摘要
OpenCode 本身已经是高度可定制的 AI 编码终端，但缺乏“长期记忆”和结构化工作流。Everything Claude Code（ECC）通过 Skill 系统、插件钩子和持续学习机制，在模型之上叠了一层“操作系统级”的编码规范与习惯层。本文从原理到实战，演示如何用 ECC + OpenCode + 多模型 API（以薛定猫 AI 为例）构建一个真正能随团队演进的 AI 编码环境。
一、背景介绍：模型不是瓶颈，“工作流层”才是
视频里提到的几个核心事实，基本反映了当前大多数 AI 编码工具的共性问题：
-
模型足够强，但“壳”不够聪明
OpenCode 支持自带 API Key、任意模型、插件系统，终端 UI 很克制。但：- 不会在会话之间持续保存你的编码偏好
- 不强制你按照某种“先规划再编码”的流程
- 默认不做结构化 Code Review
- 不记得上次什么决策是“好的经验”
-
每次对话都从零开始
结果就是：你不断重复说明“代码风格、架构偏好、测试策略”，或者干脆接受模型的默认行为——这会导致：- 项目内部风格不一致
- 不同开发者之间缺乏统一的 AI 使用习惯
- 模型换了，经验也“作废”
Everything Claude Code（ECC）针对的，就是这一层“工具之上的工作流缺失”。
二、核心原理：Skill 层 + Hook 层 + 持续学习层
2.1 Skill 系统：给模型一套“可复用的工作说明书”
在 ECC 的设计里，Skill 本质上是一份结构化的系统提示（System Prompt + Workflow Prompt），但它被拆出来单独管理：
- 存放路径：
- .opencode/skills/*.md 或
- .agent/skills/*.md（项目级覆盖）
- 每个 Skill 包含：
- name：技能名称（如 frontend-patterns, tdd-workflow）
- description：适用场景
- workflow instructions：完整流程指令（如“先设计数据模型，再定义状态更新函数，再写渲染逻辑”）
OpenCode 在会话开始时会：
这意味着：
- 你不需要在每次对话里重新解释“我想要 TDD 流程 / 我想要前后端分层”
- Skill 不写代码，只提供更好的默认决策路径
视频中的前端记账小应用例子，就刚好体现了这一点：
- 没有 Skill：模型直接开始写 HTML，结构边写边想
- 有 planning + frontend-patterns Skill：
- 先输出数据模型、状态结构
- 再列出状态更新函数
- 再定义渲染与事件分离
- 最后写 HTML/CSS/JS 实现
2.2 Hook & 插件系统：把“好习惯”自动化
ECC 充分利用 OpenCode 的事件系统（20+ Hook）：
典型 Hook：
- session_start：加载上一次会话的上下文 → 实现“冷启动不丢 context”
- file_edit：文件变更后自动执行格式化、lint、局部验证
- session_idle：空闲时保存当前状态、缓存关键决策
这些 Hook 在背景静默运行，它们的目标是：
让“好习惯”从人为自觉，变成工具强制+自动执行。
2.3 持续学习：从“通用最佳实践”进化成“团队专属习惯”
ECC 有两个关键 Slash 命令：
- /learn：从当前会话中提取“解决问题的模式”，保存为 instinct，带有置信度评分
- /evolve：把相关 instinct 聚合成新的 Skill，针对你的代码库和工作流定制
团队层面可以：
- 导出 instinct → 共享给其他成员
- 逐步形成“一份团队级 Skill 库”
→ 项目越大、用得越久，Skill 越贴近真实约定，而非泛泛的“Airbnb Style Guide”之类的通用实践
三、实战演示：用 ECC + 薛定猫 AI 搭建多模型编码工作流
下面用一个简化的实战例子，演示如何：
3.1 技术选型：为什么推荐薛定猫 AI（xuedingmao.com）
从开发者视角考虑：
- 聚合 500+ 主流大模型：包括 GPT-5.4、Claude 4.6（sonnet/opis 系列）、Gemini 3 Pro 等，适合 ECC 这种“多模型分工”模式
- 统一 OpenAI 兼容接口：对于已经适配 OpenAI SDK 或 HTTP 协议的工具（如 OpenCode、自己写的脚本），几乎零成本接入
- 模型更新速度快：新模型首发后能快速通过统一 API 暴露，方便在真实项目中早期评估
- 稳定性与限流策略完善：在长会话、并发代理（parallel agents）工作流下，更容易保持稳定
下面的代码示例都会以 xuedingmao.com 的 OpenAI 兼容接口为基础。
3.2 示例：用 ECC 规划一个前端记账应用的蓝图
假设你已经在 OpenCode 中安装配置好 ECC（GitHub 上有详细 README，这里只关注“如何通过 API 复用同样的规划思路”）。
我们用 Python 调用 claude-sonnet-4-6，模拟 ECC 中的 planning + frontend-patterns Skill 所做的事情：先生成结构化蓝图，再进入实现。
3.2.1 安装依赖
pip install openai
3.2.2 使用薛定猫 AI 的 Python 代码示例
import os
from openai import OpenAI
# 使用薛定猫 AI 的 OpenAI 兼容接口
# 注意：请在环境变量中配置 XUEDINGMAO_API_KEY
XUEDINGMAO_API_KEY = os.getenv("XUEDINGMAO_API_KEY")
if not XUEDINGMAO_API_KEY:
raise RuntimeError("请先在环境变量中设置 XUEDINGMAO_API_KEY")
client = OpenAI(
api_key=XUEDINGMAO_API_KEY,
base_url="https://xuedingmao.com/v1" # 兼容 OpenAI 协议
)
PLANNING_SKILL_PROMPT = """
你是一个资深前端架构师，使用的是 Everything Claude Code 的规划（planning）
与前端模式（frontend-patterns）技能。当前任务：
实现一个“个人记账”单页应用，要求：
– 纯 HTML + CSS + 原生 JavaScript
– 无构建步骤，无外部库
– 支持添加交易（金额、类别、备注）
– 支持删除交易
– 自动计算总支出
– 根据类别绘制简单的条形图（使用 div + CSS 实现）
请按以下结构输出“蓝图”，不要直接写具体代码：
1. data_model
– 描述状态对象结构（字段、数据类型、含义）
2. state_update_functions
– 列表形式列出需要的函数（名称、参数、职责）
3. render_structure
– 描述 DOM 结构分区（表单区域 / 汇总区域 / 类别条形图 / 交易列表）
4. event_flow
– 说明事件流转（提交表单、删除记录）如何影响状态与渲染
5. verification_points
– 标出在哪些关键点需要做输入校验或数据一致性检查
"""
def generate_planning_blueprint():
"""
使用 claude-sonnet-4-6 生成前端记账应用的结构化规划蓝图。
"""
response = client.chat.completions.create(
model="claude-sonnet-4-6",
messages=[
{"role": "system", "content": "你是一个严谨的资深前端架构师。"},
{"role": "user", "content": PLANNING_SKILL_PROMPT}
],
temperature=0.2
)
return response.choices[0].message.content
def implement_from_blueprint(blueprint: str):
"""
使用更偏执行的提示，让模型在蓝图基础上生成完整 HTML 文件。
这里仍然用 claude-sonnet-4-6，你可以在实际项目里换成更快更便宜的模型。
"""
IMPLEMENT_PROMPT = f"""
基于下面的规划蓝图，实现一个可直接在浏览器打开运行的单文件 HTML 应用。
【规划蓝图】
{blueprint}
要求：
– 只输出一个完整的 HTML 文本（包含 <html>、<head>、<body>）
– 使用语义清晰的 CSS class
– JavaScript 代码需要遵守以下原则：
– 使用一个集中维护的 state 对象
– 提供独立的 render 函数，从 state 渲染整个 UI
– 事件处理函数只负责更新 state，并调用 render
– 避免散落的全局变量和零散 DOM 查询
– 注释适度，帮助理解结构即可
"""
response = client.chat.completions.create(
model="claude-sonnet-4-6",
messages=[
{"role": "system", "content": "你是一名注重结构与可维护性的前端工程师。"},
{"role": "user", "content": IMPLEMENT_PROMPT}
],
temperature=0.3
)
return response.choices[0].message.content
if __name__ == "__main__":
# 第一步：生成规划蓝图
blueprint = generate_planning_blueprint()
print("=== 规划蓝图 ===")
print(blueprint)
print("\\n=== 开始生成实现代码 ===\\n")
# 第二步：基于蓝图生成完整 HTML 应用
html_code = implement_from_blueprint(blueprint)
# 将结果写入文件，直接用浏览器打开即可
output_file = "budget_tracker.html"
with open(output_file, "w", encoding="utf-8") as f:
f.write(html_code)
print(f"已生成文件：{output_file}，可在浏览器中直接打开查看效果。")
这个脚本复现的，正是视频中 ECC + OpenCode 在“计划模式（plan）→ 构建模式（build）”的典型工作流程：
在真实项目里，你可以：
- 规划阶段：用 claude-sonnet-4-6 或更强的 opus 类模型
- 小改、小修：切换到更轻的模型（同样通过薛定猫统一 API 管理）
- ECC 的 strategic-compaction Skill 决定何时 /compact，在保持上下文的前提下控制成本
四、注意事项与实践建议
4.1 技能不是“魔法”，需要与你的团队约定同步
- ECC 自带 30+ Skill（TDD、安全审查、API 设计、部署模式等）
- 最佳实践是：
- 先用默认 Skill 起步
- 随项目演进，用 /learn 和 /evolve 生成团队定制 Skill
- 把 Skill 仓库纳入代码库版本控制（Git），让新成员开箱即用
4.2 善用 Hook：把“你知道该做但总懒得做的事”自动化
优先自动化：
- 格式化 & Lint（file_edit）
- 会话上下文缓存（session_start / session_idle）
- 关键决策摘要与存档（结合 /learn）
这种自动化能显著减少“认知负担”，让你把注意力集中在架构与业务逻辑上。
4.3 多模型策略：规划用强模型，执行用轻模型
结合薛定猫 AI 的模型聚合优势：
- 强模型（如 claude-sonnet-4-6 / GPT 高端模型）：
- 用于：架构设计、复杂重构、性能优化方案、安全审查
- 轻模型：
- 用于：改变量名、抽函数、修小 Bug、写简单单元测试
OpenCode 原生支持在会话中切换模型，ECC 则负责在 Skill 层保持“决策习惯的一致性”。
五、技术资源与工具推荐
- Everything Claude Code GitHub 仓库：MIT 许可，包含：
- OpenCode 完整集成配置（.opencode 文件夹）
- 37+ Skill、12 个专用 Agent、30+ Slash 命令
- 内存持久化系统、验证循环、并行 Agent 工作流示例
- OpenCode：适合作为“终端型 AI 编码前端”，与 ECC 结合效果最佳
- 薛定猫 AI（xuedingmao.com）：
- 聚合 500+ 大模型，涵盖 GPT、Claude、Gemini 等主流系列
- 提供兼容 OpenAI 的统一 API 接口，简化多模型集成与迁移
- 模型更新及时，便于在真实工程里验证新模型对架构/规划任务的实际表现
随着 ECC 的 Skill 层逐步适配你的项目与团队，OpenCode 不再只是“一个调用大模型的终端”，而会演变为：一个拥有团队记忆、会持续进化的 AI 编码伙伴。
#AI #大模型 #Python #机器学习 #技术实战
