你有没有过这种体验：让 Claude Code 或 Codex 帮你写代码，生成的代码风格、命名约定、目录结构和你团队里其他人写的完全对不上？PR 一发出去，code review 第一轮全是"这里改一下，那里对齐一下"。

最近在 GitHub 上看到一个叫 adlc-team-skills 的项目，就是冲着这个问题来的。它的思路挺直接：把团队的编码规范、架构约定、最佳实践打包成一组 Agent Skills，让 AI 编程助手在写代码前先"读"一遍团队规则，再动手。

这东西到底在解决什么问题

现在的 AI 编程助手基本上是"通用大脑"，它们知道语言语法、知道常见模式，但不知道你团队的规矩。比如：

  • 你们公司用 snake_case 还是 camelCase？
  • 错误处理是抛异常还是返回 Result 类型？
  • 日志用什么库、什么格式？
  • 测试覆盖率有没有硬性要求？

这些在 AGENTS.md 里可能写过，但 AI 工具很多时候并不会真的去遵守。adlc-team-skills 的做法是把这些规则结构化成可被 Claude Code、Codex 等工具消费的 skill 文件，让 AI 在每次生成代码的时候都被强制约束。

几个值得关注的设计点

  1. Skill 即代码。规范不再是一篇容易被遗忘的 wiki 文章，而是和项目代码一起进版本控制、可评审、可演进的资产。
  2. 跨工具兼容。项目里同时支持 Claude Code 和 Codex，意味着你在哪个工具里写代码，团队规范都能生效，不用维护两份。
  3. 本地优先。这套机制跑在你自己的 repo 里，不依赖外部服务。对企业用户来说这点很重要——代码规范本身可能包含敏感信息。
  4. 可组合。不同的 skill 可以按目录、技术栈分开，比如 python-style/、react-components/，AI 在合适的场景自动加载。

我的判断

这件事的本质，是把 "团队知识"和"AI 执行"之间缺失的那一层桥接补上。

过去我们为了让 AI 写出符合团队口味的代码，往往要在 prompt 里反复粘贴规范片段，效果还不稳定。现在看起来，更靠谱的路子是把规范工程化——就像给新入职的同事一份 onboarding 文档，只不过这份文档是给 AI 看的。

如果你们团队已经在重度使用 AI 编程工具，并且被"代码风格不一致"这个问题困扰过，建议去看看这个项目的结构。哪怕不直接 fork，它给出了一个很清晰的设计范式：规范是显式资产，不是隐藏约定。

来源：Hacker News · 由 AI 辅助整理，原文链接见上。