从”会用AI”到”配置AI环境”，让AI完全适配团队的开发规则。
MCP：给AI装上”外部工具遥控器”
MCP（ModelContextProtocol）是模型上下文协议，能让AI突破本地文件限制，实现上网搜资料、查数据库、操作浏览器等功能。配置建议：数量≤8个，每个MCP的工具描述都会加载到上下文，太多会直接撑爆内存，按需开启即可。
Skills：把团队经验模块化
Prompt、MCP、Skills三者相辅相成：
Prompt：给AI的一次性任务指令
MCP：连接外部工具的通道
Skills：团队沉淀的操作手册，比如怎么写代码注释、怎么排版文档
比如做PPT时，用Prompt告诉AI目标，AI调用Skills获取排版规则，需要外部资料时通过MCP连接文档、模板，三者配合完成任务。
OpenSpec：Spec-Driven开发工作流
采用四步工作流：/opsx-explore（探索）→/opsx-propose（提案设计）→/opsx-apply（实现任务）→/opsx-archive（归档） 核心优势是稳定、通用、支持长期协作，提案可持久化到项目仓库，即使新开窗口或隔天继续开发，AI也能延续之前的进度。
富友团队曾用这套流程开发订单退款需求：
- 探索阶段：检索项目结构，梳理业务现状
- 澄清阶段：AI主动提问确认退款场景、权限、审核规则等细节
- 提案阶段：输出提案变更文档、设计文档、开发任务文档，细化到字段级别
- 执行阶段：拆分为23个细粒度任务，2分钟生成退款实体类、Mapper、DTO、5个接口及1张新表，变更24个文件 -归档阶段：确认无误后归档，后续AI会自动检查未归档任务继续完成
@database：直接连接数据库提升效率
以前需要手动复制表结构给AI，现在在IDE对话框直接@数据库连接，AI就能：
读取数据库，自动生成Entity、Repository、Controller，字段名、类型、约束完全匹配
Bug排查时，同时读取代码和数据库数据，判断是代码问题还是数据问题
自动写脚本批量插入测试数据
SSH远程排查：一步定位服务器问题
传统排查流程需要来回切换服务器和AI工具，耗时耗力。现在AI可直连服务器，实时读取日志、配置、命令执行结果，直接给出针对性方案，但必须遵守安全准则：
- 用最小权限账号登录，优先只读模式
- 高风险命令改为手动执行，人工确认后再操作
- 生产环境谨慎使用
- 所有操作完整记录日志
Hooks：给AI加一道”安全防线”
Hooks就像Java里的切面，可实现前置拦截、后置检查、结果沉淀：
提交前拦截：自动识别提示词中的密钥、身份证号、数据库连接串等敏感信息，直接阻断提交
执行后自动检查：AI写完代码后自动跑编译，有问题自行修改，无需人工介入
响应完成后沉淀：把执行过程、文件变更等信息输出到外部系统，做知识沉淀
配置优先级从低到高：用户个人配置→项目级配置（可提交Git共享）→项目级本地配置
规则配置：给AI立”开发规矩”
不同项目的规则配置方法：
新项目：直接复用通用规则（java.md、code.md等）
迭代项目：先生成RepoWiki，让AI总结现有代码风格，人工微调后形成规则
多子项目：在根目录放AGENTS.md做导航，指定每个子项目的规则路径
规则生效模式分为：始终生效、手动引入、指定文件类型、模型决策，配置原则是单文件≤200行，先加核心规则，再根据反馈更新，定期清理冗余规则。
记忆系统：让AI越用越懂你
记忆系统可记录用户偏好、项目技术栈、开发规范、历史踩坑经验等信息，管理建议：
采用延迟加载策略，用到时再调用
定期更新清理，保证记忆准确
全局记忆别配置太多，避免每次对话都加载冗余内容
核心价值是：用得越久，AI越贴合团队的开发习惯。