【More Than Coding】用 SOLO 10 分钟生成一个 Skill，让 AI 改 Bug 效率提升 5 倍
1. 摘要
用 SOLO 将"AI 逆向工程"思路自动调研、设计并封装为一个可复用的 Skill（逆向 Skill），为源代码项目生成 AI 可读的语义索引。AI 改 Bug 前先读索引再精准定位，Token 消耗降低 60-80%，定位时间从 3-5 分钟缩短到 30 秒。整个过程仅用 10 分钟，产出一个包含 5 阶段 Prompt 链 + 8 个模板的完整 Skill。
2. 背景
我是一名开发，日常用 AI 辅助编程时遇到一个普遍问题：AI 写代码很强，但理解你的项目很弱。
每次让 AI 帮忙改 Bug，它都要遍历大量文件才能理解项目结构，Token 预算 60-70% 浪费在"导航"上。更糟的是——AI 经常改了这里、坏了那里，因为它不理解业务逻辑和架构约束。
我的想法是：能不能先给 AI 生成一份"项目地图"，让它按需深入，而不是每次从头读？
3. 实践过程
3.1 任务拆解
我把目标拆成了 3 步：
Step 1: 调研 → AI 代码理解的业界最佳实践是什么？
Step 2: 设计 → 分层语义索引的结构和 Prompt 怎么写？
Step 3: 封装 → 按标准 Skill 格式输出，可复用
3.2 关键操作过程
第一步：一句话启动（1 分钟）
我只给 SOLO 了一条消息：
“我有一段关于 AI 逆向工程的想法：通过分层语义+分层记忆，给源代码项目生成一个 AI 可读的语义索引。帮我提炼为一套 Prompt 技能包，不是给人读的文档，而是生成一个索引让 AI 读懂我的项目。”
SOLO 自动识别中文，理解了"给 AI 看的索引"这个核心需求。
第二步：SOLO 自动调研（2 分钟）
SOLO 没有直接写代码，而是先做了调研。它自动搜索了：
- Claude Code / Cursor / Copilot 如何理解代码库
- CodeGraph 代码知识图谱方案
- AGENTS.md / CLAUDE.md 上下文文件最佳实践
- HCGS 层次化代码图摘要（学术论文）
- CodyMaster 五层知识架构
然后输出了一份结构化调研报告，包含 Schema 设计、工具对比和 Prompt 模式。
第三步：设计 5 阶段 Prompt 链（5 分钟）
基于调研结果，SOLO 设计了分层语义索引架构和完整的 Prompt 链：
Phase 1: 项目骨架扫描 → project-skeleton.md（30 秒理解项目）
Phase 2: 核心架构分析 → architecture-map.md（理解系统协作）
Phase 3: 业务逻辑提取 → business-logic.md（理解业务语义）
Phase 4: 接口与数据契约 → api-data-contracts.md（确保不破坏契约）
Phase 5: 索引整合优化 → .ai-index/ 完整目录 + JSON 索引
每个 Prompt 都包含：执行步骤、输出模板、防幻觉规则（强制 AI 只报告实际看到的内容）、输出示例。
第四步：封装为 Skill（2 分钟）
我说了一句：“把这个封装为一个 Skill，叫逆向 Skill。”
SOLO 自动识别了 Skill 标准格式（YAML frontmatter + Markdown），生成了完整目录：
reverse-engineering/
├── SKILL.md # 核心定义（概览 + Phase 1）
├── PHASE2_ARCHITECTURE.md # 架构分析 Prompt
├── PHASE3_BUSINESS.md # 业务逻辑 Prompt
├── PHASE4_CONTRACTS.md # 接口契约 Prompt
├── PHASE5_INTEGRATION.md # 索引整合 Prompt
└── templates/ # 8 个输出模板
├── project-skeleton.md ├── module-index.json
├── architecture-map.md ├── symbol-map.json
├── business-logic.md ├── index-readme.md
├── api-data-contracts.md └── usage-prompts.md
3.3 踩过的坑
| 坑 | 解决方式 |
|---|---|
| 第一版 Prompt 让 AI 输出"给人读"的文档 | 明确强调"给 AI 读的"，聚焦文件路径、行号、依赖关系 |
| AI 会编造不存在的文件路径 | 每个 Prompt 加入"防幻觉规则"，强制标注 [待确认] |
| 索引文件太大，AI 一次读不完 | 拆成 4 层 + JSON 快速索引，支持按需加载 |
4. 成果展示
最终产出
一个完整的逆向工程 Skill，包含：
- 5 个阶段的完整 Prompt（含防幻觉规则 + 输出示例）
- 8 个标准化输出模板（Markdown + JSON）
- 索引使用指南（修改代码 / 修复 Bug 两种场景）
生成的索引效果示例
对项目执行逆向 Skill 后，产出 .ai-index/ 目录：
.ai-index/
├── project-skeleton.md # AI 30 秒理解项目全貌
├── architecture-map.md # 数据流 + 架构约束
├── business-logic.md # 业务流程 + 状态机 + 规则清单
├── api-data-contracts.md # API 端点 + 数据库 Schema
├── module-index.json # 模块快速定位（机器可解析）
├── symbol-map.json # 符号查找表
└── decisions.md # 设计决策记录
使用方式
改 Bug 时，AI 的工作流变为：
读索引骨架 → 定位相关模块 → 按需读源码 → 精准修改
5. 效果与总结
提效数据
| 维度 | 之前 | 之后 |
|---|---|---|
| Skill 生成时间 | 手动编写需 1-2 天 | 10 分钟 |
| Bug 定位时间 | 3-5 分钟（遍历文件） | 30 秒内（索引直达） |
| Token 消耗 | 大量（全量读取） | 降低 60-80%（按需加载） |
| 改错风险 | 高（不理解业务） | 低（有业务上下文约束） |
SOLO 在流程中做了什么
SOLO 承担了整个工作流的核心环节：
- 自动调研 — 搜索了 10+ 个信息源，整合了业界最佳实践
- 结构设计 — 设计了四层语义索引架构和 JSON Schema
- Prompt 工程 — 编写了 5 个阶段的完整 Prompt，含防幻觉机制
- 标准化封装 — 自动识别 Skill 格式，输出标准目录结构
可复用的方法论
这个实践背后有一个关键认知：
给 AI 的文档 ≠ 给人的文档。 给人读的要解释"为什么"，给 AI 读的要聚焦"在哪里"（文件路径、行号、依赖关系）。
理解了这个差异，你就可以用同样的思路为任何项目生成 AI 可读的语义索引。而这个 Skill 本身就是可复用的——放到任何项目中，对 SOLO 说"用逆向 Skill 分析我的项目"即可自动执行。
AI 时代的开发效率，不仅取决于 AI 写代码的能力，更取决于你给 AI 喂什么上下文。
