让 Claude 编程更听话、更懂你：5 个开箱即用的「AI 工程化技能包」

你是否也遇到过这样的困扰：给 Claude 写了一大段清晰的 CLAUDE.md 指令，它却在关键步骤上“自由发挥”？或是 React 组件的 TypeScript 类型写得面面俱到，结果实际运行时 props 总是 undefined——因为类型覆盖了 Storybook 和测试里的“假路径”，却漏掉了真实用户触发的代码分支？humanlayer/skills 正是为解决这类「AI 与工程实践脱节」问题而生的轻量级工具集。它不造大模型，也不改 LLM 底层，而是聚焦于一个关键切口：把开发者最常重复、最易出错、最需上下文感知的 AI 协作环节，封装成可一键安装、项目内即调的「技能命令」（如 /improve-claude-md），让 Claude 真正成为你代码库的“编译期协作者”，而非仅限于聊天窗口的泛泛助手。

核心功能

智能重写 CLAUDE.md 指令文件：自动将你手写的指令文档转换为带 <important if> 条件块的结构化格式，显著提升 Claude 对复杂约束（如“仅当用户明确要求修改 CSS 时才生成样式代码”）的识别准确率，避免因指令模糊导致的无效输出或越界操作。
精准收窄 React 组件 Props 类型：不再依赖 Storybook 示例或 mock 数据推断类型，而是静态分析项目中所有真实调用点（JSX 属性传参、hooks 返回值使用等），动态生成最小可行的 TypeScript 接口，让类型检查真正反映运行时行为，大幅减少 undefined 报错和类型断言滥用。
一键搭建本地迭代式智能编码工作流：自动生成一个与当前仓库深度绑定的「技能模块」（含 prompt、memory 文件、参考模板），并配套 GitHub Actions YAML 流程——支持按需触发、自动记忆历史、持续优化生成结果，让 AI 编码从“单次问答”升级为“有状态、可演进”的工程化能力。
交互式设计智能控制闭环：通过多轮自然语言访谈（如“你的系统有哪些外部输入源？”“哪些操作会改变核心状态？”），帮你抽象出符合控制论原理的 Sensor-Controller-Actuator-Disturbance 架构，并输出可直接运行的本地服务脚本与调度配置，特别适合构建自动化运维、数据管道监控等场景。
可视化解释当前开发主题：输入 /show-me 后，自动解析当前文件/目录语义，生成带 ASCII 图表、代码结构快照（如组件树、函数调用链）、以及轻量 HTML 文档（含高亮片段与注释）的组合说明，比纯文字解释快 3 倍理解技术脉络，新成员上手或跨模块调试时效率倍增。
零配置接入，命令即服务：所有技能均以 /xxx 形式在项目根目录下直接调用，无需启动服务器、不依赖额外依赖、不修改现有 CI/CD，一条命令安装后，即可在 VS Code 终端或 GitHub Codespaces 中立即使用，学习成本趋近于零。
完全离线 & 本地优先：所有技能逻辑在本地执行，敏感代码无需上传至任何云服务；prompt 优化、类型分析、工作流生成等全部基于本地 AST 解析与文件系统遍历，保障企业级代码安全与合规要求。

技术亮点

基于 TypeScript 的轻量 CLI 架构：整个项目采用纯 TypeScript 编写，无运行时依赖，通过 npx skills add 实现“零安装”调用——本质是动态下载预编译的二进制脚本，规避 Node.js 版本冲突与全局污染，比传统 npm install 更干净、更快速。
AST 驱动的代码理解层：如 narrow-react-prop-types 技能并非简单正则匹配，而是调用 TypeScript Compiler API 解析 AST，精确追踪 JSX 属性传递链、hook 返回值流向及条件渲染分支，确保类型收窄结果 100% 反映真实执行路径。
控制论范式落地 AI 工程：design-control-loop 技能将经典控制理论（传感器采集信号 → 控制器决策 → 执行器动作 → 扰动补偿）转化为可编码的 Prompt 工程模板与 GitHub Actions 触发逻辑，是少有将系统工程方法论与 LLM 工具链深度结合的实践案例。
声明式技能注册机制：每个技能通过独立的 skill.json 描述元信息（触发命令、所需权限、输入参数），支持社区贡献新技能而无需修改主程序，MIT 协议下已形成可扩展的“AI 协作技能市场”雏形。

适合哪些人用

这是一套专为一线工程师、前端架构师、AI 工程化实践者打造的生产力工具。如果你每天要和 Claude 协作写代码、维护大型 React 项目、或正在探索如何让 AI 真正融入研发流水线，它就是为你准备的。

真实场景一：某电商中台团队使用 improve-claude-md 重构了全栈微服务的指令文档。过去工程师需反复提醒 Claude “不要修改数据库迁移脚本”，现在通过 <important if="user asks for DB change"> 显式声明，LLM 输出违规率下降 76%，Code Review 时人工干预频次减少 40%。

真实场景二：一家 SaaS 公司的 Design System 团队用 narrow-react-prop-types 分析其 120+ 组件库。发现 37% 的组件存在“测试专用 props”被纳入公共类型定义的问题，自动收窄后，下游业务方 TypeScript 错误数周均下降 220+ 次，且未引入任何运行时变更。

快速上手

无需全局安装，无需配置环境：

在任意项目根目录打开终端，运行：
npx skills add humanlayer/skills --skill improve-claude-md
执行技能：
/improve-claude-md（自动读取当前目录下的 CLAUDE.md 并输出优化版）
查看其他可用技能：
npx skills list humanlayer/skills
一次安装多个技能（推荐）：
npx skills add humanlayer/skills --skill improve-claude-md --skill narrow-react-prop-types --skill show-me

所有生成文件默认保存在 .skills/ 目录下，可直接提交至 Git，实现团队内技能共享。

同类对比 / 注意事项

vs 通用 LLM 工具链（如 LangChain）：Skills 不提供抽象框架，而是交付“开箱即用的垂直解法”。LangChain 像乐高积木，需要自己搭房子；Skills 则像预制板房——装好就能住，省去 80% 的胶水与图纸工作。
vs GitHub Copilot 或 Cursor：Copilot 是 IDE 内嵌的补全引擎，缺乏对项目上下文的深度建模；Skills 则通过本地 AST 分析、文件系统扫描、Git 历史理解，构建出 Copilot 无法获取的“仓库级认知”，例如精准识别某个 hook 在哪些页面被调用过。
注意事项：部分技能（如 build-iterated-agentic-loop）会生成 GitHub Actions YAML，需确保仓库已启用 Actions；show-me 在超大单文件（>10MB）中可能响应稍慢，建议配合 git ls-files 精准指定范围。