DRY原则在AI编程工具中的实战应用

当你的开发环境里同时跑着Claude Code、Cursor和几个不同厂商的AI编程插件时，一种熟悉的“技术债”感会悄然袭来。你花了半小时在Claude里调教出一个完美处理数据清洗的Skill，转头在Cursor里面对同样的需求，却不得不从头再来——或者，更糟糕地，把文件复制一遍，然后在未来的某天，因为忘记同步修改，被两个版本间的细微差异折腾得焦头烂额。这场景是不是像极了多年前，我们在不同项目里拷贝粘贴工具函数的日子？

DRY原则的现代战场：从代码到“AI技能”

DRY（Don‘t Repeat Yourself）原则的生命力在于其普适性。它最初诞生于传统代码库，对抗的是逻辑重复带来的维护噩梦。如今，AI编程工具将“代码”的范畴扩展了：一个可复用的“Skill”、“指令集”或“自定义动作”，其价值不亚于一个精心编写的工具类。这些AI技能本质上是一种“元知识”或“过程抽象”，它们的重复同样会导致知识碎片化、更新不一致和认知负荷剧增。

符号链接：一个古典而锋利的解决方案

面对多工具间技能共享的难题，技术栈往往会回归到最稳固的基础设施。符号链接（Symbolic Link）这个来自文件系统的古老概念，在此刻焕发了新生。它不是什么云同步或中心化仓库，而是一种声明式的路径映射：“在这里看到的，就是那里的内容”。

以Claude Code作为技能创作的“源头工厂”是个合理的选择。在Linux或macOS终端里，一行 ln -s ~/.claude/skills/my_skill ~/.cursor/skills/my_skill 就建立了一座单向桥梁。Windows下借助PowerShell的 New-Item -ItemType SymbolicLink 也能达成同样目的。这之后，无论在哪个工具中修改 my_skill 下的文件，变更都会即时反映在所有链接指向它的地方。删除链接，只是拆了桥，源文件安然无恙。

超越复制粘贴：架构思维的降维打击

采用符号链接方案，其意义远不止节省几次复制操作。它强制你进行一种“技能架构”的思考：

• 单一可信源（Single Source of Truth）：所有工具的技能都指向同一份物理文件，彻底杜绝了版本分叉。这是DRY原则在数据一致性上的终极体现。
• 工具无状态化：AI编程工具本身不再“拥有”技能，而是“引用”技能。这降低了工具切换的迁移成本，技能资产成为了独立的、可移植的一等公民。
• 触发对标准化的需求：当你开始跨工具管理技能时，会自然地去规范技能的目录结构、配置文件的命名和格式。混乱的私人脚本开始向可维护的“产品”演进。

有团队甚至将此模式进一步发展，将技能目录置于Git版本控制之下，通过符号链接网络将稳定的技能版本“发布”到各个开发者的本地工具环境中。这几乎就是在构建一个微型的、面向AI辅助编程的“包管理系统”雏形。

热加载与反馈闭环：DRY的加速器

光有共享还不够，效率的提升需要快速的反馈循环。幸运的是，像Claude Code这类工具支持技能的热加载。这意味着，当你修改了源技能文件后，无需重启IDE，AI助手几乎能立刻感知到新逻辑。结合符号链接，你可以在任意一个工具中调试和优化技能，并实时在所有工具中验证效果。

想象这个场景：你在Cursor里编写一个复杂的SQL生成技能，遇到边界情况，立刻切换到Claude Code中，利用其不同的模型特性进行调试和补全。由于两者链接到同一技能源，你的所有改进都同步累积，而不是分散流失。这种无缝的、基于单一代码库的迭代体验，将DRY原则从“避免重复”提升到了“加速创新”的层面。

当然，这套模式并非银弹。它要求你对文件系统有一定的掌控力，并且需要留意不同AI工具对技能格式的兼容性差异——尽管目前主流工具在基础技能结构上已趋同。但无论如何，当你开始用符号链接来管理你的AI技能时，你实际上是在对日益复杂的AI工具生态进行一场优雅的“基础设施整合”。你节省的不仅是磁盘空间，更是最宝贵的心智带宽，让重复的归系统，让创造的归你。