能力地图

能力地图不是另一套课程，而是同一批内容的专业视图。它把 AI Coding 看成一套完整工程系统，帮助平台建设者和技术负责人识别每个环节的问题、边界与治理手段。

两层专业模型

生命周期层：输入与上下文 → Agent 执行与能力扩展 → 输出与验证
治理层：    模型管理 · 网关管理 · 成本分析 · 质量评估
                         横跨整个生命周期

前三项描述一次 AI Coding 任务如何流动；后四项不是后续步骤，而是作用于输入、执行和输出全过程的治理维度。

1. 输入与上下文

关注 AI 是否获得正确、充分且边界清晰的信息。

项目规则：从 Rules 到 AGENTS.md
需求规格：从自然语言需求到规格驱动开发
Context Engineering：大型代码库的上下文选择、压缩与更新

2. 执行与能力扩展

关注 Agent 如何调用工具、连接系统、复用经验并完成复杂任务。

MCP、Tools 与外部系统连接
从 Prompt 到 Agent Skill
从 Rules、Skills 到 Plugin
复杂任务拆解与多 Agent 工作流

3. 输出与验证

关注生成结果是否正确、可维护、可验证。

从代码生成到验证工程
测试、静态检查、Review 与交付证据
修改范围、回归风险与质量门禁

横向治理层

4. 模型管理

关注模型选型、路由、能力边界与真实工程表现。

模型能力边界与任务适配
Benchmark 与真实工程评估
模型版本变化与回归验证

5. 网关管理

关注模型调用的统一入口、权限、限流、路由和审计。

AI Gateway 的职责与边界
多模型路由、降级与容灾
权限、配额和调用审计

6. 成本分析

关注 Token、工具调用、重试和上下文策略带来的真实成本。

Claude Code 与 Codex 的消耗分析
任务级成本归因
质量、速度与成本的权衡

7. 质量评估

关注团队如何持续衡量 AI Coding 是否真正有效。

代码正确性与可维护性
端到端任务成功率
效率提升、返工率和人工介入程度
团队级评估机制

两条路线如何配合

第一次学习建议沿着成长路线前进；设计平台、排查系统问题或建设团队规范时，可以通过本页横向查看某一个专业关注点。