Everything Claude Code Search First Skill 通过“先搜索再编码”理念，将查找现有工具、库和模式的流程系统化，避免重复造轮子。它集成 Researcher Agent，自动并行检索 npm、PyPI、MCP、GitHub 等主流生态，结合决策矩阵推荐最佳方案。适用于 Claude Code、Codex、Cursor 等 AI 编程助手，帮助开发者高效利用社区资源，提升代码质量与团队协作效率。

Everything Claude Code Search First Skill：先搜索再编码，防止重复造轮子的工作流与 Researcher Agent

在 AI 编程助手日益普及的今天，很多开发者在用 Claude Code、Codex、Cursor 等工具时，依然容易陷入“想到就写代码”的惯性。结果是：团队里出现了大量重复实现、低质量轮子，甚至忽视了社区已有的高质量解决方案。Everything Claude Code Search First Skill 正是为了解决这一痛点而生——它将“先搜索再编码”流程标准化，自动激活 Researcher Agent 并为你推荐最优现成方案，让 AI 助手变得更像一位“懂得查资料”的资深开发者。

1. Search First Skill 解决了什么问题？

不用 Search First Skill 时的常见问题：

• 直接写工具函数或新功能，事后才发现社区已有更成熟的实现
• 忽略了团队/项目已有的 MCP 服务、Skill 或代码模块
• 重复造轮子导致维护成本高、质量不可控、依赖膨胀
• 代码审查时才暴露“其实你可以直接用 XX 包”的尴尬

用上 Search First Skill 后：

• 每次准备写新功能、集成依赖或抽象工具时，AI 会自动先查找现有方案
• Researcher Agent 并行检索 npm、PyPI、MCP、GitHub 等生态
• 输出结构化对比与推荐，优先采用社区成熟方案，只在确无合适时才自定义实现
• 彻底减少重复造轮子，提升代码可维护性与团队协作效率

这一工作流在 Everything Claude Code 完全指南 和 Claude Code 快速上手指南 中作为核心推荐实践，适用于所有希望用 AI 编程助手提升生产力的开发者。

2. Search First Skill 的触发条件

你可以在以下典型场景下自动或手动激活 Search First Skill：

• 新功能开发：如“请帮我加一个 dead link 检查功能”
• 依赖/集成需求：如“需要 HTTP 客户端支持重试”
• 准备写工具/抽象：如“实现一个配置文件校验工具”
• 用户直接提出功能点：如“加 X 功能”，AI 即将写代码前

此外，Planner Agent 和 Architect Agent 也会在架构/计划阶段自动调用 Search First Skill，确保方案设计阶段就充分利用现有资源。

3. Search First Skill 的标准使用流程（Step by Step）

Step 1. 明确需求与约束

• 定义需要实现的功能点（如：检测 Markdown 文件中的死链）
• 明确语言、框架、兼容性等技术约束

Step 2. 启动 Researcher Agent 并行搜索

• 自动并行检索 npm、PyPI、MCP 服务器、Claude Code Skills、本地代码库、GitHub 等资源
• 典型调用方式（Agent 模式下）：

Task(subagent_type="general-purpose", prompt="""
  Research existing tools for: [DESCRIPTION]
  Language/framework: [LANG]
  Constraints: [ANY]

  Search: npm/PyPI, MCP servers, Claude Code skills, GitHub
  Return: Structured comparison with recommendation
""")

Step 3. 评估候选方案

• 对每个候选库/工具进行功能、维护度、社区活跃、文档、许可证、依赖等多维打分
• 输出结构化对比表

Step 4. 决策矩阵选择

• 完全匹配且维护良好：直接采用（Adopt）
• 部分匹配：安装后简单封装/扩展（Extend/Wrap）
• 多个弱匹配：组合多个小包（Compose）
• 未找到合适方案：自定义实现（Build），但参考已有设计

Step 5. 实施方案

• 安装推荐包、配置 MCP 服务，或按建议写最小量定制代码
• 更新项目依赖与文档，确保团队知晓采用的方案

快速模式（inline check）

对于简单/常见需求，也可手动按以下顺序快速自查：

1. 本地仓库有没有类似实现？（rg/grep 检索）
2. 社区包管理器（npm/PyPI）是否有现成包？
3. MCP 服务/Claude Skills 是否已有能力？
4. GitHub 是否有维护中的模板或实现？

4. 输出示例

示例 1：「加 dead link 检查功能」

Need: 检查 markdown 文件中的死链
Search: npm "markdown dead link checker"
Found: textlint-rule-no-dead-link（评分 9/10）
Action: ADOPT — npm install textlint-rule-no-dead-link
Result: 零自定义代码，直接用成熟方案

示例 2：「加 HTTP 客户端重试」

Need: 需要带重试和超时的 HTTP 客户端
Search: npm "http client retry", PyPI "httpx retry"
Found: got（Node）带 retry 插件，httpx（Python）内置 retry
Action: ADOPT — 直接用 got/httpx 配置重试
Result: 零自定义代码，生产级库

示例 3：「加配置文件校验」

Need: 校验项目配置文件格式
Search: npm "config linter schema", "json schema validator cli"
Found: ajv-cli（评分 8/10）
Action: ADOPT + EXTEND — 安装 ajv-cli，编写项目专用 schema
Result: 只需 1 个包 + 1 个 schema 文件，无需自写校验逻辑

5. 常见配套 Agent 与 Skill 协作

• Researcher Agent：核心执行体，负责并行检索与输出对比
• Planner Agent：在做功能拆解与计划时，自动调用 researcher，确保计划阶段就避免重复造轮子（详见 Planner Agent 介绍）
• Architect Agent：技术栈、集成模式等架构决策前，先调用 researcher 查找社区最佳实践（详见 Architect Agent 介绍）
• Iterative Retrieval Skill：与 Search First Skill 结合可实现渐进式检索与多轮筛选，先广泛搜索，再细化评估与兼容性验证（详见 Iterative Retrieval Pattern）

6. 与其他 Skill 的协作关系

• 可与 Documentation Lookup Skill 配合，自动查找最新 API/库文档，确保选型时信息全面（详见 Documentation Lookup Skill）
• 与 Agentic Engineering Skill、AI-First Engineering Skill 等工程模式 Skill 结合，形成“调研-计划-实现-验证”全流程闭环

7. 反模式与注意事项

• 直接写代码不查资料：极易重复造轮子，浪费资源
• 忽视 MCP/Skill 能力：已有能力未复用，导致团队协作割裂
• 过度封装：对三方库二次封装过重，反而丧失社区生态优势
• 依赖膨胀：为小功能引入庞大依赖，需权衡利弊

8. Search Shortcuts 分类速查

• 开发工具链：eslint、prettier、jest、husky、pre-commit 等
• AI/LLM 集成：Claude SDK、Context7、unstructured、pdfplumber
• 数据/API：httpx、got、zod、pydantic
• 内容发布：remark、sharp、imagemin

FAQ

Q: Search First Skill 会不会拖慢开发效率？
A: 恰恰相反，自动调研现有方案能极大减少后期返工和维护成本，整体提升开发效率。

Q: 什么时候应该自定义实现？
A: 仅在社区/团队内无合适方案，且调研后确认自定义能带来独特价值时，才建议自写。

Q: 如何避免依赖膨胀？
A: 评估每个候选包的体积、依赖树和维护度，优先选用轻量、主流、活跃的解决方案。

---

通过系统化“先搜索再编码”流程，Search First Skill 能帮助 AI 编程助手和开发团队最大化复用社区资源，减少重复劳动，提升工程质量。建议在项目开发全周期内强制启用该 Skill，结合 Everything Claude Code 完全指南 形成高效的 AI 辅助开发闭环。