我写了一个 Skill，实现了人 + AI + 工程三方受益的增长飞轮

CodeGrow：你的 AI 工程化成长引擎！

嗨！我是致力于创作一些科技向善产品的小谷，大家好久不见～

2026 年的 AI 已然进化为可以代替人类开展各项日常工作的核心劳动力，OpenClaw 的 Star 数登顶 GitHub 更是将人类一脚踹进了 AI Agent 时代。

看到大家疯狂探索 AI 提效的各种方案，聊着如何用 AI 在 24 小时搭建出成熟团队一周才能完成的 workflow ，我在兴奋之余思考着一个问题：

如果 AI 真的完全接管人类，成为生产力的核心劳动力，对人类是好事还是坏事？

坦白说，作为一个乐观主义者，我很享受 AI 提效给我的工作带来的幸福感，但我也很惶恐 AI 能力的持续增强让我对工程的掌控感在逐渐变弱。

老实说，我并没有感受到 AI 替我完成的工作让我的能力得到了质变的飞跃。因为量变的执行者并不是我，而量变才能产生质变。

为了保持自己在 AI 时代的 核心竞争力 ，我写了一个 Skill，并打通了 飞书云文档 ，致力于让每次 AI Coding 都变成可持续的技术资产和能力积累，实现人+ AI+ 工程三方受益的增长飞轮。

1. CodeGrow 架构

我给这个 Skill 起名为 CodeGrow ，从触发➡解析➡总结➡技能抽象➡知识库更新➡增长飞轮运转的全流程可以拆解为 5 个模块：

核心思想是：AI 的定位不应该只是 Coding ，而是生成知识、整理知识、沉淀知识，进而促成人+AI+工程三方受益的增长飞轮。

AI 能力 -> 工程资产 -> 技能抽象 -> 知识沉淀 + AI增强 + 个人提升 -> 增长飞轮

2. CodeGrow 触发方式

CodeGrow 的触发方式有两种：AI 对话和 Git Pre-push Hook。

触发方式一：AI 对话

当用户在与 AI 对话中输入：帮我总结实现的功能、做下项目总结这类任务时，AI 会使用 skill-creator 自动调用 CodeGrow 从知识沉淀、AI增强、个人提升三个维度开启全方位的工程总结，形成高质量可持续更新的知识库wiki。

鼓励大家在项目周期性结束时主动发起项目总结，以便于保持自己对工程迭代的掌控感。

除此之外，CodeGrow 还会由 AI 在完成复杂功能时自行判断是否触发，以便于实时记录宝贵经验。

触发方式二：Git Hook

从 Coding 的规范性来看，每次 git push 都是一次完整的功能迭代，即使是 fix 类型的 push , 也可以沉淀为宝贵的工程经验。

因此 CodeGrow 提供了 Git Pre-push 的 Hook 在用户执行 git push 前强制执行一次阶段性总结。当用户与 AI 的对话中如果发现当前工程没有安装 CodeGrow 的 Git Pre-push , 会提示用户进行安装，安装过程由 AI 自主完成。

3. CodeGrow 知识库结构

CodeGrow 知识库可以从知识沉淀、AI增强和个人提升三个维度来聊，整体结构为:

|--.codegrow # skill根目录

|---|---records # 开发记录

|---|---|---2026-03-05_Create_Cards_Summary.md

|---|---skills # 可复用子skill抽象

|---|---|---AIGC_Pipeline.md

|---|---context # AI上下文总结

|---|---|---2026-03-05_AI_Summary.md

|---|---reports # 个人成长报告（优先飞书云文档，本地兜底）

|---|---|---2026-03-08_Personal_Growth.md

|---|---hooks # git pre-push hook

|---|---|---pre-push.js

|---|---scripts # git pre-push hook install

|---|---|---install_hooks.js

3.1 知识沉淀：开发记录 records

开发记录中会从需求背景、实现功能、技术方案（含架构图、时序图）、踩坑过程、能力沉淀、跟进人、跟进时间几个维度详细记录开发过程。

示例：

|---records # 开发记录

|---|---2026-03-05_Create_Cards_Summary.md

结构：

需求背景

实现功能

技术方案（含架构图、时序图）

踩坑过程

能力沉淀

跟进人

跟进时间

3.2 AI增强：子 skill 抽象

在 records 的沉淀过程中，AI 会检测是否存在可复用能力，例如 AIGC 图像生成、Qwen大模型调用等，将其抽象成子 Skill 便于未来复用，这也是 AI 能越做越快的秘诀之一。

示例：

|---skills # 可复用子skill抽象

|---|---AIGC_Pipeline.md

结构：

能力描述

实现目标

适用场景

核心算法

代码实现

调用方式

注意事项

演进记录

内容：

csharp 复制代码

# 技能: AI 内容生成流水线 (AIGC Pipeline)

## 目标 (Goal)
构建从用户输入到 AI 内容生成再到最终存储展示的完整链路，实现如漫画生成、摘要生成等功能。

## 核心策略 (Core Strategy)
利用云函数封装大模型 API (如通义千问、AI 绘图接口)，并结合云存储和数据库，实现 **异步生成、结果持久化、避免重复计算** 的优化。

## 实现 (Implementation)

### 1. 摘要生成 (`card _ai_ summary`)
**关键点** : 
-   **缓存优先** : 检查数据库中是否已有 `ai_summary` 字段，若有则直接返回，避免浪费 Token。
-   **内容提取** : 智能提取 Markdown 内容或漫画提示词。
-   **流式与同步** : 根据前端需求，可选择 WebSocket 推送或 HTTP 轮询 。

```javascript
// cloudfunctions/card_ai_summary/index.js
const { cardID } = event;

// 1. 检查缓存
const card = await db.collection('card_message').doc(cardID).get();
if (card.data.ai_summary) return card.data.ai_summary;

// 2. 调用 LLM
const summary = await callLLM(card.data.card_content);

// 3. 写入缓存
await db.collection('card_message').doc(cardID).update({
    data: { ai_summary: summary }
});

return summary;

### 2. 漫画生成 (`generateComic`)
**关键点** :
-   **异步处理** : 图片生成耗时较长，采用异步任务队列或长连接。
-   **存储优化** : 将生成的 Base64 图片转存为云存储文件，减轻前端加载压力。

## 适用场景 (Usage)
-   **内容摘要** : 为长文章生成摘要。
-   **图片生成** : 根据文本生成插图、封面。
-   **智能问答** : 基于知识库的问答系统。

## 演进 (Evolution)
-   **v1.0** : 直接调用 API 返回结果，不保存。
-   **v2.0** : 引入数据库缓存机制，结果持久化，大幅降低成本。

3.3 AI增强：上下文总结

高频使用 Trae IDE 的用户可能会遇到 AI 自动压缩上下文的场景。如果我们将与 AI 对话的上下文总结沉淀至项目工程目录，不仅可以便于 AI Coding 时能快速了解工程迭代的历史背景，成为 AI 越做越快的另一个秘诀，从长期角度来看也有利于工程跨 IDE 、跨成员、跨周期的维护。

示例：

|---context # AI上下文总结

|---|---2026-03-05_AI_Summary.md

内容：

markdown 复制代码

# 知识切片 (SnipMind) 项目总结

## 项目概览
**知识切片** 是一个基于微信小程序云开发的知识分享平台，旨在通过"卡片"形式分享碎片化知识。项目集成了内容创作、AI 辅助、PDF 转换、社交互动及激励机制。

## 核心功能
1.  **内容创作与展示** :
    -   支持 Markdown 渲染的卡片式阅读。
    -   提供创作工具，支持文本、图片编辑。
    -   **AI 漫画** : `comic-creator` 组件与 `generateComic` 云函数结合，将内容转化为漫画形式。
2.  **AI 智能助手** :
    -   `ai-assistant` 组件提供智能对话功能。
    -   `card_ai_summary` 云函数用于自动生成卡片摘要。
3.  **PDF 转卡片 (混合架构)** :
    -   利用 `pdf_convert` (云函数) 作为网关。
    -   `server_pdf_node` (独立服务器) 处理复杂的 PDF 解析与渲染，突破云函数对 native 依赖的限制。
4.  **激励与变现** :
    -   用户可通过创作获益 (`bonus_manage`)。
    -   提现系统 (`withdraw_apply_manage`) 与营销红包 (`marketing-redpacket`)。
5.  **社交体系** :
    -   作者个人主页 (`pages/author-profile`)。
    -   评论互动 (`comment-panel`) 与点赞机制。

## 技术架构
-   **前端** : 微信小程序原生开发 (WXML, WXSS, JS)。
    -   使用 `custom-tab-bar` 实现自定义底部导航。
    -   使用 `towxml` 库渲染 Markdown 和 HTML。
-   **后端** : 微信云开发 (Cloud Development)。
    -   **云函数** : 处理业务逻辑 (如 `card_manage`, `user_manage`)。
    -   **云数据库** : 存储用户数据、卡片内容、交易记录等。
    -   **云存储** : 存储图片、PDF 等静态资源。
-   **扩展服务** :
    -   Python/Node.js 独立服务器用于高性能计算任务 (如 PDF 处理)。

## 关键目录结构
-   `miniprogram/`: 小程序前端代码。
-   `cloudfunctions/`: 云函数集合。
-   `server_pdf_node/`: PDF 处理服务代码。

## 文档与工程化
-   **飞书文档** : 已创建 [小谷成长记](https://feishu.cn/docx/Bhzvd9F4Wocrmexs33Dcc54rnAb)，包含详细的技术方案、架构图（Mermaid）与时序图。
-   **CodeGrow** : 使用 CodeGrow 记录工程资产与技能沉淀。

## 开发状态
-   **当前日期** : 2026-03-08
-   **最新特性** : 混合 PDF 处理架构、AI 漫画生成、激励系统优化。

3.4 个人提升：成长报告（飞书云文档）

为了将 AI 的技能全部消化为个人能力，我设计了个人成长报告的模块。在项目详细总结的基础上增加个人能力的评估以及成长建议板块，致力于为用户提供个性化全面指导。

结构：

成长报告

项目总结

技能成长

个人建议

考虑到个人成长报告主要与用户深度绑定，为了保证更好的阅读体验，以及方便跨项目、跨端、跨设备管理报告，最终采用了飞书云文档的形式统一存储。

飞书开放平台提供了便捷的 API 接入方式，配合 Github 上的开源 Skill ，半小时就能打通 Trae 与飞书云文档的管理。我用的是这个 skill：github.com/AlexAnys/fe... ，强烈建议将 feishu-mcp 安装到 Trae 根目录，这样在任意工程里都可以通过 AI 一键创建飞书云文档。

在此基础上，为了保障无法关联飞书云文档的用户仍能沉淀个人成长报告，CodeGrow 在工程目录下也提供了 report 的模块进行兜底，内容采用 Markdown 的形式进行呈现，跟随项目工程迭代。

4. CodeGrow 增长飞轮

CodeGrow 的终极目标是想通过 AI 知识库的沉淀来达到人 + AI + 工程三方受益的增长飞轮。

4.1 工程层面

工程资产沉淀

项目维护成本降低

4.2 AI层面

AI获得高质量上下文

AI开发能力增强

4.3 个人层面

工程掌控感&技术能力增强

个人核心竞争力提升

5. CodeGrow 接入

从我个人真实的实践过程来看，CodeGrow 确实让我对工程的掌控感更强了，所有由 AI 生成的功能也都吸收转换成了自己的技能。

感兴趣的朋友可以安装 CodeGrow 这个 Skill 体验，相关实现已在 Github 上开源，欢迎 star : github.com/dossweet/Sk...