搜索：开发编程与运维

如果你在 Claude Code、Cursor 或者 Codex 里装过 Matt Pocock 的那套 Skills，大概率会有这种体验——装的时候觉得“哇这么多技能”，真正用起来的时候，翻来覆去就用了那么两三个。剩下的十几个技能躺在列表里吃灰，不是没用，而是根本不知道什么时候该用哪个、用完了下一步该接什么。

在 Azure 上跑着服务的人，应该都经历过这种场景——业务上来了，函数应用的消耗型计划扛不住了，想升级到 Flex Consumption；或者老板一句话，“把咱们的 App Service 迁到容器应用上去”。听起来简单，真动手的时候才发现：配置要改、依赖要查、文档要翻，万一哪个环节漏了，服务直接挂掉。

用过 Azure 的人应该都遇到过这个情况——部署虚拟机或者创建资源的时候，突然弹出一个错误：“配额不足”。然后你得打开 Azure 门户，翻半天找到配额页面，提交申请，等审批。整个过程少说十几分钟，如果对流程不熟，可能半小时都搞不定。

如果你经常在飞书文档里画流程图、架构图或者各种思维导图，一定体会过手动拖拽对齐的痛苦——鼠标挪来挪去，框框拉大拉小，线条歪歪扭扭，改一个节点位置所有连线都得重新调。lark-whiteboard 正是为了解决这个问题而生的。

Matt Pocock 开发的 diagnosing-bugs 技能，正是为了解决这类问题而生的。它不是传统意义上的 IDE 插件，而是一个可以加载到 Claude Code、Cursor、Windsurf 等 AI 编程助手里的工作流技能。

如果你维护过超过半年的项目，大概率遇到过这种情况：代码能跑，功能正常，但加一个新功能越来越费劲，改一行代码要牵扯五六个文件，测试也很难写。你不知道问题出在哪，更不知道从哪下手。 improve-codebase-architecture 就是用来解决这个问题的。它是一个由 TypeScript 大神 Matt Pocock 开发的 AI 技能，核心工作只有一件事：像医生做体检一样，扫描你的代码仓库，找出架构层面的“病灶”，然后告诉你最该先治哪里。

如果你用过AI写代码，大概率遇到过这种情况——让AI加一个新功能，它直接生成了几百行实现代码，测试文件是空的，或者测试是后补的。你问“测试呢？”，AI说“哦，我补一下”。这不是TDD，这是“测试后补”（Test-After Development）。 tdd技能要解决的就是这个问题。它不是一个“让AI帮你写测试”的工具——它的本质是改变AI写代码的顺序：先写测试，看着它失败，再写最小代码让它通过，最后在绿色状态下重构。整个过程严格按照“红-绿-重构”的纪律执行。

AI能思考，但动不了手。它看不到屏幕，点不了按钮，填不了表单。 agent-browser 就是来解决这个问题的。它是 Vercel Labs 开源的一个浏览器自动化 CLI 工具，专门为 AI 智能体设计。用 Rust 编写，通过 Chrome DevTools Protocol（CDP）直接控制 Chrome 或 Chromium 浏览器。

vercel-react-best-practices 就是 Vercel 官方整理的一套 React 和 Next.js 性能优化指南，被打包成了一个 AI Agent 技能。你可以在 Claude Code、Cursor、Codex 等工具里直接调用，让 AI 在写代码、改代码的时候自动应用这些规则

setup-matt-pocock-skills 就是来补这个缺的。它的官方定位只有一句话：在每个仓库运行一次，然后再使用其他 engineering skills。 它不教你怎么写 issue、怎么 triage，它只做一件事：把三个核心配置决策问清楚，然后落地成文件，让后面所有的 engineering skills 都有一个确定的读写位置

如果你用AI编程助手做过稍微复杂一点的工作，大概遇到过这种情况：会话进行到一半，上下文窗口快满了，或者你想换个工具试试，但新开的会话对刚才讨论的几十轮内容一无所知。你只能手动复制粘贴，或者从头再解释一遍。 handoff就是来解决这个问题的。它是Matt Pocock开发的一个AI技能，做的事情很单一：把当前对话压缩成一份交接文档，让另一个AI智能体（或者同一个人换个工具之后）能无缝接上。

如果你维护过任何一个有外部贡献者的开源项目，或者在一个稍具规模的团队里工作过，大概率对这种情况不陌生：Issue越积越多，分不清哪些是真Bug、哪些是脑暴、哪些早就该关掉。当你引入AI智能体来分担工作量之后，这个问题非但没有消失，反而被放大了——智能体很乐意去做事，但它无法替你判断“这件事到底该不该做、现在能不能做”。

你用过飞书文档，大概知道它是个好东西——写文档、协作、@人、插表格，都很顺手。但如果你想让AI来帮你处理这些文档，事情就变得麻烦了：AI看不到你的飞书文档，你得手动复制内容给它，它改完了你再复制回去。 lark-doc 就是来解决这个问题的。它是飞书官方开源的一个 AI Agent 技能，让你的 AI 编程助手（Claude Code、Cursor、Codex 等）能够直接读取、创建和编辑飞书云文档

如果你用 AI 写代码，大概率遇到过这种情况：一个需求摆在那，但你不确定技术方案对不对、状态流转合不合理、UI 布局该往哪个方向走。直接让 AI 写最终代码，万一方向错了，返工成本很高。不写吧，光靠脑子想又不够踏实。 prototype 就是 Matt Pocock 开发的一个 AI 技能，专门解决这个问题。它让你在正式提交代码之前，先做一段可丢弃的原型代码，用来回答一个具体的设计问题。

web-design-guidelines 是一个 AI 编程助手专用的 Agent Skill，用于自动审查 UI 代码是否符合 Web Interface Guidelines（Web 界面设计指南）。它的工作方式是：动态获取最新的设计规范，然后对指定的 HTML、CSS 或前端组件代码进行逐条检查，最终输出结构化的审查报告

lark-markdown 是飞书官方 CLI（lark-cli）内置的一个 AI Agent Skill，专门用于管理飞书云盘（Drive）中的原生 Markdown 文件。它让你可以通过命令行直接创建、读取、修改、打补丁和比较飞书云盘里的 .md 文件，全程无需打开飞书网页或客户端。

简单来说，lark-okr 把飞书 OKR 的管理能力从图形界面搬到了命令行和 AI 对话里。你不再需要打开飞书网页、一级级点菜单，一条命令就能完成过去几分钟的操作。

azure-cloud-migrate 是微软官方出品的一款专为 AI Agent 打造的跨云迁移评估与自动化技能。它深度整合了多云迁移的底层逻辑与最佳实践，旨在为开发者、架构师以及自动化运维系统提供完整的迁移解决方案。该插件不仅涵盖了从 AWS 等公有云到 Azure 的全栈服务映射，还打通了代码转换与基础设施生成的自动化链路，将原本耗时数月的复杂迁移工程转化为精准、高效且低风险的标准化流程。

lark-apps 是一款专为飞书妙搭（Spark/Miaoda）应用全栈开发与托管设计的 AI 技能插件。它将复杂的应用创建、本地全栈开发、云端生成迭代以及创意设计等环节高度封装，为开发者提供了一套标准化的命令行交互规范。通过这一插件，开发者或 AI 编程助手能够无缝接管飞书应用的生命周期，从最初的代码编写、UI 原型设计，到最终的云端部署与线上监控，真正实现“一句话搞定应用开发与上线”。

Caveman 是一款近期在开发者圈子里引发广泛关注的开源插件，由开发者 Julius Brussee 创建。它的核心思路非常直接：让 AI 编程助手像“山顶洞人”一样说话，用最少的词汇传递最精准的信息。这个项目在 GitHub 上迅速获得了数万 Star，并被许多开发者评价为“2026 年最厉害的提示词技巧”之一。

如果你正在用 GitHub Copilot SDK 开发 AI 应用，又想把它们部署到 Azure 上，那么 azure-hosted-copilot-sdk 这个技能是你绕不开的帮手。它是 Microsoft Azure Skills 套件中的一员，专门解决 Copilot SDK 应用从开发到上线的全流程问题。截至 2026 年中，这个技能在 GitHub 上的安装量已接近 40 万次。

如果你在开发过程中接触过领域驱动设计（DDD），一定知道“通用语言”（Ubiquitous Language）这个概念——团队内部、业务方与代码之间用同一套词汇沟通，听起来简单，做起来难。domain-modeling 这个技能就是为了解决这个难题而生的。

如果你做过深度学习论文的代码复现，一定遇到过这种情况：README 写得很详细，数据集下载、环境配置、训练命令一应俱全，但到了关键环节——比如“使用 ImageNet 验证集”这句话——就戛然而止了。验证集怎么预处理？要不要中心裁剪？归一化参数用哪一组？这些问题 README 没说，代码里也没有注释，但你非得知道答案不可，否则跑出来的结果跟论文对不上。

如果你日常用飞书知识库（Lark Wiki）管理团队文档，同时又依赖 AI 编程助手写代码、做自动化，一定经历过这样的尴尬：AI 助手能帮你写一整套微服务架构，却没法在你的知识库里新建一页文档；能生成几千行测试用例，却找不到你上周存在知识库里的那份技术方案。

做深度学习论文复现的时候，最怕的是什么？不是代码跑不起来，而是跑起来之前根本不知道要跑什么。 你面对一个陌生的 GitHub 仓库，README 洋洋洒洒写了几千字，里面有训练命令、有推理命令、有评估脚本——但哪个是你当前需要的？哪个是官方推荐的？哪个跑起来最省时间、最不容易出错？这些问题如果不先搞清楚，要么一头扎进去乱试，要么花大量时间通读整个仓库再动手。

做深度学习论文复现的时候，最让人头疼的事情之一就是：跑完一个命令之后，你根本说不清它到底跑没跑通。日志里一堆输出，有报错、有警告、有数字，但你很难用一种标准化的方式告诉别人“这个结果是可以信任的”或者“这个步骤卡住了”。更麻烦的是，如果你为了让它跑起来改了几行代码——改了什么、为什么改、改完之后对结果有没有影响——这些信息往往散落在聊天记录里，事后根本无从追溯。

做深度学习论文复现的时候，最让人烦躁的事情之一就是：你找到了一个看起来能跑的仓库，README 里写了训练命令、推理命令、评估命令，洋洋洒洒一大堆。但当你真正准备动手的时候，卡住了——conda 环境怎么配？数据集往哪放？预训练权重去哪下载？这些 README 里要么没写，要么写得很含糊，你得自己猜、自己试、自己折腾。

你在和 AI 编程助手讨论代码结构的时候，有没有遇到过这种情况——你说“这个模块的接口可以简化一下”，AI 回你“好的，我来优化 API”；你说“这里需要一个适配层”，AI 开始给你写一堆抽象的工厂类。你们说的似乎是同一件事，但又不完全一样。“模块”和“组件”有什么区别？“接口”到底是指类型签名还是包括错误处理和性能特征？“边界”和“接缝”是一回事吗？