我做了三个面向前端开发者的 Claude Code / Codex / OpenClaw 共享插件,希望能少让大家重复踩坑

我做了三个面向前端开发者的 Claude Code / Codex / OpenClaw 共享插件,希望能少让大家重复踩坑

最近我把自己在业余时间折腾 AI 编码工具的一些心得,整理成了三个共享插件,并开源了出来:

  • Claude Code:frontend-craft
  • Codex:frontend-craft-codex
  • OpenClaw:frontend-craft-openclaw

仓库地址:

先说在前面:

这不是什么"装上就原地飞升、老板看了流泪、同事用了沉默"的神奇插件。

它更像是我个人在业余时间,一边踩坑一边攒出来的共享工具箱
目标也很朴素:

把前端开发中那些高频、重复、适合标准化的 AI 工作流,尽量整理得更能复用一点。

另外也提前说明一下边界:

这几个插件基于公开工具能力和个人通用工程经验整理,不包含任何公司内部代码、客户资料、项目资料或内部文档。

01-cover-overview

为什么会做这个?

因为我发现,很多开发者在用 AI 编码工具时,都会进入一种熟悉又微妙的状态:

  • 每个人都有自己的 prompt 小宇宙
  • 每个人都觉得自己在提效
  • 但放眼整个项目看,还是有点"八仙过海,各显神通"
  • review 说过的话,过几天就找不到了
  • 新同学接入时,常常只能靠口口相传
  • 老项目不会接,新项目乱接一通

说白了就是:

个人会用 AI,不等于已经把 AI 用成了稳定、顺手、可复用的生产力。

所以我就想,干脆把这些经常重复出现的事情,收拢成一套个人沉淀下来的共享工作流。
然后还没收拢完,又多了一个新工具要支持——于是现在就变成了三个。
没有什么深谋远虑,纯属自然生长。


这套插件主要能干什么?

目前主要覆盖这些前端开发常见场景:

  • Code Review
  • Security Review
  • Accessibility Check
  • Design to Code
  • Scaffold
  • lint / type-check / test / build 后辅助修复
  • React / Vue3 / Next.js / Nuxt / Monorepo
  • Legacy Web / 老项目迁移分析

先立个谦虚的 flag:
它当然不是万能的。

它不能替你理解所有业务逻辑,
也不能替你驯服全部祖传代码,
更不能保证 AI 每次都像一个喝了三杯美式的资深架构师。

但它比较适合做一件事:

把前端开发中那些重复劳动、规范约束、分析检查,尽量做得更稳定一点。

02-workflow

三个版本各自是什么来头?

Claude Code 版:frontend-craft

面向使用 Claude Code 的开发者。
Claude Code 的优势是上下文理解很强,适合复杂 review 场景、Legacy 迁移分析、以及"我也说不清这段代码什么意思但我想让 AI 试着解释一下"这类需求。

Codex 版:frontend-craft-codex

面向使用 OpenAI Codex 体系的开发者。
两个版本的工作流设计保持高度一致,切换工具时不至于重新从零开始。

OpenClaw 版:frontend-craft-openclaw ← 新成员

没错,这次多了一个。

OpenClaw 是最新加入的版本,面向使用 OpenClaw 的开发者。
它延续了前两个版本的核心工作流设计思路,同时针对 OpenClaw 的特性做了一些适配和优化——所以并不只是复制粘贴换个名字那么敷衍。

如果你正在评估或已经在用 OpenClaw,这个版本应该能帮你少走一些弯路。

当然,如果你还没用过 OpenClaw……也许这是个了解它的理由?
(我只是提供插件,不负责替任何工具站台,这句话请自行判断。)
03-three-versions

我自己最看重的一个点:留痕

很多 AI 工具的问题,不是"不会说",而是:

说完就消失。

比如一个经典小剧场:

  • 你:帮我 review 一下这个模块
  • AI:洋洋洒洒一大段,指出 8 个问题
  • 你:好像很有道理
  • 三天后你:它当时到底说了哪 8 个?
  • 大家:……

所以我在这套插件里,尽量把 review / analysis / evaluation 结果输出到 reports/ 目录里。

好处很直接:

  • 可以回看
  • 可以共享
  • 可以留档
  • 可以复盘
  • 可以给新人看
  • 也可以防止自己隔天就忘了当初改了什么

对于多人协作的项目来说,这种"不那么炫,但很有用"的能力,往往比花哨更重要。

04-reports-directory

为什么要同时维护三个版本?

说实话,多维护一个版本意味着多一份同步成本。
我当时加 OpenClaw 版本的时候也犹豫过:真的有必要吗?

最后说服自己的理由只有一个:

既然社区都在探索,那就别把路走窄。

有的同学用 Claude Code,
有的同学用 Codex,
现在又有同学开始试 OpenClaw,
那就尽量把常用工作流在三个生态里都整理出来。

这样至少大家在切换工具时,不至于每次都从零开始重新"驯化" AI。

当然,如果你一直用同一个工具,那另外两个版本对你来说就是摆设。
这完全没问题。摆设里有时候也住着下次要用的东西。

它更适合哪些场景?

我觉得比较适合以下情况:

1. 多人协作的前端项目

尤其是有 review、规范、交接、留痕诉求的项目场景。

2. 新旧技术栈混合的项目

比如:

  • React + Vue3 混合
  • Next / Nuxt 并存
  • Monorepo + 老项目共存
  • 甚至还有一点你不太敢轻举妄动的祖传前端

3. 正在多工具对比选型的开发者

如果你正好在 Claude Code / Codex / OpenClaw 之间做评估,三个版本能帮你在同等工作流下,更清楚地感知各工具的实际差异——而不是靠网上的测评帖脑补。

4. 想把个人 AI 用法沉淀成可复用资产的开发者

比如独立开发者、开源项目维护者、或者希望把自己的 AI 工作流系统化的技术同学。


"共享插件方式"和"各自手搓 prompt"有什么区别?

维度各自手搓共享插件
使用方式每人一套 prompt,风格随缘共用工作流,口径更稳定
工具覆盖一般只熟悉自己用的那个Claude Code / Codex / OpenClaw 三套可选
review 结果说完就散,回头难找可落盘留痕,方便复盘
新人接入靠口口相传和"你自己悟一下"有固定入口,上手更顺
规范统一容易漂移更容易沉淀为可复用资产
老项目适配经常临场发挥有更明确的场景支持
协作使用个人很灵活,多人略混乱少一点玄学,多一点复用

这不是说"手搓 prompt"不好。
只是很多事情一旦要多人协作,就会从"灵活"变成"混乱"。

这个时候,共享插件的意义就出来了。

05-compare-table

这不是万能插件,但我觉得它挺适合干"脏活累活"

我对它的期待其实很朴素:

  • 不一定要最惊艳
  • 但尽量要更稳定
  • 不一定替代人
  • 但尽量帮开发者减少重复折腾
  • 不一定一次到位
  • 但最好能持续沉淀

说得再接地气一点:

它可能不是让你"哇"的那种工具,
但我希望它是让你用了之后觉得"嗯,这个还挺省事"的那种工具。

三个版本都是。包括 OpenClaw 这个新来的。

做这几个插件的时候,我自己也踩过不少坑

比如:

  • 不同工具的插件机制差异,比想象中大
  • 同样的工作流,在不同生态里,表现并不会自动保持一致
  • 有些能力看起来都支持,真正落到细节上,还是要一项项适配
  • 目录组织、命名方式、输出格式、可维护性,这些比“先跑起来”更麻烦
  • 你以为自己在写插件,写到后面发现像在给未来的自己修路

这也是我越来越强烈的一个感受:

AI 工具真正难的,很多时候不是“能不能用”,而是“能不能长期顺手地用”。

单次体验惊艳不难。
难的是一个月后还愿意继续用,
两个月后还能复用,
三个月后回头看,自己不会怀疑“这到底是谁设计的”。

最好不要是自己骂自己。
虽然工程师在这方面一般都挺有经验。


欢迎大家来一起拍砖和完善

这三个仓库现在肯定还有很多地方可以继续打磨。
尤其是 OpenClaw 版,算是最新加入的,还比较嫩,特别欢迎用过的同学来提意见。

所以我更欢迎的是:

  • Star
  • Issue
  • PR
  • 使用反馈
  • 场景建议
  • 甚至直接指出哪里做得不够好

因为开源项目最怕的不是被提意见,
最怕的是作者一个人默默觉得自己做得还可以,社区安静得像无事发生。

那就真的有点尴尬了。

特别是三个版本同时安静的时候。

开源地址

如果你也在折腾 AI 编码工具的落地和工程化,欢迎来看看。
如果刚好能帮你少踩一个坑,那这些仓库就没白开。

Star 是鼓励,Issue 是鞭策,PR 是雪中送炭,我都欢迎。
三个仓库都一样。别只 Star 一个。(开玩笑的,随你。)

Read more

【博客之星】GIS老矣尚能饭否?WebGIS项目实战经验与成果展示

【博客之星】GIS老矣尚能饭否?WebGIS项目实战经验与成果展示

目录 一、最前面的话 二、前言  1、关于“夜郎king” 3、GIS的“老骥伏枥” 4、WebGIS的“新程启航” 三、WebGIS技术简介 1、前、后技术简介 2、系统功能架构 四、WebGIS项目应用效果 1、应急灾害 2、交通运输 3、智慧文旅 4、其它项目 五、未来与展望 1、云计算+数据存储 2、GIS+AI融合 一、最前面的话         在这个快速迭代的数字时代,技术如同潮水般汹涌而来。每一次代码的敲击、每一行算法的优化,都是我们探索未知的足迹。技术的力量是背后清晰的思路与逻辑;技术的本质,从来不是冰冷的代码,而是温暖人心的智慧。

什么是前端?【零基础友好 · 通俗易懂版】

什么是前端?【零基础友好 · 通俗易懂版】

✅ 纯白话讲解,无专业黑话,零基础秒懂,不堆砌技术术语,看完就知道「前端到底是什么、做什么、有什么用」 ✅ 最新技术适配:贴合当前前端主流生态(React 18/Vue 3/Next.js 14/Tailwind CSS 3/AI 辅助开发),覆盖跨端、工程化、AI 融合等前沿方向 ✅ 条理清晰:从定义→核心价值→技术栈→工作内容→发展趋势,层层递进,逻辑连贯,适合零基础小白快速建立认知 ✅ 核心目标:帮你彻底搞懂「前端的本质」,明白前端在互联网产品中的角色,以及学前端的意义和方向 一、前端的核心定义:用户直接接触的「数字界面」 ✔️ 1. 白话版定义(秒懂,不用记专业术语) 前端(Front-end)

Qwen3-32B私有化部署指南:Clawdbot Web网关版适配国产昇腾/海光CPU环境实操

Qwen3-32B私有化部署指南:Clawdbot Web网关版适配国产昇腾/海光CPU环境实操 1. 为什么需要在国产硬件上跑Qwen3-32B? 你是不是也遇到过这样的问题:想在内部系统里用上最新最强的Qwen3-32B大模型,但发现它默认只支持NVIDIA GPU?采购英伟达显卡不仅成本高,还涉及进口审批、驱动兼容、长期维保等一系列现实难题。更关键的是,很多政企单位明确要求核心AI能力必须运行在国产化硬件平台上——昇腾910B加速卡、海光Hygon CPU这些“中国芯”,才是真正的生产环境底座。 这篇文章不讲虚的,直接带你把Qwen3-32B稳稳当当地跑在昇腾或海光服务器上,并通过Clawdbot Web网关对外提供Chat服务。整个过程不依赖CUDA,不绕开国产生态,所有步骤都经过真实环境验证(华为Atlas 800I A2 + openEuler 22.03 / 海光C86服务器 + 麒麟V10 SP3)。你会发现,原来大模型私有化部署,真的可以既安全又高效。 2. 整体架构:Clawdbot如何与Qwen3-32B协同工作? 2.1 三层解耦设计,清晰又可靠

高校大学生图书馆借阅分析统计系统的设计与实现:大四毕设技术全覆盖!Java 开发 + Python 可视化分析+ 小程序 / APP 前端部署(免费源码直接领)(大四计算机生收藏)

高校大学生图书馆借阅分析统计系统的设计与实现:大四毕设技术全覆盖!Java 开发 + Python 可视化分析+ 小程序 / APP 前端部署(免费源码直接领)(大四计算机生收藏)

2026年最新计算机毕业设计,项目汇总! 哈喽,大家好,大四的同学马上要开始做毕业设计了,大家做好准备了吗?   博主给大家详细整理了计算机毕业设计最新项目,可供大家参考,对项目有任何疑问,都可以问博主哦 源码请在评论区私信哦   高校大学生图书馆借阅分析统计系统 摘 要 随着时代的变迁和互联网的日益成熟,诸如京东等大型互联网买卖平台以及用友等各类管理软件纷纷涌现,同时伴随着各种跟风产业的兴起。信息应用始终是不变的主题,因此高校大学生图书馆借阅分析统计系统的互联网化逐渐为人们所熟知和应用。 人们的生活离不开各类信息系统,无论是支付还是管理,计算机网络、软件和系统在生活、生产、教育和管理中扮演着重要角色。然而,由于信息共享不够,很多人仍然选择传统方式进行操作。但是,随着时间推移,信息需求与日俱增,如果信息无法实时更新,市场管理低效,实际情况与人们了解到的信息存在较大差异等问题将会出现。为了解决这些问题,本文设计并开发了高校大学生图书馆借阅分析统计系统。 该系统利用SpringBoot框架实现图书行业信息的实时更新,并对必要数据进行审核,以避免实际情况与信息不符的情况。然