Matt Pocock Skills: KI-Programmierung wie ein echter Ingenieur

Matt Pococks Skills-Projekt ist eine engineering-orientierte Skill-Bibliothek für KI-Programmierassistenten wie Claude Code. Durch die Modularisierung standardisierter Softwareentwicklungsprozesse löst es das Kernproblem der inkonsistenten Code-Qualität von KI. Das Projekt, das mit nur wenigen Markdown-Dateien aufgebaut wurde, hat auf GitHub 23.000 Sterne erhalten und gilt als wichtige Praxis im Bereich der KI-gestützten Entwicklung.

Projekthintergrund: Die vier häufigsten Fehlermodi der KI-Programmierung

Traditionelle KI-Entwicklungstools neigen dazu, „alles von einem intelligenten Agenten erledigen zu lassen”. Matt Pocock verfolgt jedoch die genau gegenteilige Strategie: Zuerst werden die tatsächlichen Fehlermuster der KI identifiziert, und dann werden für jedes Fehlermuster entsprechende Skills entwickelt. Das Projekt definiert vier typische Fehlerszenarien:

1. Agent didn't do what I want (KI hat deine Absicht nicht verstanden) – Es gibt eine kognitive Kluft zwischen Entwickler und KI, die dazu führt, dass die Ausgabe von der Erwartung abweicht.

2. Agent is way too verbose (Ausgabe zu ausführlich) – Die KI generiert eine große Menge unnötigen Codes oder Dokumentationen.

3. The code doesn't work (Code funktioniert nicht) – Es fehlt Test-Feedback, die Codequalität ist instabil.

4. We built a ball of mud (Architektur wird zum Schlamassel) – Nach langer Iteration verliert die Codebasis ihre klare Struktur.

Diese Designphilosophie gibt die optimistische Annahme auf, dass „KI, wenn sie nur intelligent genug ist, alles lösen kann”, und kompensiert stattdessen die Unsicherheit der KI durch strukturierte Prozesse.

Kerngedanke: Prozessstandardisierung und Skill-Modularisierung

Der Wert des Skills-Projekts liegt darin, die Erfahrung „wie man mit KI Anforderungsanalyse, Design und Codierung durchführt” in wiederverwendbare Skill-Plugins zu zerlegen, sodass die KI nach festgelegten, zuverlässigen Methoden arbeitet, anstatt auf Glück angewiesen zu sein. Jeder Skill ist ein komplettes Arbeitsdrehbuch, das Metadaten im YAML-Format (Name, Beschreibung, Auslösebedingungen) und konkrete Ausführungsschritte enthält.

Ein weiteres großes Merkmal des Projekts ist seine Kombinierbarkeit: Die Ausgabe eines Skills kann als Eingabe für den nächsten Skill dienen. Zum Beispiel generiert write-a-prd ein PRD-Dokument in einem GitHub-Issue, und prd-to-issues zerlegt dieses PRD in einen Implementierungsplan. Dadurch können Teams durch die Verkettung von Skills maßgeschneiderte Workflows erstellen.

Fünf Kern-Skills bilden eine vollständige Arbeitskette

1. grill-me: Phase der Anforderungsklärung

Dieser nur 11 Zeilen lange Skill lässt die KI wie ein Interviewer Frage für Frage stellen, um sicherzustellen, dass beide Seiten die Anforderungen verstehen. Seine Hauptmerkmale sind:

• Es wird immer nur eine Frage gestellt, um Informationsüberflutung zu vermeiden

• Die KI bietet empfohlene Antworten zur Bestätigung an, anstatt nur zu fragen

• Fragen, deren Antworten automatisch aus der Codebasis gefunden werden können, unterbrechen den Entwickler nicht

Ein Entwickler berichtete, dass er bei der Verwendung dieses Skills mit 16 Fragen konfrontiert wurde; bei komplexen Funktionen kann es sogar zu Tiefeninterviews mit 30–50 Fragen kommen. Dieser Skill löst das Problem, dass Claude Code dazu neigt, zu früh Lösungen zu generieren, und erzwingt eine gründliche vorherige Kommunikation.

2. to-prd: Erstellung des Anforderungsdokuments

Basierend auf dem Gesprächsverlauf wird ein formelles Produktanforderungsdokument (PRD) erstellt, das die Problembeschreibung, die Lösung, User Stories, Implementierungsentscheidungen, Testentscheidungen und die nicht umzusetzenden Dinge enthält. Das Dokument wird über den gh-Befehl automatisch als GitHub-Issue gespeichert.

3. to-issues: Vertikale Slices zur Aufgabenzerlegung

Das PRD wird in unabhängige, ausführbare kleine Aufgaben zerlegt, wobei die Methodik der vertikalen Slices (Tracer-Bullet) anstelle der traditionellen Aufteilung in Frontend/Backend oder Module verwendet wird. Jeder Slice durchläuft den vollständigen Pfad von der Datenbank über die Benutzeroberfläche bis zum Test und markiert explizit, ob ein manueller Eingriff erforderlich ist. Die Aufgaben werden nach Abhängigkeiten sortiert; nachfolgende Aufgaben warten auf den Abschluss der vorherigen.

4. tdd: Testgetriebene Entwicklung

Erzwingt einen strengen testgetriebenen Entwicklungsprozess: Es darf kein Implementierungscode geschrieben werden, solange keine fehlschlagenden Tests existieren. Dies stellt eine stabile Codequalität sicher und eignet sich für Projekte mit einer bestehenden Testkultur.

5. improve-codebase-architecture: Architekturoptimierung

Sucht auf der Grundlage der Domänensprache in CONTEXT.md und der Architecture Decision Records (ADR) in docs/adr/ nach „Vertiefungsmöglichkeiten” in der Codebasis. Wendet John Ousterhouts Prinzip der „tiefen Module” an (kleine Schnittstelle, große Implementierung), um die Testbarkeit und die KI-Navigierbarkeit zu verbessern. Dieser Skill identifiziert flache Module, eng gekoppelte Komponenten und ungetestete Grenzen und schlägt Refactoring-Maßnahmen vor.

Installation und Verwendung

Das Befehlsformat für die Installation eines einzelnen Skills lautet:

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

Skills verwendet eine standardisierte Struktur, unterstützt Bereichspaketnamen (mattpocock/skills) und Versions-Tags. Nach der Installation können sie von KI-Assistenten aufgerufen werden, die das Skills-Protokoll unterstützen.

Weitere nützliche Skills

Neben dem Kern-Workflow enthält das Projekt mehrere unterstützende Skills:

• triage: Issue-Statusmaschinen-Verwaltung, geeignet für die Zuweisung von Labels und Prioritäten in Teamzusammenarbeit

• zoom-out: Wenn man sich in lokalen Details verliert, hilft es, die Position des Codes in der Gesamtarchitektur neu zu bewerten

• write-a-skill: Führt den Benutzer durch den gesamten Prozess der Erstellung eines benutzerdefinierten Skills, einschließlich Auslösebedingungen, Ausführungsschritten und Ausgabeformat

• diagnose: Diagnostiziert nicht lauffähigen Code und wird zusammen mit dem TDD-Skill verwendet

Einschränkungen und Entwicklung

Die Haupteinschränkung der aktuellen Version ist die enge Kopplung an GitHub: Skills, die Issue-Operationen durchführen, haben den gh-Befehl fest codiert. Teams, die andere Projektmanagement-Tools wie Linear oder Jira verwenden, müssen das Repository forken und den Code anpassen. Die offizielle Unterstützung für andere Plattformen ist jedoch in Arbeit (Stand April 2026).

Matt Pocock hat im April 2026 die Skill-Kombinationen aktualisiert: /domain-model ersetzt /grill-me und integriert Konzepte des Domain-Driven Designs (DDD), wobei während des Gesprächsprozesses gleichzeitig Dokumentation und ADRs generiert werden. Dies zeigt, dass sich das Projekt ständig weiterentwickelt und nach und nach weitere bewährte Methoden der Softwaretechnik integriert.

Anwendungsszenarien

Diese Skill-Bibliothek eignet sich besonders für die folgenden Entwickler:

• Entwickler, die bereits KI-Programmierwerkzeuge wie Claude Code oder Cursor verwenden, aber das Gefühl haben: „KI kann Code schreiben, aber kein Engineering betreiben”

• Entwickler, die einen stabilen KI-gestützten Entwicklungsablauf etablieren möchten, anstatt jedes Mal auf Glück angewiesen zu sein

• Entwickler, die die von KI generierte Codequalität auf Produktionsniveau heben müssen

• Entwickler, die in der Teamzusammenarbeit eine standardisierte Nutzung von KI benötigen

Wie ein Entwickler nach dem Löschen der meisten überladenen Skills erkannte: Matt Pococks Skillset verkörpert eine minimalistische Philosophie – kleine, präzise, klar benannte Primitive; weniger Oberfläche, aber größere Hebelwirkung.

Zusammenfassung

Matt Pococks Skills bedeutet nicht einfach „KI nach Belieben Code generieren lassen”, sondern bringt die KI-Programmierung durch Anforderungsklärung, TDD, Diagnose, Aufgabenzerlegung und Architekturoptimierung näher an die Arbeitsweise eines echten Ingenieurs. Es betont eine engineering-orientierte Entwicklung mit Prozessen, Feedback, Zerlegung und Retrospektive, nicht nur auf Intuition basierendes Vibe Coding. Genau das braucht der Bereich der KI-gestützten Entwicklung derzeit am meisten – nicht eine intelligentere KI, sondern bessere Arbeitsabläufe.