上周上班时候，听到对面一个小姐姐惊呼：“我的天呐，这个需求怎么测下来没几个bug，我好慌！”

其实不少人应该都体验过这种感觉，而且对于开发来说心里更加没底，跟测的时候焦急地等待，却没等来几个bug，总感觉上线要爆雷。

在测试领域，流量录制一直是一个“听起来很美好，但落地往往困难重重”的方向。

我体验了一段时间 Keploy 后，发现它可能是目前少数真正把“录制 → 回归”链路打通的工具，但目前网络上它好像有点低调，因此我专门写一篇文章。

上篇文章说到，我最近用 stdio 的本地 mcp 方式实现了各种基建与 AI 之间的连接，例如查数据库、调接口等等。

这篇文章分享一下出现问题(如接口报错等)时让 AI 直接来排查原因的实践。我可以很明确地说，现在 AI 的能力已经非常强大，这条路是完全走得通的，而且效果很好，超出预期。

这几个月在做一些高频的日常工作流程时，我有意沉淀成 skill，过程中踩了不少坑，其中最核心的一个问题，其实不是技术，而是——权限。

这篇主要分享一下我是怎么做权限控制，搭建一套“自己可控”的 MCP + skill 体系的。

其他行业我不知道，在计算机行业，AI 已经成为了最热的关键词，什么话题都可以沾上 AI。

本文只谈大语言模型。

我认为在当前，对 AI 的使用，正在经历一个明显的拐点：

很多人现在都把本地 AI CLI 用起来了：

• Claude CLI
• Codex
• 自己用比如 LangGraph 做的工具

然而，这些 CLI，默认是「只能自己使用」的。

如果想要把这些工具共享给团队共同使用，该怎么办？