发方案

• 需求类反馈处理流程：
• 调研反馈程序里所有类似需求场景
• 梳理可复用需求
• 对当前需求做优先级评级
• 初步估算工时 & 出方法概要
• 制定开发规划，并同步至团队任务板块

：面向外部程序 的 AI 化改造