🛠️ AI 生态准备
在开始角色使用场景之前，先把你的办公环境升级成对 AI 友好的生产系统：能跑、可查、可复用、可持续迭代
📚 本章要点
先搭基础，再谈提效。工具链不完整时，任何高级玩法都会变成空中楼阁
硬件检查
CPU、内存配置检查
模型供给
模型选择与 token 配额
软件工具
开发环境与 CLI 工具
Agent 配置
MCP 与 Skills 配置
学习目标
- 了解 AI 个人生产力时代的四个基础检查维度
- 掌握基础环境工具清单的配置要求
- 学会使用 Agent 进行环境检查的方法
- 为后续角色使用场景章节做好准备
为什么需要完整的 AI 生态？
AI 智能体的能力不仅取决于模型本身，更依赖于完整的工具链和环境支持
从“会问 AI”到“会用 AI 干活”
你可以把现在的阶段理解成“生产力机械化改造”。 以前 10 个人种 100 亩地，机械化后 1 个人也能完成；在软件行业，CLI 工具和 Agent 就是这套机械设备。 但机械化并不等于不思考：AI 生成会越来越多，判断什么可用、什么该拒绝，会成为更关键的能力。
📋 四个基础检查
为你的 AI 智能体提供坚实的基础设施
硬件设备
优先保证大内存（32GB+）和稳定磁盘空间（50GB+）。16GB 内存同时开 IDE、浏览器、Agent、终端和本地服务时，容易内存吃满导致 AI 中断。
模型供给
按场景分层：代码审查用高质量模型（Claude Opus），日常任务用 Sonnet，批量改文档用高性价比模型（Haiku）。核心是每天都能持续稳定运行。
软件工具
确认 Node、Python、JDK、Maven、Pandoc、IM CLI 等可执行，让 Agent "更新文档并发 IM 通知"，如果缺 Pandoc 或 IM CLI，流程会卡在最后一步。
Agent 配置
检查 MCP 服务可连、Skills 在正确层级（全局/工具特有/项目特有）并生效。同一句"生成周报"，有项目级 Skill 才能输出你想要的固定结构。
⚡ 快速检查命令
一键检查你的 AI 开发环境配置
1. 💻 硬件检查
2. 📡 模型检查
3. 🔧 工具检查
4. 🤖 Agent 检查
🔧 基础环境工具清单
AI 智能体运行的必备工具和环境
Node.js
JavaScript 运行时环境，支持各种基于 Node 的工具和 CLI，包括 MCP Server、AI 工具链等。 建议版本：v20+ LTS
Python
AI 和自动化脚本的主要语言，支持各种 AI 工具、数据处理和自动化任务。 建议版本：3.10+
Pandoc
文档格式转换工具，支持 Markdown、PDF、Word 等格式互转，是 AI 处理文档的重要工具。 万能文档转换神器
IM CLI 工具 (可选)
钉钉 CLI、飞书 CLI 等，用于与企业 IM 平台集成。个人用户通常不需要，团队协作者按需安装。
项目管理 CLI (可选)
禅道 CLI、Jira CLI 等。个人用户直接用 GitHub Issues 或 Notion 即可，重度项目管理者按需安装。
JDK & Maven (可选)
Java 开发环境，如果你需要处理 Java 项目或 Spring 后端代码，这两项是必备的。 建议版本：JDK 17+、Maven 3.8+
🧪 一个可跑通的最小闭环示例
先做小闭环，确保每一步都真实可执行，再扩展到复杂流程
示例目标：用 Agent 整理一篇网络资料，输出为 PDF 并保存到指定文件夹
Agent 通过 fetch MCP 获取网页内容并提取关键信息
整理成结构化的 Markdown 笔记
调用 Pandoc 转换为 PDF/Word 版本
通过 filesystem MCP 保存到个人文档目录
这个流程如果任何一步缺工具，就无法闭环。个人使用时，优先搭建这种小而具体的场景，避免一上来就追求复杂的自动化。
✅ 如何检查？
让 Agent 直接执行检查，输出“可复盘、可交接”的环境报告
使用 Agent 进行环境检查
最好的检查方式是：让 Agent 自己检查，并给出“问题 + 修复建议 + 验证命令”。你可以使用以下提示词：
"请帮我检查当前的开发环境配置，包括：
1. Node.js 和 Python 的版本
2. JDK 和 Maven 是否安装
3. Pandoc 是否可用
4. 常用 IM CLI（如钉钉/飞书）是否已配置（可选）
5. MCP 服务器连接状态
6. Skills 文件夹结构和加载情况
7. 输出修复建议和复检步骤，最后给出总结评分（可用/风险/阻塞）"
最佳实践：每次环境升级后自动生成一份检查报告，保存到个人笔记或项目文档中，方便日后回顾和排查。
💡 实际示例：环境检查报告
以下是 Agent 生成的环境检查报告示例
提示
你可以让 Agent 定期生成这样的环境检查报告，保存到个人笔记或项目文档中。 日后遇到环境问题时，这份报告可以帮助你快速定位变化点和排查原因。
🧠 AI 时代最稀缺的是判断力
生成会越来越便宜，判断什么该采纳、如何约束质量，决定了真实产出
有了 AI 之后，大家都会更轻松，但这种“轻松”不等于降低标准。真正的升级是：把人从重复劳动中解放出来，把精力转向判断、取舍和方案设计。
无论是个人项目还是团队协作，都要把判断标准显式化：什么结果可接受、什么必须重做、什么需要人工复核。
从一句话开始沉淀你的项目规则
把你的工作习惯写进 AGENTS.md（项目级）。先从一句最重要的约束开始，比如“提交前必须通过测试并更新变更说明”，再逐步扩展成稳定的 AI 协作规范。即使是个人项目，这份文档也能让 Agent 更懂你的偏好。
🚀 个人 MCP 环境搭建建议
从轻量本地进程开始，按需扩展，避免过度工程化
本地进程模式（推荐）
直接在 Claude / Kimi 配置中调用本地命令启动 MCP Server。
零运维成本，随客户端启动/停止。
适合 1-5 个常用工具的日常使用。
容器化模式
当 MCP Server 依赖复杂（特定 Python/Node 版本）时使用 Docker。
隔离环境，避免污染本地系统。
适合偶尔使用的冷门工具或实验性服务。
进阶扩展
仅在需要多端共享或高并发时才考虑远程部署。
个人用户通常不需要 Kong 网关、K8s 等基础设施。
保持简单，按需升级。
个人安全建议
- API Key 不要硬编码在代码或公共仓库中，使用环境变量管理
- 定期检查 ~/.claude/settings.json 和 MCP 配置文件的权限（建议 600）
- 为 MCP Server 设置合理的文件系统访问范围，避免授予整个根目录
- 对来源不明的第三方 MCP Server 保持警惕，优先使用官方或社区验证过的工具
📊 工具链选型指南
根据个人使用场景选择合适的 MCP 工具和方案
🖥️ 主流集成 Agent 环境
选择适合自己的 AI 编程工具，是生态准备的最后一块拼图
Cursor
目前最流行的 AI 原生编辑器，基于 VS Code 深度改造。Composer 和 Agent 模式完整，适合追求极致体验的开发者。
Claude Code
Anthropic 官方推出的终端 Agent，直接在命令行中完成代码编辑、测试、调试。适合习惯终端操作的重度工程师。
GitHub Copilot / Codex
与 GitHub 和 VS Code 生态无缝集成，Codex Agent 可直接执行命令行任务。适合已有微软/GitHub 工作流的用户。
Trae
字节跳动推出的 AI IDE，基于 VS Code，当前免费使用。国内网络友好，Builder 模式适合快速搭建项目原型。
Qoder
注重代码审查与质量保障的 AI 编程助手，擅长在编码过程中提供实时建议和安全检查，适合对代码质量要求高的团队。
Open Code
开源开放的 AI 编程扩展方案，可对接多种大模型和本地服务。适合喜欢自己搭配模型、追求灵活可控的开发者。
选型建议
没有最好的工具，只有最适合你当前工作流的工具。建议先挑一个深度使用，把它的 Agent 能力和快捷键吃透，再考虑多工具组合。
🚀 准备就绪，进入实战
完成以上四个基础检查后，你的 AI 生态系统就已经准备就绪了。 接下来，我们将进入角色使用场景章节，看看不同岗位的工程师如何利用这套生态系统提升工作效率。