25% → 90%：别让 Skills 吃灰，把 Claude Code 当流水线来工程化

一句话总结：Skills 写了不调用，不是模型蠢，是少了制度——用 Hooks 当纪律、Skills 当知识、Commands 当流程、Agents 当分工，四件套协同才能把激活率从 25% 抬到 90%。

开场

你给 Claude Code 配了二十几个 Skills、写了五百页的项目规范，叮嘱它「四层架构必须用、@RequestParam 禁止出现」，结果它转头就给你来一个三层架构 + @RequestParam。你怀疑是模型变笨了，其实不是。

抓蛙师在一个企业级项目里做过统计：没有任何干预的情况下，AI 主动调用项目 Skills 的概率只有大约 25%。也就是说，你精心写的项目规范，有 75% 的概率被它当成「可选参考」直接跳过。这就像你给员工发了本 500 页的开发手册，他从来不翻，全凭经验写代码——不是没能力，是没制度。

问题的本质：默认的 Claude Code 工作流是「用户提问 → AI 直接回答」，Skills 只是可选挂件，调不调用全看模型「看起来需不需要」。而模型对「需不需要」的判断标准，从来不是「项目规范要求我必须这样做」。

那么，怎么把 25% 抬到 90%？

答案是一句话：给 AI 套上一套四件套制度——Hooks 是纪律（强制评估）、Skills 是知识（岗位手册）、Commands 是流程（最佳实践编排）、Subagents 是分工（专业子任务）。下面分三层展开。

金字塔总览

mindmap
  root((Claude Code 工程化<br/>25% → 90%))
    一·根因·制度缺位
      Skills 只是可选参考
      模型按经验而非按规范
      75% 的规范被忽略
    二·四件套·协同激活
      Hooks 纪律 强制评估
      Skills 知识 岗位手册
      Commands 流程 一键编排
      Subagents 分工 专家代理
    三·落地·四个生命周期钩子
      SessionStart 看项目状态
      UserPromptSubmit 强制评估
      PreToolUse 安全防护
      Stop 收尾反馈

一、根因：不是模型不聪明，是制度缺位

1.1 25% 这个数字怎么来的

抓蛙师团队在 RuoYi-Plus-UniApp 项目上做过几周的实测统计：在没有任何干预的情况下，AI 对项目 Skills 的主动调用率只有 25% 左右。换句话说，你写了二十几个技能，绝大多数时间都在吃灰。

更难受的不是「不用」，而是「视而不见」：你显式告诉它四层架构，它给你三层；你强调禁用 @RequestParam，它下一秒就来一个。这不是 AI 不够聪明，是它患上了选择性失忆症。

1.2 默认工作流的漏洞

打开默认的 Claude Code，工作流是这样的：

漏洞在于：Skills 的地位是”可选参考”，不是”必经之路”。模型在做判断时，对比的是「我的训练经验」和「这个项目的特殊规范」，前者总是更省力。

1.3 这是「能力」问题，还是「制度」问题

新员工聪明、能干、学过的东西多——但如果你不给他规章制度、不发岗位手册，他就只会按自己的理解乱来。AI 一模一样。

金句：AI 的能力从来不缺，缺的是把能力激发出来的制度。

把根因看清楚，解决方案的方向就明了了：不是再多写几条 Skills，而是在 Skills 之上加一层「强制评估」的纪律。这正是 Hooks 该出场的地方。

二、四件套：Hooks 是纪律，Skills 是知识，Commands 是流程，Agents 是分工

这套体系的核心洞察：四件套各管一段，单独用都跛脚，串起来才能形成闭环。下面逐个拆开。

2.1 Hooks：纪律，把「可选参考」变成「必经之路」

Hooks 是钩子——挂在 Claude Code 生命周期的关键节点上，事件一触发就强制执行一段你定义的逻辑。它不是「建议 AI 怎么做」，而是「在 AI 开口之前先替它做完」。

核心钩子是 skill-force-eval.js，挂在 UserPromptSubmit 事件上——用户每次提交问题，钩子先跑。它干三件事：

1. 评估：扫一遍可选的 Skills 列表，逐个判断「这个问题需不需要这项技能」。
2. 激活：把命中的 Skills 强制加载到上下文。
3. 作答：技能就位之后，AI 才开始动手实现。

对比一下效果就明白了：

为什么不是 100%？因为团队留了一个逃生通道：当用户输入斜杠命令（如 /dev、/crud），钩子会跳过评估、直接交给命令的预设流程——既保住常规问答的激活率，又不干扰命令的执行效率。

2.2 Skills：知识，把项目规范固化成岗位手册

Hooks 解决了「会去翻手册」，但手册本身写得好不好是另一码事。抓蛙师团队设计了 26 个专业 Skills，覆盖六大领域：

每个 Skill 都是一份针对该场景的「岗位手册」——四层架构怎么分、命名怎么起、哪些 API 禁用、模板怎么套。AI 一旦命中并激活，会先把这份手册读一遍再动手，生成的代码自然贴合项目风格。

2.3 Commands：流程，把「最佳实践」编排成一键执行

Skills 解决「知识储备」，Commands 解决「流程编排」。常用斜杠命令：

Commands 的价值不在「一键」，在「编排」——它把团队沉淀的最佳实践固化成可重复执行的步骤，新人也能按部就班跑出一致的产物。

2.4 Subagents：分工，让独立子任务交给专业代理

有些任务是相对独立的（代码审查、进度盘点），放在主对话里反而会污染上下文。这时候派给 Subagent，让它在隔离环境里跑完、把结果带回来就行。

抓蛙师团队配了两个常用代理：自动代码审查代理和项目进度管理代理。当你说「帮我审一下刚写的代码」，主对话不会自己撸袖子去对照规范，而是调起子代理——子代理只关心代码变更、逐项检查、生成审查报告，主对话保持清爽。

2.5 四件套的协作关系

金句：单用 Skills 只有 25% 激活率；四件套串起来，才有 90%。

三、落地：四个生命周期钩子串起完整闭环

光有 skill-force-eval 还不够——AI 工作有完整的生命周期，每段都需要对应的钩子。团队最终配了四个：

3.1 SessionStart：开工先看项目状态

• 触发时机：每次启动 Claude Code 会话
• 干什么：把项目当前状态、未完成 TODO、最近的提交摘要先拉到上下文
• 价值：让 AI 一上来就知道「这个项目现在长什么样、上次干到哪儿」

3.2 UserPromptSubmit：强制技能评估（核心）

• 触发时机：用户每次提交问题
• 干什么：扫描 Skills 库 → 命中即激活 → 加载完才允许 AI 作答
• 逃生通道：检测到斜杠命令（如 /dev）则跳过评估、走命令流程

3.3 PreToolUse：安全防护层

• 触发时机：AI 即将执行 Bash 命令或写文件之前
• 干什么：拦截危险操作——rm -rf、drop database、敏感数据表的写操作等
• 价值：再也不用担心 AI 在「免授权模式」下把项目改坏

3.4 Stop：收尾反馈与下一步建议

• 触发时机：AI 回答完成
• 干什么：播放完成音效 → 分析本次代码变更类型 → 智能推荐下一步操作 → 清理临时文件（比如 Windows 下误生成的 nul 文件）
• 价值：把「完成」变成「闭环」，每一轮都有明确的下一步

3.5 四钩子的协同时序

flowchart LR
    A[SessionStart<br/>看项目状态] --> B[用户提问]
    B --> C[UserPromptSubmit<br/>强制评估激活技能]
    C --> D[AI 思考与执行]
    D --> E[PreToolUse<br/>安全拦截]
    E --> F[执行工具]
    F --> G[Stop<br/>音效 + 变更分析 + 下一步]

3.6 落地这套体系需要哪些文件

最小可用清单：

把这些文件准备好，新成员克隆下来就能直接获得「90% 激活率」的工程化体验——知识不再口口相传，全部固化在仓库里。

金句：好的 AI 工程化，是让规范跟代码一起进 Git，让 AI 加载就能复用。

一页速览

一句话收束

AI 的能力需要制度来激发——Hooks 是纪律，Skills 是知识，Commands 是流程，Agents 是分工，缺一件都跑不到 90%。