我把“AI 编程八荣八耻”做成了一个可安装的 Skill

随着 Codex、Claude Code、Cursor、Cline、GitHub Copilot 等 AI 编程工具越来越普及，很多开发者已经开始让 AI 直接参与真实项目开发。

但在实际使用中，AI Coding Agent 经常会出现一些典型问题：

• 没有阅读项目代码，就直接开始修改；

• 根据函数名猜测接口；

• 编造不存在的 API、文件或 Schema；

• 需求不清楚时自行补全业务逻辑；

• 为了修复一个小问题，顺手重构整个模块；

• 代码生成完成后，没有运行测试就宣布任务完成；

• 出现无法验证的内容时，依然给出非常确定的结论。

这些问题并不一定是模型不会写代码，而是因为 Coding Agent 缺少一套明确、稳定、可执行的工程协作规范。

因此，我将网上很火的AI 编程八荣八耻进一步整理、扩展，制作成了一个可以直接安装和调用的 Coding Agent Skill：

Scientific Coding：科学 Coding 观

GitHub：https://github.com/visionlmlm/Scientific-Coding

一、这是什么项目

scientific-coding 是一个面向 AI 编程 Agent 的工程协作 Skill。

它不是一个普通 Prompt，也不是某个编程框架，而是一套用于约束 AI 编程行为的工程规范。

它希望让 AI Coding Agent 在真实项目中遵循以下基本原则：

先读上下文，再写代码。 先确认事实，再调用接口。 先验证结果，再宣布完成。

简单来说，它的目标不是让 AI 一次生成更多代码，而是让 AI 写得更谨慎、更可靠、更符合真实软件工程流程。

二、为什么需要这个 Skill

很多时候，AI 生成的代码看起来很完整，但放到真实项目中却无法运行。

例如，我们让 AI 给订单页面增加一个状态筛选功能，AI 可能会直接写出：

client.orders.filterByStatus(status)

但项目里可能根本不存在 filterByStatus() 这个方法。

正确的做法应该是：

Scientific Coding Skill 的作用，就是把这些工程习惯写成 Agent 可以读取和执行的规范。

三、核心理念

这个 Skill 的核心理念可以概括为一句话：

少一点幻想，多一点查询；少一点猜测，多一点确认；少一点生成，多一点验证。

它要求 Agent 在处理编程任务时做到：

1. 先理解，再修改

在修改代码之前，先阅读相关文件，理解：

• 项目结构；

• 模块职责；

• 数据流；

• 调用链；

• 已有实现；

• 项目约定。

避免只看一个文件，就开始大范围修改。

2. 不编造 API

所有接口、参数、返回值、文件和 Schema，都应该来自：

• 项目源代码；

• 类型定义；

• 官方文档；

• API 文档；

• 测试用例；

• 用户确认。

不能因为某个函数名“看起来合理”，就假设它真实存在。

3. 不擅自决定业务规则

当用户说：隐藏不可用商品

Agent 不应该自行决定“不可用”是指：

• 没有库存；

• 未发布；

• 已禁用；

• 已过期；

• 区域不可售。

正确做法是先在项目中查找已有定义，仍然无法确认时，再向用户询问。

4. 优先复用已有代码

新增代码前，优先级应该是：

已有代码
↓
已有组件
↓
已有工具
↓
扩展已有模块
↓
新增实现

尽量避免重复封装、重复造轮子和创建功能相同的新接口。

5. 小步修改

只修改完成当前任务所必需的代码。

不要在修复登录按钮时，顺手重写认证模块；也不要为了“代码更高级”，引入不必要的抽象层和依赖。

6. 尊重项目架构

Agent 应该遵循项目已有的：

• 目录结构；

• 命名规范；

• 模块边界；

• 代码风格；

• 技术栈；

• 设计模式。

不能为了方便实现而绕过已有封装或跨层调用。

7. 考虑异常、安全和边界

除了正常流程，还要考虑：

• 空数据；

• 异常输入；

• 网络失败；

• 权限不足；

• 资源不存在；

• 密钥泄露；

• SQL 注入；

• 命令注入；

• 越权访问。

8. 完成后必须验证

代码生成完成，不代表任务完成。

Agent 应尽量运行：

• 单元测试；

• 集成测试；

• 类型检查；

• Lint；

• 构建检查；

• 手动冒烟测试。

无法验证时，也必须明确说明原因和剩余风险。

四、科学 Coding 十六荣十六耻

在原有“AI 编程八荣八耻”的基础上，我将其扩展为了十六条：

不猜接口，先查文档。
不糊执行，先问边界。
不想业务，先做人类确认。
不造轮子，先复用已有。
不跳验证，先写测试。
不破架构，先守规范。
不装理解，坦白未知。
不乱修改，谨慎重构。

不看局部，先懂全局。
不求一步，先做迭代。
不忘安全，先做防护。
不堆复杂，保持简单。
不漏异常，考虑边界。
不改旧物，先懂原因。
不留黑盒，补充文档。
不卷代码，追求质量。

这些规则覆盖了 Coding Agent 在真实项目中最常见的工程风险。

五、项目结构

当前仓库结构如下：

Scientific-Coding/
├── README.md
└── scientific-coding/
├── SKILL.md
├── README.md
├── RULES.md
├── CHECKLIST.md
├── PROMPTS.md
├── agents/
│ └── openai.yaml
├── examples/
│ ├── correct_workflow.md
│ └── hallucination_cases.md
└── templates/
└── task_report.md

各文件的作用分别是：

• SKILL.md：Skill 入口文件和主要执行流程；

• RULES.md：完整的科学 Coding 观规则；

• CHECKLIST.md：修改前、修改中、修改后的检查清单；

• PROMPTS.md：可直接复制给 Agent 的提示词；

• examples/：正确工作流和错误案例；

• templates/task_report.md：任务完成报告模板；

• agents/openai.yaml：Skill 的界面和调用元数据。

六、如何安装

项目已经可以被 skills CLI 正确识别。

先查看仓库中的 Skill：

npx skills add visionlmlm/Scientific-Coding –list

正常情况下会看到：

Found 1 skill

scientific-coding

安装到 Claude Code

npx skills add visionlmlm/Scientific-Coding –skill scientific-coding -a claude-code -g -y

安装到 Codex

npx skills add visionlmlm/Scientific-Coding –skill scientific-coding -a codex -g -y

其中：

• –skill scientific-coding：选择指定 Skill；

• -a：指定目标 Coding Agent；

• -g：全局安装；

• -y：自动确认安装。

查看全局安装结果：

npx skills list -g

七、如何使用

安装完成后，可以在 Claude Code 中输入：

/scientific-coding 请分析当前项目结构，不要修改任何文件。

执行实际开发任务：

/scientific-coding 请修复当前登录接口报错。先搜索现有接口和调用方式，不要编造 API，完成后运行相关测试。

进行 Code Review：

/scientific-coding 请审查当前分支的代码修改，重点检查接口编造、架构破坏、边界条件、安全问题和测试缺失。

进行重构规划：

/scientific-coding 请分析支付模块的重复代码，先给出重构原因、影响范围、风险和验证方案，不要直接修改核心逻辑。

也可以使用自然语言调用：

请按科学 Coding 观处理这个任务：先读上下文，不编造 API，小步修改，并完成验证。

八、它能解决什么问题

这个 Skill 不能让模型参数变大，也不会让模型突然掌握更多编程语言。

它主要解决的是 Agent 的工程行为问题：

• 降低编造接口的概率；

• 减少无关代码修改；

• 避免过度重构；

• 提高现有代码复用率；

• 强化测试和验证意识；

• 提升任务结果的可解释性；

• 明确区分已确认事实、推测和未知内容；

• 让不同成员使用 AI 编程工具时遵循相对统一的流程。

因此，它更像一套面向 AI Coding Agent 的工程制度，而不是单纯的提示词模板。

九、适用场景

Scientific Coding 比较适合以下任务：

• Bug 修复；

• 小功能开发；

• 前后端接口联调；

• Code Review；

• 项目结构分析；

• 重构方案设计；

• 测试补充；

• 安全审查；

• 团队 AI 编程规范统一；

• Codex、Claude Code、Cursor 等 Coding Agent 行为约束。

对于核心模块重构、权限系统、支付系统、数据库迁移等高风险任务，这类行为规范尤其重要。

十、总结

AI Coding Agent 正在从“代码生成工具”逐渐变成“工程协作者”。

但一个可靠的工程协作者，不应该只是快速生成代码，还应该具备：

• 查询事实的习惯；

• 理解上下文的能力；

• 尊重架构的意识；

• 控制修改范围的原则；

• 主动验证的流程；

• 坦白未知的态度。

Scientific Coding 希望解决的正是这个问题：

让 AI 不再看起来很聪明地瞎写，而是更像一个靠谱、谨慎、可验证的工程协作者。

项目地址：https://github.com/visionlmlm/Scientific-Coding

欢迎 Star、Fork、提交 Issue，也欢迎根据不同 Coding Agent 的特点补充更多工程规则和实际案例。