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

AI入门系列:AI新手必看:人工智能发展历程与现状分析

AI入门系列:AI新手必看:人工智能发展历程与现状分析

写在前面:为什么AI发展历史很重要? 记得刚开始学习AI的时候,我总觉得历史这种东西很枯燥,不如直接学习最新的技术来得实在。但后来我发现,了解AI的发展历程,就像了解一个人的成长经历一样,能帮助我们更好地理解现在的AI是如何走到今天的,也能帮助我们预测未来可能的发展方向。 有一次,我和一位从事AI研究多年的教授聊天,他告诉我:"现在的学生总想直接学习深度学习,但如果不了解符号主义AI的兴衰,就无法理解为什么深度学习会成功,也无法预见它可能面临的挑战。"这句话让我深受启发。 所以,在这篇文章中,我想和大家一起回顾一下AI的发展历程,不是为了考试背诵那些枯燥的年代和事件,而是为了让我们能够站在历史的高度,更好地理解现在的AI技术,以及它在我们生活中的应用。 人工智能的诞生:一个充满想象力的开始 说起AI的诞生,我们不得不提到1956年的达特茅斯会议。这次会议被公认为人工智能学科的诞生标志。 想象一下那个场景:一群来自不同领域的顶尖科学家,包括约翰·麦卡锡、马文·明斯基、克劳德·香农等,聚集在一起,讨论着一个看似疯狂的问题:"机器能思考吗?"他们相信,只要给机器输入足够多的规则

技术拆解:P2P组网如何一键远程AI

技术拆解:P2P组网如何一键远程AI

文章目录 * **远程访问AI服务的核心是什么?** * **从暴露服务到连接设备** * **核心组件与交互解析** * **安全架构深度剖析** * **一键安装脚本的技术实现** * **# Windows** * **#macOS** * **#Linux** * **与AI工作流的结合实践** 远程访问AI服务的核心是什么? 你自己在电脑或者服务器上装了AI服务,比如大语言模型、Stable Diffusion这些,但是有个头疼的事儿:外面的人或者你在别的地方,怎么既安全又方便地连上这些本地的服务?以前的办法要么得有公网IP,还得敲一堆命令行用SSH隧道,要么就是直接开端口映射,等于把服务直接晾在公网上,太不安全了。 今天咱们就好好说说一种靠P2P虚拟组网的办法,还拿个叫节点小宝的工具举例子,看看它怎么做到不用改啥东西,点一下就装好,还能建个加密的通道,实现那种“服务藏得好好的,想连就能直接连上”的安全远程访问方式。 从暴露服务到连接设备 核心思路转变在于:不再尝试将内网服务端口暴露到公网(一个危险的攻击面),而是将外部访问设

人工智能:自然语言处理在教育领域的应用与实战

人工智能:自然语言处理在教育领域的应用与实战

人工智能:自然语言处理在教育领域的应用与实战 学习目标 💡 理解自然语言处理(NLP)在教育领域的应用场景和重要性 💡 掌握教育领域NLP应用的核心技术(如智能问答、作业批改、个性化学习) 💡 学会使用前沿模型(如BERT、GPT-3)进行教育文本分析 💡 理解教育领域的特殊挑战(如多学科知识、学生认知差异、数据隐私) 💡 通过实战项目,开发一个智能问答系统应用 重点内容 * 教育领域NLP应用的主要场景 * 核心技术(智能问答、作业批改、个性化学习) * 前沿模型(BERT、GPT-3)在教育领域的使用 * 教育领域的特殊挑战 * 实战项目:智能问答系统应用开发 一、教育领域NLP应用的主要场景 1.1 智能问答 1.1.1 智能问答的基本概念 智能问答是通过自然语言与用户进行交互,回答用户问题的程序。在教育领域,智能问答的主要应用场景包括: * 课程问答:回答课程相关的问题(如“什么是机器学习”

AI时代人人都是产品经理:落地流程:AI 核心功能,从需求到上线的全流程管控方法

AI时代人人都是产品经理:落地流程:AI 核心功能,从需求到上线的全流程管控方法

AI的普及正在重构产品经理的工作模式——不再依赖传统的跨部门协作瓶颈,AI可以成为产品经理的"全职助手",覆盖需求分析、原型设计、开发协同、测试验证全流程。本文将拆解AI时代产品核心功能从0到1落地的完整管控方法,让你用AI能力提升300%的落地效率。 一、需求阶段:AI辅助的需求挖掘与标准化 需求是产品的起点,AI可以帮你从海量信息中精准定位用户真实需求,避免"伪需求"浪费资源。 1. 需求挖掘:AI辅助用户洞察 传统需求调研依赖问卷、访谈,效率低且样本有限。AI可以通过以下方式快速完成用户洞察: * 结构化处理非结构化数据:用AI分析用户在社交媒体、客服对话、应用评论中的碎片化反馈,自动提炼高频需求点 * 需求优先级排序:基于KANO模型,AI可以自动将需求划分为基础型、期望型、兴奋型、无差异型四类,输出优先级列表 实战工具与示例: 使用GPT-4+Python脚本批量处理应用商店评论: import openai import pandas as