一、这份分享的目标
这份内容主要是帮助大家建立一个可落地的基础认知，重点包括：
- AI 在实际工作中的使用方式
Agent、Skills、Rules、MCP的区别
- 这些能力在 Everything Claude Code 里的协作方式
- 如何从"单次对话"转向"多智能体分工协作"
二、为什么要先理解这些概念
很多人第一次使用 AI 时，会把它理解成"一个什么都能回答的聊天工具"。
但如果要真正把 AI 用到工作流里，就会发现它其实由几类不同的能力组成：
- 有的负责执行任务
- 有的负责提供专门知识
- 有的负责限制行为边界
- 有的负责连接外部系统和数据
如果不先分清这些概念，就容易出现这些问题：
- 不知道什么任务该交给谁
- 以为 AI 会自动理解所有上下文
- 配置了很多内容，但整体效果还是不稳定
- 工具接了一堆，却没有形成清晰分工
三、从"问答式 AI"到"协作式 AI"
1. 问答式使用
最常见的方式，是把 AI 当成搜索引擎或者问答工具使用，比如：
- 问一个概念是什么
- 让它总结一段文字
- 让它翻译、润色、改写
- 让它快速给一个建议
这种方式的优点是简单直接，但缺点也明显：
- 多数是一次性回答
- 上下文容易丢失
- 不一定适合复杂任务
2. 协作式使用
当你开始让 AI 参与真实工作时，它就不再只是"回答问题"，而是开始"参与做事"。
例如：
- 帮你拆解需求
- 帮你整理资料
- 帮你生成初稿
- 帮你查找相关文件
- 帮你执行重复性操作
这时，AI 的角色会从"回答者"变成"协作者"。
3. 系统化使用
更进一步，AI 会被放进一个完整系统里：
- 通过规则控制输出
- 通过技能增强能力
- 通过工具连接外部资源
- 通过多个智能体分工完成任务
四、核心概念总览
可以先用一句话理解这几个概念：
Agent：负责推进任务的执行单元
Skills：负责提供专项能力和方法
Rules：负责约束行为和输出标准
MCP：负责连接外部工具、系统和数据
如果再进一步理解：
Agent决定"谁来做"
Skills决定"会什么"
Rules决定"怎么做"
MCP决定"能连什么"
五、Agent 是什么
1. 定义
Agent 可以理解为一个能独立推进任务的 AI 执行体。
它不是单轮问答，而是可以持续推进一个目标，通常具备这些能力：
- 理解任务目标
- 拆解任务步骤
- 调用工具
- 根据结果继续处理
- 反馈和修正
2. 作用
Agent 的核心价值，是把一个复杂目标变成可执行过程。
比如：
- 不是只问"怎么改这个页面"
- 而是让它去分析项目结构、定位相关文件、修改代码、检查问题、输出结果
3. 适用场景
Agent 适合：
- 复杂任务拆解
- 多步骤执行
- 需要持续上下文的工作
- 需要跨文件、跨工具协作的任务
4. 一句话理解
Agent 就像"执行者"。
它负责把目标往前推进，而不是只回答一句话就结束。
六、Skills 是什么
1. 定义
Skills 是一组可复用的专项能力或处理方法。
它回答的是：
- 这类任务应该怎么做
- 应该优先采用什么方法
- 需要遵循哪些经验和套路
2. 作用
Skills 的价值在于把经验沉淀下来，避免每次都从零开始。
例如：
- 写 Vue 页面时遵循固定最佳实践
- 做文档时遵循统一写作流程
- 做代码审查时遵循检查清单
- 做复杂任务时遵循特定执行策略
3. 适用场景
Skills 适合：
- 任务类型比较固定
- 希望输出质量更稳定
- 想沉淀团队方法论
- 想让 AI 在某一类任务上表现更专业
4. 一句话理解
Skills 就像"专业本领"或者"工具箱里的专用工具"。
Agent 会根据任务需要调用对应的 Skill。
七、Rules 是什么
1. 定义
Rules 是行为约束和执行边界。
它决定：
- 允许做什么
- 不允许做什么
- 输出要遵守什么规范
- 碰到某些情况时要先做什么
2. 作用
Rules 不负责教 AI 学会新能力，而是负责让 AI 按要求做事。
例如：
- 修改代码前必须先确认上下文
- 输出格式必须统一
- 某些文件不能随便改
- 某些任务必须先询问用户
3. 适用场景
Rules 适合：
- 团队规范统一
- 风险控制
- 输出格式要求明确
- 防止 AI 乱改、乱写
4. 一句话理解
Rules 就像"制度"和"操作规范"。
它的作用不是让 AI 更聪明，而是让 AI 更稳定、更一致。
八、MCP 是什么
1. 定义
MCP 可以理解为一种标准化的外部能力接入方式。
它让 AI 可以连接外部工具、服务和数据源。
2. 作用
MCP 解决的是"AI 怎么接触外部世界"的问题。
例如：
- 读取本地文件
- 查询数据库
- 调用项目管理系统
- 访问文档平台
- 使用第三方服务
3. 适用场景
MCP 适合：
- AI 需要真实数据
- AI 需要操作外部系统
- AI 需要和多个工具联动
- 任务不是纯文本，而是要落地执行
4. 一句话理解
MCP 就像"外接接口"或者"能力插槽"。
没有它，AI 多数只能聊天；有了它，AI 才能真正进入工作流。
九、四个概念的区别
| 概念 | 关注点 | 作用 | 类比 |
|---|---|---|---|
Agent |
任务执行 | 推进目标、拆解步骤、调用工具 | 执行者 |
Skills |
专项能力 | 提供某类任务的方法和经验 | 专业本领 |
Rules |
行为约束 | 规定怎么做、不能做什么 | 制度和规范 |
MCP |
外部连接 | 让 AI 接入工具和数据 | 接口和插槽 |
十、它们是怎么协作的
一次完整的 AI 工作过程，通常可以理解为：
- 用户提出目标
Agent接收任务并开始拆解
Rules约束执行方式和输出标准
Skills提供专业方法和处理套路
MCP连接外部文件、系统或服务
Agent整合信息并输出结果
也就是说：
Agent是主线
Skills是能力补充
Rules是边界约束
MCP是外部连接
十一、Everything Claude Code 的推荐模式
如果把 Everything Claude Code 当成一个完整的 AI 协作框架，更推荐的方式不是让一个智能体什么都做，而是拆成多个子任务，让不同智能体负责不同职责。
1. 为什么要拆分
单个智能体虽然方便，但在复杂任务里容易出现这些问题：
- 任务太多，注意力分散
- 上下文太长，重点不清晰
- 既要分析，又要执行，又要审核，容易混乱
- 一旦出错，不容易定位问题
拆分以后，每个智能体只负责自己的功能，整体会更清晰。
2. 拆分后的优势
- 职责更明确
- 提示词更聚焦
- 输出质量更稳定
- 更容易复用
- 更容易做评审和回滚
3. 推荐的组织方式
可以把整个流程拆成以下角色：
- 需求拆解智能体
- 资料检索智能体
- 方案设计智能体
- 代码实现智能体
- 结果检查智能体
- 文档整理智能体
每个智能体只承担一个明确任务，避免一个 Agent 承担所有责任。
EEC 示例Agents
| 代理名称 | 功能说明 |
|---|---|
planner.md |
功能实现规划 |
architect.md |
系统设计决策 |
tdd-guide.md |
测试驱动开发 |
code-reviewer.md |
代码质量和安全审查 |
security-reviewer.md |
漏洞分析 |
build-error-resolver.md |
构建错误解决 |
e2e-runner.md |
Playwright E2E 测试 |
refactor-cleaner.md |
死代码清理 |
doc-updater.md |
文档同步 |
十二、多智能体协作流程图
4. 这个流程图表达的核心意思
这个流程体现的是一种"总控 + 分工"的模式：
Orchestrator负责统筹全局
- 每个
Agent负责一个明确子任务
- 每个
Agent都有对应的Skills和Rules
MCP负责为这个 Agent 提供它需要的外部数据和工具
- 每轮产出都会回到总控层，决定下一步交给谁
5. 如果要更进一步理解
可以把它理解为：
Agent是执行单元
Skill是能力插件
Rule是行为边界
MCP是外部接口
Orchestrator是任务调度中心
十三、一个多智能体协作的示例
假设你的目标是"完成一个页面功能并输出说明文档"，可以这样拆：
1. 需求拆解智能体
职责：
- 理解目标
- 拆出功能点
- 明确输入输出
- 标出风险和边界
提示词方向：
- 你只负责拆解需求，不负责实现
- 输出任务列表、依赖关系和验收标准
2. 资料检索智能体
职责：
- 查找已有代码
- 找相关文档
- 识别可复用模块
- 汇总上下文
提示词方向：
- 你只负责找资料和整理上下文
- 不要开始实现
- 输出可用信息和风险点
3. 方案设计智能体
职责：
- 根据需求和资料设计方案
- 提供实现路径
- 给出模块拆分建议
提示词方向：
- 你只负责设计方案
- 不直接写代码
- 输出推荐方案和备选方案
4. 代码实现智能体
职责：
- 根据方案进行编码
- 控制修改范围
- 保持风格统一
提示词方向：
- 你只负责实现，不负责重新定义需求
- 仅修改必要文件
- 保持与项目现有风格一致
5. 结果检查智能体
职责：
- 检查逻辑是否完整
- 检查是否有明显问题
- 检查是否满足规则
提示词方向：
- 你只负责审查
- 输出问题清单、风险点和建议
- 不要改写代码
十四、每个智能体应该有自己的任务和提示词
这是从"一个 AI 干所有事"转向"多个智能体分工协作"的关键。
1. 为什么要每个智能体单独定义提示词
因为每个角色的目标不同，提示词也应该不同。
例如：
- 拆解需求的智能体，重点是"清晰"和"结构化"
- 实现代码的智能体，重点是"准确"和"符合规范"
- 审核智能体，重点是"找问题"和"给反馈"
如果所有智能体共用一套提示词，就容易职责混乱。
2. 一个好的提示词应该包含什么
每个智能体的提示词最好包含：
- 角色定位
- 任务目标
- 输入内容
- 输出格式
- 不能做什么
- 优先级要求
3. 提示词示例结构
可以按这个模板写：
- 你是谁
- 你负责什么
- 你不负责什么
- 你的输出格式是什么
- 你必须遵守哪些规则
- 你完成任务的标准是什么
十五、一个推荐的整体架构
如果要在 Everything Claude Code 里建立一个更清晰的多智能体模式，可以参考下面这种结构：
1. 上层：任务管理
负责：
- 接收用户目标
- 拆分任务
- 分配给对应智能体
- 汇总最终结果
2. 中层：角色智能体
负责：
- 按各自职责执行任务
- 产出局部结果
- 交给下一步处理
3. 底层：能力支撑
包括：
Skills：专项能力
Rules：行为约束
MCP：外部工具和数据连接
这个结构的好处是：
- 逻辑清楚
- 容易扩展
- 容易维护
- 适合复杂任务协作
十六、实际使用中的心得
1. 先定义目标，再定义角色
不要上来就堆工具。
先想清楚：
- 你要完成什么
- 需要哪些步骤
- 哪些步骤适合拆给不同智能体
2. 角色越清楚，结果越稳定
如果一个智能体既要分析、又要实现、又要审核，结果通常会比较散。
更好的方式是一个角色只做一件事。
3. 规则要少而精
规则不是越多越好，而是越关键越好。
保留真正影响质量和稳定性的规则，去掉过度复杂的约束。
4. 工具是放大器，不是替代品
MCP 只是让 AI 能接入更多能力，不代表接了工具就自动变好。
真正重要的还是：
- 任务怎么拆
- 角色怎么分
- 提示词怎么写
- 输出怎么验收
十七、常见误区
1. 误区一：一个 Agent 就能解决所有问题
不一定。复杂任务里，多智能体协作通常更清楚。
2. 误区二：Skills 和 Rules 没区别
有区别。Skills 偏能力方法，Rules 偏行为规范。
3. 误区三：MCP 就是简单插件
不完全是。它更像标准化能力接入方式。
4. 误区四：提示词写长一点就更好
不一定。提示词关键是角色清楚、边界清楚、输出清楚。
十八、面向新手的简化版本
如果要用最简单的话来讲这四个概念：
Agent：帮你做事的人
Skills：他会的本领
Rules：他必须遵守的规矩
MCP：他能连接的工具和资源
如果要再进一步讲 Everything Claude Code：
- 不要只让一个智能体做所有事
- 应该拆成多个子任务
- 每个智能体只负责一部分
- 每个智能体都有自己的提示词和验收标准
十九、结尾
真正高效的 AI 使用，不是单纯让它"回答更多"，而是把角色、边界、能力和工具分清楚。
当你开始用多智能体的方式去组织 AI 工作流时，AI 才会从"聊天工具"逐渐变成"真正的协作系统"。