Matt Pocock Skills：让 AI 编程像真正工程师一样工作

Matt Pocock 的 Skills 项目是一套面向 AI 编程助手（如 Claude Code）的工程化技能库，通过将软件开发的标准流程模块化，解决了 AI 代码生成质量不稳定的核心痛点。这个仅用几份 Markdown 文件构建的项目在 GitHub 上获得了 2.3 万颗星，成为 AI 辅助开发领域的重要实践。

项目背景：AI 编程的四大失败模式

传统 AI 开发工具倾向于让"一个聪明的 Agent 处理所有事情"，但 Matt Pocock 采取了完全相反的策略：先识别 AI 实际失败的模式，然后为每种失败模式设计对应的技能。项目定义了四种典型失败场景：

1. Agent didn't do what I want（AI 没理解你的意图）- 开发者与 AI 之间存在认知鸿沟，导致输出方向偏离预期

2. Agent is way too verbose（输出过于冗长）- AI 生成大量无用代码或文档

3. The code doesn't work（代码无法运行）- 缺少测试反馈，代码质量不稳定

4. We built a ball of mud（架构变成泥球）- 长期迭代后代码库失去清晰结构

这种设计哲学放弃了"AI 足够聪明就能解决一切"的乐观假设，转而通过结构化流程来补偿 AI 的不确定性。

核心理念：流程标准化与技能模块化

Skills 项目的价值在于将"如何用 AI 做需求分析、设计、编码"的经验拆解为可复用的技能插件，让 AI 按照固定的靠谱套路工作，而不是依赖运气。每个技能都是一个完整的工作剧本，包含 YAML 格式的元数据（名称、描述、触发条件）和具体执行步骤。

项目的可组合性是其另一大特点：一个技能的输出可以作为下一个技能的输入。例如 write-a-prd 生成 GitHub issue 中的 PRD 文档，prd-to-issues 再将该 PRD 拆解为实施计划。这使得团队能通过串联技能创建定制化工作流。

五个核心技能构成完整工作链

1. grill-me：需求澄清阶段

这个仅 11 行的技能让 AI 像面试官一样逐个提问，确保双方对需求达成共识。它的关键特性包括：

• 每次只问一个问题，避免信息过载

• AI 提供建议答案供确认，而非单纯提问

• 能从代码库自动查找答案的问题不打扰开发者

有开发者分享在使用该技能时被问了 16 个问题，复杂功能甚至会进行 30-50 个问题的深度访谈。这个技能解决了 Claude Code 倾向于过早生成方案的问题，强制进行充分的前期沟通。

2. to-prd：产出需求文档

基于对话历史生成正式的产品需求文档（PRD），包含问题描述、解决方案、用户故事、实现决策、测试决策以及不做的事项。文档通过 gh 命令自动创建为 GitHub issue 保存。

3. to-issues：垂直切片拆解任务

将 PRD 拆解为独立的可执行小任务，采用垂直切片（tracer-bullet）方法论而非传统的前后端或模块划分。每个切片贯穿从数据库到界面到测试的完整路径，并明确标记是否需要人工介入。任务按依赖关系排序，后续任务等待前置任务完成。

4. tdd：测试驱动开发

强制执行严格的测试驱动开发流程，在失败测试存在之前不允许编写实现代码。这确保代码质量稳定，适合已有测试文化的项目。

5. improve-codebase-architecture：架构优化

基于 CONTEXT.md 中的领域语言和 docs/adr/ 中的架构决策记录（ADR），寻找代码库的"深化机会"。应用 John Ousterhout 的"深模块"原则（小接口隐藏大实现），提升可测试性和 AI 可导航性。该技能会识别浅层模块、紧耦合组件和未测试边界，并提出重构建议。

安装与使用

安装单个技能的命令格式为：

npx skills add mattpocock/skills skill=grill-me -y -g

Skills 使用标准化结构，支持作用域包名（mattpocock/skills）和版本标签，安装后即可被支持技能协议的 AI 助手调用。

其他实用技能

除核心工作流外，项目还包含多个辅助技能：

• triage：Issue 状态机管理，适合团队协作场景的标签和优先级分配

• zoom-out：当陷入局部细节时，帮助重新审视代码在整体架构中的位置

• write-a-skill：引导用户创建自定义技能的完整流程，包括触发条件、执行步骤和输出规范

• diagnose：诊断无法运行的代码，与 TDD 技能配合使用

局限性与发展

当前版本的主要限制是与 GitHub 的深度耦合：涉及 issue 操作的技能都硬编码了 gh 命令。使用 Linear、Jira 等其他项目管理工具的团队需要 fork 后修改代码，不过官方已表示对其他平台的支持正在开发中（截至 2026 年 4 月）。

Matt Pocock 在 2026 年 4 月更新了技能组合，用 /domain-model 替代 /grill-me，集成了领域驱动设计（DDD）概念，在讨论过程中同步生成文档和 ADR。这显示项目在持续演进，逐步整合更多软件工程最佳实践。

适用场景

这套技能库特别适合以下开发者：

• 已在使用 Claude Code、Cursor 等 AI 编程工具，但感觉"AI 会写代码但不会做工程"

• 希望建立稳定的 AI 辅助开发流程，而非每次靠运气

• 需要将 AI 生成的代码质量提升到生产级别

• 在团队协作中需要标准化 AI 使用方式

正如一位开发者在删除大部分臃肿技能后的感悟：Matt Pocock 的技能集体现了极简主义哲学——小而精准、命名清晰的原语，更少的表面积却带来更大的杠杆效应。

总结

Matt Pocock Skills 不是简单的"让 AI 随便生成代码"，而是通过需求澄清、TDD、诊断、任务拆解、架构优化等方式，让 AI 编程更接近真实工程师的工作方式。它强调的是：有流程、有反馈、有拆解、有复盘的工程化开发，而非仅凭感觉的 Vibe Coding。这正是当前 AI 辅助开发领域最需要的 — 不是更聪明的 AI，而是更好的工作流程。