在您常用的代码生成工具中，谁最强

1. 理解能力强

2. 代码质量高

3. 生成速度快

4. 使用费用

如果您有更好的，也请推荐，谢谢？

元旦之前，Cursor 一直是我的主战场。

过去一年，我在 Cursor 上花了 五位数 的算力费用，也确实靠它做了不少项目。

但随着任务越来越复杂，我意识到：Cursor 开始影响我赚钱的速度了。

反复解释、上下文失控，
时间、金钱、耐心，都在被一点点消磨。

于是我开始认真换方案 – Claude Code。

正是在这个过程中，我完整跑了一轮 Claude Code、MCP 和 Skills。

这篇文章记录了我真实的使用经历，
包含新手怎么上手、哪些地方最容易踩坑，
以及一些我过程中总结的技巧。

如果你正在学 Claude Code，希望这篇文章能帮你少走一些弯路。

正常情况下，我们可以参考官方教程直接安装：

地址：https://code.claude.com/docs/en/quickstart#native-install-recommended

但是这次，我想介绍一种更简单的 CC 安装方式。

1、开始安装

打开 Cursor / Trae ，在聊天框中输入如下提示词：

GPT plus 代充 只需 145请自动完成 Claude Code CLI 的环境检测与安装流程，整体逻辑如下：

环境与安装状态校验

• 识别当前操作系统类型（Mac / Linux / Windows）。
  
  
  
• 执行 claude --version 判断 Claude Code 是否已存在。
  
  • 若已安装：输出当前版本号，并提示“Claude Code 已就绪，直接运行 claude 即可使用”，随后终止流程。
    
    
    
  • 若未安装：进入下一阶段。
  
  
  

Node.js 依赖检查

• 通过 node -v 判断 Node.js 是否已安装。
  
  
  
• 若未安装，根据操作系统给出对应安装指引：
  
  • Mac：brew install node，或前往 nodejs.org 下载。
    
    
    
  • Linux：sudo apt install nodejs npm，或前往 nodejs.org 下载。
    
    
    
  • Windows：推荐使用 winget install -e --id OpenJS.NodeJS，或前往 nodejs.org 下载。
  
  
  

Claude Code 安装

• 执行统一安装命令：
  npm install -g @anthropic-ai/claude-code
  
  
  
  
  
  
• 针对不同系统的处理说明：
  
  • Windows：在 PowerShell 或 CMD 中直接执行，无需 WSL。
    
    
    
  • Mac / Linux：若出现 EACCES 权限问题，提醒使用 sudo 重新执行。
  
  
  

安装结果确认

• 再次运行 claude --version 进行校验。
  
  
  
• 若验证通过，提示用户可直接输入 claude 启动工具，并继续完成 OAuth 登录流程。

通过上面的提示词，基本上可以一步到位，过程中，AI 可以帮助我们自动解决很多潜在的问题。

比如我本地用的 npm 私有镜像地址，导致第一次安装失败了，它就会自动找到正确的镜像地址，完成安装。

2、检查安装结果

根据 AI 回复的信息，我们就知道安装成功了。

官方模型还是太贵了，有时候，一些简单任务，其实用国内模型就够了。

但是，想要灵活切换不同的模型供应商，改配置文件太麻烦了。

为了解决这些问题，我们需要安装一个模型供应商管理工具：CC Switch。

地址如下：

https://github.com/farion1231/cc-switch/releases

我是 Mac 系统，下载的安装包是：CC-Switch-v3.10.3-macOS.tar.gz

备注：除了直接下载，Mac 可以直接输入如下命令快速下载：

GPT plus 代充 只需 145brew install –cask cc-switch

如果是 Windows 用户可以下载 msi或者 portable.zip进行安装即可。

我们可以配置需要的大模型供应商，国内比较推荐的模型是 GLM-4.7、Kimi-K2.5，国外无脑上 Claude 4.6、GPT 5.2即可。

如果需要使用官方模型，建议某宝找，或者使用这个中转站（目前稳定，建议用多少冲多少）：

https://claudecn.top/register?aff=1FNk

这里以国内的智谱为例：

从官方地址获取自己的 API Key，如果长期用，建议充值一些来做测试。

地址：

GPT plus 代充 只需 145https://bigmodel.cn/usercenter/proj-mgmt/apikeys

再回到 CC Switch完成配置。

CC Switch 除了对接 国内外不同模型供应商之外，还提供 Skills、MCP、Prompt的统一管理能力。

这样不管未来用 CC、Codex，都能同时生效。

完成安装之后，通过终端输入 Claude 命令来进入 CC。

Mac 电脑，在应用程序中可以找到终端。

Windows 用户，点击运行，输入 cmd，即可打开终端。

不出意外的情况下，就要出意外了。比如，你可能会遇到地区不支持的错误信息。

我们可以这样解决：

打开本地 .claude.json 文件，如果按照下面地址还是找不到，那就全局搜索吧。

MAC: /Users/用户名/.claude.json Windows：C:\Users\用户名\.claude.json

找到之后，我们用文本编辑器打开：然后增加一个参数。

GPT plus 代充 只需 145“hasCompletedOnboarding”: true

重新尝试启用后，记得选择信任文件夹。

然后输入提示词，发现 GLM-4.7 模型已经成功生效了。

接下来就可以愉快玩耍了～

如果需要退出 CC ，可以连续点击 Ctrl +C两次。

如果想干脆卸载 CC ，命令如下：

npm uninstall -g @anthropic-ai/claude-code

Claude Code 内置了很多命令，我们需要输入 /来唤醒。

完整的指令清单，官方文档已经介绍很详细了：

GPT plus 代充 只需 145https://code.claude.com/docs/zh-CN/slash-commands

我分享一些觉得常用、好用的指令：

当你第一次在工程项目代码目录下启动 CC 时，需要输入命令进行初始化。

/init

初始化后，将在项目根目录生成一个 CLAUDE.md，它会记录你这个项目代码的基本信息：包括项目概览、使用的技术栈、模块结构等有关信息。

如果过去用过 Cursor，可以理解：CLAUDE.md = cursorrule

同样，这是一个持续约束 AI 每次编程行为的全局规范手册，项目中相对重要的上下文信息。

虽然只是做了一次初始化，但千万别觉得就可以一直放任不管。

当随着项目的深入，如果补充了更多的通用文档后，我们可以适当的优化，保持全局规范始终最新。

不一定非得手动改，我们可以充分利用 AI 进行审查和优化这份文档。

使用方式，用如下命令，或连按两次 ESC：

GPT plus 代充 只需 145 /rewind

什么时候用：

• • AI 改错文章或代码
• • AI 删了不该删的文件
• • 想回到修改前的状态重新来一遍

大胆试错，因为 /rewind 永远兜底。

在正常模式下，AI 总会很着急的帮我们完成编码，最后可能出现更多的问题。

我们可以用 Plan 模式，让 AI 慢下来。

/plan

这样原本模糊的想法，在 Plan 模式下，通过不断的对话、澄清、纠正，慢慢可以变成一个边界清楚、更容易落地的需求。

备注：除了输入命令，也可以直接使用 shift + tab 来切换到 Plan 模式。

GPT plus 代充 只需 145/mcp

它的作用是： 管理MCP服务器连接。

什么时候该用，例如：

• • 让 Claude Code 打开网页、抓数据
• • 直接查询数据库
• • 调用内部或第三方接口

后面我会单独用一个章节，介绍一些比较实用的 MCP。

# 清除上下文，开启全新的聊天窗口 /clear

压缩上下文，从而减少干扰信息

/compact

显示当前会话的总成本和持续时间

/cost

切换模式，在不同任务类型下，使用合适的模型

/model

编辑 CC 内存文件

/memory

把当前会话导出、保存，便于检查。

/export

检查当前账号、模型、版本等状态。

/status

引用文件的方式，可以直接拖拽到 CC 命令行中，或者将文件地址复制过来。

图片的引用方式，除了直接拖拽，也可以使用「复制」 -> 「粘贴」的快捷键来操作。

删除引用图片的方式有点特殊，我录制了个动图：

代码引用的方式，如下，直接复制，再粘贴即可：

GPT plus 代充 只需 145# 常规思考模式 > 我准备给一个表单页面加「自动保存草稿」功能。请思考：什么时候保存？保存哪些内容？

深度思考模式

> 深入思考：如果用户同时打开两个页面，会不会互相覆盖？ > 更努力地深入思考：断网、刷新、关闭浏览器这些情况下，草稿应该怎么处理？

更深入的模式下，Claude 花在推理上的 token 也越多，返回速度也更慢。

在处理新任务时，如果不希望之前的聊天内容干扰判断，可以直接用 /clear 清空上下文。

但是有些情况，旧内容是有用的，只是聊天记录太长，担心占用太多 token。

这时可以用 /compact。它会把已有对话压缩成更短的上下文，保留必要信息，再继续往下做新任务。

这个指令需要慎用，但它的价值非常明显，可以让 CC 拥有最高权限，完全进入全自动状态。

避免频繁弹出确认消息，造成过多的交互时间。

我们可以在 批量化数据处理时，或者相对 比较安全的情况下使用该指令。

使用方式：在启动时使用如下命令即可。

claude –dangerously-skip-permissions

这是我之前整理的一些 AI 编程技巧：

从混乱到可控：我最受益的 10 个 AI 编程技巧（含提示词）

内容都来自我自己做产品时的真实经验总结。

相信你会有很多收获。

之所以要单独讲“省钱技巧”，是因为在使用过程中，算力消耗往往是在不知不觉中发生的，用着用着就超了。

我自己就踩过这个坑，最夸张的时候，一个月光算力费用就花了 5000 多。

这个问题，对于我个人而言，一直的观念是：
尽可能用最好的模型，去发挥更大的价值。

但有时候，杀鸡焉用牛刀？

使用 /model进行切换，日常任务用 sonnet，复杂任务用 opus，文档任务用国内模型。

前面 「CC 常用技巧」中有提到过，这里就不赘述了。

用 /clear、 /compact指令，不仅仅是为了输出质量，还有省钱。

使用 /cost命令，定期检查消耗情况，做到心里有数。

有些文件本身就不适合直接丢给 Claude Code：

比如 锁文件、日志、数据文件、依赖包。
这类内容行数多、信息密度低，
一旦被读取，上下文体积会立刻膨胀。

这样后续每一步都会反复被带上，相当于持续扣费。

具体做法如下：

1、先从源头拦住：

在 .claudeignore里把这些文件排除掉，这样 CC 将拒绝读取任何与其中列出的模式匹配的文件。

我们可以在项目输入如下指令来生成 .claudeignore

GPT plus 代充 只需 145检查项目中是否存在 .gitignore、.dockerignore 等忽略文件： - 若存在：读取其内容，参考并扩展为 .claudeignore（增加 IDE 目录、虚拟环境、日志、临时文件、敏感配置等）- 若不存在：根据项目类型直接生成合适的 .claudeignore

2、尽量定位具体文件

能够定位具体代码文件，或者具体行数的情况下，做好内容引用，减少让 AI 自由发挥。

3、思维留存

这个思路也是我经常习惯去做的事情，无论是 Cursor 还是 CC。

当我们针对一些不需要及时实施的方案，或者是一段比较有价值的讨论，可以将内容导出来，方便下次继续使用。

这样可以节省从头再来的 token 费用。

CC 中，可以使用 /export 导出出对话。

在这篇文章中，我只想说我认为 MCP 最基础、也是最重要的那一部分。

包含：
1、MCP是什么？
2、怎么安装和使用第一个MCP？
3、好用的MCP该去哪里找？

MCP 是 Anthropic 官方在 2024 年 11 月推出的一种连接协议。

我们可以理解成：给 AI 接上“外部世界”的一套标准接口。

以前 AI 只能靠你贴代码、贴文字、给数据来工作。

有了 MCP，它可以直接连数据库、代码仓库、设计稿、部署平台，拿到真实的数据和状态。

你不是在“问 AI 怎么做”，而是把工具递给它，让它在你的真实环境里一起干活。

首先找到 MCP 安装地址，在 CC 中输入如下类似命令安装即可：

claude mcp add 具体mcp地址

这里以 chrome-devtools 为例，演示下安装和使用过程：

备注：chrome-devtools 是一款支持：
网页数据抓取、UI自动化测试、性能分析的工具。

1、输入命令完成安装

GPT plus 代充 只需 145claude mcp add chrome-devtools npx chrome-devtools-mcp@latest

2、输入/mcp 查看安装结果

如果在 mcp server 里有看到“connected”，那就代表已安装成功了。

3、测试数据抓取

利用这个工具，我们让 CC 抓取公众号后台首页的数据。

使用谷歌浏览器打开地址：https://mp.weixin..com/cgi-bin/home?t=home/index&lang=zh_CN&token=XXXXX再通过 chrome-devtools mcp 读取第一页的每篇文章的数据，保存到Excel文件中

4、UI 自动化测试

除了能抓取网页数据之外，我认为最有价值的场景是： UI 自动化测试。

我这边演示一下：

GPT plus 代充 只需 145请用谷歌浏览器打开如下地址：xxxx

使用 chrome-devtools mcp 帮我测试公众号自动写作列表的功能，满足文件内的验收标准：公众号自动写作测试用例.csv

我们发现 MCP 已经开始自动打开浏览器，并且按照要求点击页面，完成每个测试用例的验证。

在所有步骤跑完之后，它会给出一份完整的测试报告。

从效果来看，这个 MCP 可以明显简化目前的 UI 测试流程。

未来只需要把测试用例写清楚，剩下大量重复的操作，就可以交给 AI 来完成。

1、MCP 官方示例仓库

这是一个 MCP 官方示例仓库，提供了一些参考用的 MCP Server，
用来展示 MCP 的能力和各语言 SDK 的基本用法。适合想理解 MCP 工作方式、准备自己实现 Server 的开发者参考。

地址：

https://github.com/modelcontextprotocol/servers

2、国内 MCP 仓库

国内的 @云中江树老师，也整理了一个中文版的 MCP 集合：

GPT plus 代充 只需 145https://github.com/yzfly/Awesome-MCP-ZH

里面汇总了不少 MCP 的使用案例和精选列表，比如浏览器自动化、编程、数据库交互、命令行、搜索等。

内容丰富，值得一看。

此外，我整理了一些相对实用的MCP，方便大家获取：

它可以让 AI 直接读取并理解你的 Figma 设计稿。

不是看截图，而是拿到真实的设计结构，包括组件、文字、颜色和间距。

这样你就可以让 AI 直接对着设计写代码、核对样式，中间少解释很多细节。

安装命令:

claude mcp add –transport http figma https://mcp.figma.com/mcp

官方文档地址：

GPT plus 代充 只需 145https://developers.figma.com/docs/figma-mcp-server/remote-server-installation/#claude-code

Supabase MCP 的作用，是让 AI 直接接管你的 Supabase 数据库，能看结构、写数据、改表，而不是只给建议。

对不会数据库的朋友来说，价值更明显。

你不用先学 SQL、表设计、权限规则，只需要用业务话说明需求。

比如：“我需要一个记录用户积分变化的表。”

AI 会自己去看现有的结构，再创建表结构和对应数据库操作。

安装命令：

claude mcp add –scope project –transport http supabase “https://mcp.supabase.com/mcp"

官方文档地址：

GPT plus 代充 只需 145https://supabase.com/docs/guides/getting-started/mcp

Context 7 MCP 的作用，
是给模型补一个“更新、更快的外部上下文”。

模型自带的知识有时间滞后，新框架、新 API、新用法，它可能不知道。

Context 7 MCP 做的事很简单：在你提问时，把最新的文档、规则或资料拉进当前上下文，让模型当场参考。

这样能解决两个常见问题：

• • 不再用过期 API、旧语法乱猜
• • 回答更贴近你现在正在用的版本和环境

安装命令（需要获取API Key）：

claude mcp add context7 – npx -y @upstash/context7-mcp –api-key YOUR_API_KEY

官方文档地址：

GPT plus 代充 只需 145https://github.com/upstash/context7

对很多没有技术背景的朋友来说，部署是最容易卡住的一步。

代码写完了，却不知道怎么上线。环境变量、构建命令、报错信息，看了也不明白。

Vercel MCP 的作用，是让 AI 直接帮你将本地代码部署在线上，并不只是给一堆部署建议而已。

安装命令：

claude mcp add –transport http vercel https://mcp.vercel.com

官方文档地址：

GPT plus 代充 只需 145https://vercel.com/docs/ai-resources/vercel-mcp

GitHub MCP 的作用，是让 AI 直接参与你的代码仓库，而不是只看你粘出来的片段。

它可以帮你理解仓库结构、文件变更和提交记录，也能读懂 PR 和 issue 在讨论什么。

这样 AI 才知道，代码从哪来，改过什么，现在卡在哪。

安装命令（需要获取授权码）：

claude mcp add-json github ‘{”type“:”http“,”url“:”https://api.githubcopilot.com/mcp","headers":{"Authorization":"Bearer YOUR_GITHUB_PAT“}}’

官方文档地址：

GPT plus 代充 只需 145https://github.com/github/github-mcp-server/blob/main/docs/installation-guides/install-claude.md

安全漏洞是在 AI 编程过程不可忽视的一件事。

因为如果漏洞存在，别人可以在你不知道的情况下，
拿数据、控账号、用你的服务器干任何事。

很多时候，即使是专业程序员，在不熟悉的编程语言环境下，也很难察觉一些安全问题。

更别提非专业人士，在目前 AI 的加持下，更多人只会更注重结果，却忽略了这些定时炸弹。

这个 MCP 可以帮你检查代码：

• • 有没有常见安全漏洞
• • 有没有明显的错误写法
• • 有没有容易被忽略的坏习惯

这样可以降低代码存在的安全风险。

安装命令：

claude mcp add semgrep uvx semgrep-mcp

官方文档地址：https://github.com/semgrep/mcp

如果只用一句话概括：
Skills 是给 Agent 使用的、可复用的能力封装机制。
它解决的不是“这一次怎么做”，
而是“这一类事情，长期应该怎么做”。

我们可以回想下，在没有 Skills 之前，更多是用 Prompt 和 AI 协作。

你需要把 每一步想清楚、说清楚，
模型当场理解、当场执行。
只要对话结束，之前的约束和方法就不存在了。

Skills 的出发点不一样。它试图把一类任务中 稳定、不变的部分提前沉淀下来。包括 执行流程、操作顺序、使用规范、注意事项，甚至可以包含 可执行脚本和参考资料。

这些内容会被整理成一个结构化的能力单元，在合适的场景下，由 Agent 按需加载、反复使用。

从系统视角看，一个 Skill 本质上就是一个能力文件夹。

GPT plus 代充 只需 145my-skill/ ├── SKILL.md # 必须: 元数据 + 指导文档 ├── scripts/ # 可选: 执行脚本 ├── references/ # 可选: 参考文档 └── assets/ # 可选: 资源

Agent 并不会一次性把这些内容全部放进上下文，而是按步骤、按需要逐层获取信息。

这也是 Skill 设计中最优雅的一点，这个机制被称为：渐进式披露（Progressive Disclosure）。

我们通过一个官方案例：webapp-testing ，更直观地看一遍这个加载过程。

Skill 官方地址：https://github.com/anthropics/skills/tree/main/skills/webapp-testing

第一层，是元数据。

当 Agent 启动时，它只会读取 Skill 顶部的元数据区域，核心也就是 name和 description这两个字段。

GPT plus 代充 只需 145备注：可以有更多元数据字段，但是这两个信息是必备的。

在 webapp-testing 中，这一层只告诉 Agent 一件事：这是一个“用于使用 Playwright 测试本地 Web 应用”的能力。

到这里为止，Agent 只是知道：“这个 Skill 会做 Web 应用测试”，但还不知道“具体应该怎么做”。

这一层内容相对较少，只用于能力发现，不涉及任何执行细节，自然，占用上下文的空间也少。

第二层，是说明文档，也就是 SKILL.md。

当用户提出的需求，比如“帮我测试一个本地 Web 页面”，当需求和 webapp-testing 的元数据匹配时，Agent 才会去读取这份文档。

在这个 Skill 里，SKILL.md 完整地描述了：

1、适用场景

Agent 会先判断任务面对的是静态 HTML 页面，还是动态 Web 应用。

如果是动态应用，再进一步判断服务器是否已经运行。

通过这一步，Agent 同时完成了两件事：
确认 Skill 是否适用，以及确定后续应该走哪条执行路径。

2、**实践与注意事项

在 webapp-testing 里，作者并没有让 Agent 自由发挥，而是明确给出了一套固定的执行顺序：先侦察页面状态，再识别元素，最后执行操作。

这一层，其实是在告诉 Agent，
哪种做事顺序更稳，
以及哪些地方最容易出错。

第三层，运行时资源（按需加载）

当任务真正进入执行阶段，
如果需要更具体、更稳定的能力，
Agent 才会按需调用脚本、示例或参考资料。

在 webapp-testing 中，一方面，通过 examples 里的示例，
Agent 可以参考“类似问题通常是怎么处理的”，快速对齐思路，少走弯路。

另一方面，对于更复杂、容易出错的操作，
还可以直接调用可执行脚本。

比如 scripts/with_server.py，
把启动服务、等待就绪、清理环境这些步骤，
用更确定的方式跑完。

所以，正是因为这种按需加载的机制，一个 Skill 才能同时打包大量说明和工具，却不会带来持续的上下文负担。

Skills 和 MCP 并不是一类东西。

MCP解决的是连接问题，
它决定 Agent 能访问哪些外部系统、数据源和工具。

Skills是定义在拿到这些工具之后，
应该如何规范、稳定地使用它们。

我们可以理解为：MCP 提供能力边界，Skills 约束能力使用方式。

下载 Skill 的方式一般分为两种：
手动下载、借助AI下载。

无论使用哪种方式下载，我们需要将 Skills 放对位置，否则 CC 无法成功加载。

1、手动下载

https://skillsmp.com/zh/search

GPT plus 代充 只需 145https://github.com/anthropics/skills

2、让 AI 自行下载

接下来，我们演示一下如何让 AI 下载 skill-creator，这是一个官方提供、用来帮助我们开发 Skill 的 Skill。

请帮我安装Skill，对应的项目地址为：https://github.com/anthropics/skills/tree/main/skills/skill-creator

等待安装完成。

接下来我们利用 skill-creator 创建一个 skill，输入自己的需求：

输入需求后，CC 开始帮我创建 skill，最终包含一个压缩脚本。

细心的朋友可以看到，这次脚本需要安装一个依赖包。

为了减少更多问题的出现，我建议直接让 CC 帮你完成安装。

安装成功之后，该怎么使用呢？

除了AI 给出的命令示例，我们可以按照这样两种方式使用：

1、指明具体的 skill 名称

GPT plus 代充 只需 145请使用 image-compressor 压缩这张图片 

2、让 AI 自行分析和调用合适的 skill

请帮我压缩这张图片 

当 AI 判断这次任务符合 image-compressor 的 Skill 定义时，
就会直接调用这个 Skill，
而不是自己再去写一套新的程序来完成任务。

写 Skill，第一步不是脚本，也不是流程。
而是元数据里的 名字和描述。

名称：推荐用「动词 + ing」的形式，直接描述行为。

正例：

GPT plus 代充 只需 1451. processing-pdfs2. writing-documentation

反例：

1. helper2. tools

描述：定义做什么 + 什么时候用。

正例：

GPT plus 代充 只需 145从 PDF 文件中提取文本和表格、填充表单、合并文档。在处理 PDF 文件或用户提及 PDF、表单或文档提取时使用。

反例：

帮助处理文档

以上案例摘自官方。

一个 Skill，尽量只做一件事，千万别贪多。

Skill 的职责越多，AI 越难判断什么时候该用它。

否则，最后的结果往往是：

• • 要么不用
• • 要么用错

比较好的判断方式是问自己一句话：
“这个 Skill，是不是一句话就能说清楚在干嘛？”

无论是案例、说明还是约束条件，
都不是越多越好，而是越精准越好。

官方建议：Skill.md 不要超过 500 行。

否则很有可能是：责任不清、信息堆叠。

测试下来，对 Skill 行为没有影响的内容，该删就删掉。

对于不同的任务类型，我们可以灵活设置不同的自由度。

偏开放的任务，比如：总结、改写、头脑风暴、方案生成。

这类任务本身没有唯一答案。

这种情况下，不用写太多限制条件。
给清楚目标和边界，让它自由发挥，
反而更能最大化模型的能力。

偏稳定的任务，比如：格式转换、数据处理。

对于这种追求确定性结果的任务，
我们需要明确步骤、写好脚本，
在合适的步骤上直接调用。

很多人一开始就犯一个错误：
一上来就写几百行的提示词，然后开始反复调。

这种方式很累。

更稳妥的方式，是先搭骨架。只写最基本的目标、输入和输出。

同一个 Skill，在不同模型下，表现会存在差异。所以不要指望一次写完。

持续验证、持续迭代，才是写好 Skill 的正确姿势。

这是最容易被忽略的一步。

很多 Skill 写完之后，没人知道：它算不算成功？

建议至少想清楚三件事：

• • 什么情况下，算是用对了这个 Skill
• • 什么输出，是可以接受的
• • 什么情况，算失败

哪怕只是几条简单的判断标准，也比没有强。

除了之前提到站点之外，这里也整理了一些优质的 Skills 资源：

Skills 的意义，在于把具体的方法和相关资源封装起来，变成可以长期复用的能力。

同样地，
如何获取和构建好用的 Skills，
本身也值得被当成一项能力沉淀下来。

GPT plus 代充 只需 145我有一个需求：【一句话描述你想解决的问题】。 请你帮我在 GitHub 上找 3–5 个成熟、被大量使用的开源项目 来解决这个问题，并简单告诉我：

• 每个项目的 GitHub 链接
• 大致的 star 数
• 各自适合什么场景
• 它们之间最主要的差异 最后给我一个选择建议，告诉我哪个更稳、更值得长期使用。

  再用 skill-creator 把它们封装成一个个 skill，然后，结合自己的使用习惯和场景做微调。

  请使用 Skill-Creator 帮我将【输入最合适的开源项目地址】封装成一个 skill，用于解决 【你希望解决的问题】

  前几次使用，踩坑几乎是不可避免的。
  但一旦把结构和边界理清楚，稳定下来，
  这些 Skill 就会变成后面可以反复使用的长期能力积累。
  
  

  Cursor 更像是在加速传统的软件开发流程，让你写得更快。

  但 Claude Code 给我的感觉不太一样。

  当然，这两类工具不是非得二选一。

  快速原型、日常编码，用 Cursor；
  复杂设计、重构、深度调试，用 Claude Code。
  

  尼尔·波兹曼说过一句话：“当你改变工具时，你也在改变自己。”

  工具会一直变，Cursor 也好，Claude Code 也罢，它们都只是手段。

  真正重要的，是你用什么思维方式解决问题，交付结果。

  愿我们，都能找到最适合自己的开发节奏。

  我是 🐼 熊猫Jay，如果觉得文章有用，随手点个赞、转发、在看三连吧～ 谢谢你看我的文章～

  原文地址如下：

  https://mp.weixin..com/s/8iM16IfgKWvESx8ZaOg5Uw

  没想到又多出来了9个封神的Skills，包括动画制作，无限画布，版本管理，动态PPT，去AI味儿，新技能制作，Office全家桶，都是我实地测试过的
  
  Claude Code就统一叫CC了
  
  1. Vercel出的聚合站skills. sh
  按安装量排名，可以看24小时内最火Skills是什么，收录后的Skills安起来很简单，在CC上运行，npx skills add 具体的项目名
  
  2. 比方说昨天一发就火的Remotion
  运行npx skills add remotion-dev/skills安装，这个Skill能免费做JS动画，还做3D的，比方说我可以做一个讲解如何安装CC的文字讲解视频，用在PPT上绝杀，我明天单独出一篇
  
  3. 第三名是Pencil，可以理解为无限画布版Claude Code，兼容Figma，还自带了设计规范和示例风格，不算纯skills，我单开一篇《不想当设计师的程序员不是好产品经理》
  
  4. 看到这里的话可能已经装了几十个Skills，需要管理Skills的Skills
  
  @一支烟花做的skills-updater，能检查本地skill有没有更新，有的话自动装，但有些Skills我在本地用的时候会修改，自动更新会跟我本地改好的版本冲突。@小耳做的Skill Vision Control解决了这个问题，下载新版本时保留旧的，可以对比后再决定要哪个
  
  5. 最近跑的还有@歸藏佬的动态PPT Skills，NanaBanana-PPT，能分析文档做PPT大纲，用 Banana2生图，用可灵做页面过渡动画，一键合成包含所有转场的ppt视频
  
  6. 同样是做PPT，notebooklm-skill 有一个新用法，在网页端生成PPT的时候最多也就是20页，在CC用可以换个思路，先生成一个结构化的文档，明确每一页ppt讲什么
  
  然后CC有学习品牌风格的Skills，Theme Factory ，原用法是将生成的内容做品牌化的，会去对齐配色和字体，这时候我会让它学我想要做的PPT风格，这样生成PPT的时候可以1次做15张，不停循环也能保持风格化，100页都可以做
  
  7. 怎么把日常对话打包成Skills呢
  上一篇的方式是brainstorming头脑风暴，把跟模型的上下文对话主动做成Skills。这一篇升级成全自动的Homunculus，比方我连续三四次做某个请求前都会先看API文档，它就会创建一个自动获取文档的新技能
  
  8. 还有一个skill-from-masters会在我新建一个技能的时候，网络搜索领域专家的方法论，或者找高赞的GitHub项目转化为新技能
  
  9. Document Suite
  含金量高高的，让CC带格式带公式生成 Word/Excel/PPT/PDF
  
  好用的Skills太多了，
  提到的我都打包成文档了，
  老规矩发【技能】就行，
  我后面按场景当维度，
  来说组合Skills的工作流！
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  

  先回答问题：日常写代码我用Cursor，复杂重构用Claude Code，TRAE试了一阵后放弃了。不是TRAE不好，是我懒得换。

  ---

  很多人把这三个放一起比，其实不太对。Cursor和TRAE是一类，都是IDE，写代码的时候在旁边给你补全、回答问题。Claude Code是另一类，它是个Agent，你给它任务它自己去干，干完了叫你。

  这个区别决定了使用场景完全不同。

  ---

  先说Cursor。

  它的核心价值是Tab补全。写代码的时候，它会猜你下一步要写什么，按Tab就自动补上。一开始觉得没什么，用习惯了发现离不开。

  但Tab补全有个技巧：上下文要给够。

  比如你要写一个用户校验函数，光把光标放在空行上，它补出来的东西很generic。但如果你先写个注释：

  GPT plus 代充 只需 145// 校验用户名：4-20位，只能是字母数字下划线，不能以数字开头 function validateUsername(username) {

  写到这里按Tab，它补出来的代码基本就是对的。注释越详细，补全越准。

  Composer是另一个常用功能。比如我要把项目里的axios请求都换成fetch，直接跟它说：

  把src/api目录下所有用axios的地方改成fetch，保持原有的错误处理逻辑

  它会把涉及的文件都列出来，一个个改，你review一下确认就行。这种批量改动手动做要半天，它几分钟搞定。

  但Composer有个坑：改动太多的时候会漏。超过5-6个文件就容易出问题，不是漏改就是改错。我的经验是复杂改动分批做，别一次塞太多。

  ---

  TRAE我用了大概两周就换回Cursor了。

  界面和Cursor几乎一样，功能也差不多。免费是真香，但有几个问题。

  补全的”味道”不太对。怎么说呢，Cursor补出来的代码风格跟我习惯比较接近，TRAE的有时候会用一些我不太用的写法。比如我习惯用async/await，它偶尔会补成.then链。不是错，就是别扭。

  还有就是响应速度，TRAE明显慢一点。Tab按下去要等个零点几秒，Cursor几乎感觉不到延迟。写代码的时候这个差距很明显，一卡一卡的很影响心流。

  可能是服务器在国内的原因？不确定。总之如果你对延迟敏感，建议两个都试试再决定。

  ---

  Claude Code是完全不同的东西。

  它不是IDE插件，是个命令行工具。装好之后在终端里跑，给它下任务，它自己读代码、改代码、跑命令。

  听起来很美好，实际用起来有点像养了个不太听话的实习生。

  有一次我让它”把这个函数的返回值从数组改成对象”，它改完我一看，好家伙，顺手把调用这个函数的十几个地方也”优化”了一遍。虽然逻辑没错，但跟我原来的风格完全不一样。测试倒是过了，code review的时候同事问我是不是换人了。

  所以用Claude Code有个原则：任务要具体，边界要清晰。

  别说”优化一下这个模块”，要说”把src/utils/date.js里的formatDate函数改成支持时区参数，其他文件不要动”。越具体它越不容易跑飞。

  但它真正厉害的地方是复杂推理。

  比如我有个老项目，几万行代码，想加TypeScript。让Cursor做这个事，它只能一个文件一个文件加，而且类型推断经常错。

  Claude Code不一样。我跟它说”分析这个项目的数据流，给主要的函数加上TypeScript类型定义”，它会先花几分钟读代码，理解模块之间的关系，然后给出一个整体的类型方案。虽然还是要人工review，但起码方向是对的。

  还有就是批量操作。”把项目里所有console.log删掉，但保留console.error”这种任务，Cursor要一个个文件点，Claude Code一句话搞定。

  缺点是贵。按token算钱，复杂任务跑一次可能要几块钱。让它反复尝试的话，一天下来几十块不是问题。

  ---

  说个实际的工作流。

  平时写代码90%的时间在Cursor里。新功能开发、bug修复、小范围重构，Tab补全加Composer基本够用。

  遇到大活的时候上Claude Code。比如：

  • 老项目技术栈升级
  • 生成测试用例（它能根据代码逻辑自己想edge case）
  • 分析不熟悉的代码库（让它画调用关系图）
  • 批量格式化或重构

  两个配合用，效率比单用一个高很多。

  ---

  几个用好这些工具的心得：

  写好prompt是核心技能。同样的功能，prompt写得好能省一半时间。多给上下文，说清楚约束条件，指定代码风格。这些工具不是魔法，你给的信息越多，它出来的东西越靠谱。

  别无脑接受生成的代码。Tab补全的时候多看一眼再按，Composer改完一定要diff看一遍。我见过有人AI写的代码直接提交，结果埋了个隐藏bug，线上炸了才发现。

  该用的时候用，不该用的时候关掉。有些复杂逻辑，自己想清楚再写比让AI猜效率高。核心算法、安全相关的代码，最好还是手写。

  ---

  对了，我有几台开发机在不同地方。之前远程开发的时候，Cursor的补全延迟很高，Tab下去要等一两秒，根本没法用。后来用星空组网把机器串到一个虚拟局域网，延迟降到二三十毫秒，体验跟本地差不多了。远程开发的可以试试这个思路。

  ---

  回到问题，谁最强？

  这三个工具解决的问题不一样，放一起比”最强”没意义。

  Cursor和TRAE解决的是”写代码的时候有个助手”，Claude Code解决的是”有个能跑腿的实习生”。

  如果只能选一个，选Cursor，覆盖面最广。有余力的话Cursor+Claude Code组合用，效率提升很明显。TRAE免费是优势，预算紧的可以先从TRAE开始。

  工具而已，用顺手就行。

  有问题评论区聊。