Matt Pocock 的 Skills — AI 时代的软件工程方法论¶

GitHub 8 万 Star，前 Vercel / XState 核心贡献者 Matt Pocock 开源了一套 AI Agent Skills 集合。核心理念：不是让 AI 接管开发流程，而是把 AI 融入成熟的工程实践。

目录¶

• 背景：Vibe Coding 的三大反噬
• Matt Pocock 其人
• 四大问题与对应方案
• 核心技能一览
• 关键技能深度解析
• 与 GSD / BMAD 的本质区别
• AI 时代的核心认知反转
• 参考资料

背景：Vibe Coding 的三大反噬¶

Vibe Coding（凭直觉让 AI 生成代码）：
  动嘴皮子 → AI 搞定一切

现实问题：
  1. AI 生成的代码经常跑不通，甚至听不懂需求
  2. AI 长篇大论用废话演示对项目的无知
  3. AI 写代码太快 → 代码熵增加速 → 架构退化成一坨屎山

Matt Pocock 其人¶

四大问题与对应方案¶

问题 1：AI 没听懂你的需求¶

失败模式：你以为 AI 懂了，其实它根本没懂

解决方案：Grilling（盘问）技能
  - AI 不是顺从助手，而是严厉面试官
  - 不断提出尖锐问题逼你把模糊想法具体化
  - 直到需求书的每一个分支都被理清

示例：写登录页面
  AI 不会马上开始写 HTML/CSS，而是问：
  - 用户忘记密码怎么办？
  - 需要支持第三方登录吗？
  - 登录失败的错误提示怎么设计？

结果：极大降低需求理解偏差

问题 2：AI 太冗长，废话太多¶

根因：AI 被空降到新项目 → 不了解团队黑话和业务背景
      → 用大量通用词汇猜测（DDD 中叫「缺乏通用语言」）

解决方案：Grilling with Docs
  - AI 检查项目已有的领域语言和 CONTEXT.md
  - 当你使用模糊或冲突术语时，AI 当场追问澄清
  - 已确认的术语和关键决策沉淀到 CONTEXT.md / ADR

效果：
  +------------------+------------------------------------+
  | 之前             | 之后                               |
  +------------------+------------------------------------+
  | "课程中的章节被   | "材料级联（materialization cascade）|"
  | 变为'真实'时出   |                                    |
  | 问题"            |                                    |
  +------------------+------------------------------------+

额外收益：命名变量/函数时保持一致性，节省大量思考 token

问题 3：AI 写的代码跑不通¶

解决方案：TDD + Diagnose

TDD（测试驱动开发）技能：
  - 红绿重构循环，不是一次性写完所有测试再实现代码
  - 一个行为 → 一个测试 → 按垂直切片推进
  - AI 先写失败测试 → 实现功能 → 重构 → 循环

Diagnose（诊断）技能：
  - 结构化调试循环：重现 → 最小化 → 假设验证 → 修复 → 回归测试
  - 核心不是直接猜答案，而是先建立可重复的反馈循环

问题 4：代码库变成屎山（熵增）¶

根因：AI 写代码太快，来不及思考架构设计

解决方案：Architecture Review（架构审查）
  - Improve Codebase Architecture 技能
  - AI 从全局视角审视代码库
  - 找出接口复杂、难以测试、容易出 bug 的地方
  - 提出改进方向

频率：每几天运行一次，像给代码库做深度体检

核心技能一览¶

工程类技能¶

生产力技能¶

杂项技能¶

关键技能深度解析¶

Grilling（盘问）系列¶

/grill-me：纯需求盘问
  → AI 不断追问，直到每个决策分支都明确

/grill-with-docs：盘问 + 领域语言
  → 在盘问的同时，AI 检查项目已有的 CONTEXT.md
  → 冲突术语当场追问澄清
  → 确认的术语沉淀到 CONTEXT.md / ADR

使用场景：写登录页面、设计 API 接口、定义数据模型

TDD（测试驱动开发）技能¶

传统 TDD：一次写完所有测试 → 实现所有代码
Matt Pocock 版：一个行为 → 一个测试 → 按垂直切片推进

循环：
  1. AI 写失败测试（红）
  2. AI 实现功能使测试通过（绿）
  3. AI 重构代码（重构）
  4. 循环下一个行为

优势：保证质量 + AI 输出可控 + 每次反馈周期短

Improve Codebase Architecture（架构审查）¶

定期运行，频率：每几天一次

AI 做三件事：
  1. 读取 CONTEXT.md + docs/adr/ 理解项目上下文
  2. 全局扫描代码库，找出接口复杂、难测试、易出 bug 的地方
  3. 提出「深化（deepening）」改进方向

效果：对抗 AI 加速的代码熵增

Caveman（超压缩模式）¶

~75% Token 减少，保持完整技术准确性
适用于：Token 敏感场景、快速迭代、不需要详细解释时

与 GSD / BMAD 的本质区别¶

GSD / BMAD / Spec-Kit：
  - 试图接管整个开发流程
  - 做成大文件（kitchen-sink）
  - Bug 难以排查

Matt Pocock Skills：
  - 小型、可组合、可适配的构建块
  - 开发者保持控制权
  - 与任何大模型配合使用

核心差异：不是颠覆现有流程，而是让 AI 融入现有工程实践

AI 时代的核心认知反转¶

反直觉结论¶

传统观念：有了 AI，不需要懂架构、不需要写测试、甚至不需要懂编程

事实恰恰相反：
  - AI 是极其强大的执行者，但缺乏对复杂系统的全局把控能力
  - 如果你不懂软件工程 → AI 会以 10 倍速度制造垃圾代码
  - 过去写烂代码需要几天 → AI 几秒生成上百行烂代码
  - 不加控制，烂代码很快拖垮整个项目

核心观点：在 AI 时代，坏代码的代价更大
          → 扎实的软件工程基础不仅没过时，反而成为开发者最核心的竞争力

人机分工新模式¶

以前：人写代码 → 人测试 → 人维护
现在：人定义问题 + 设计架构 + 制定规范
      AI 编写代码 + 生成测试 + 执行重构

人类负责：系统思考能力
AI 负责：高效执行能力

这才是真正的「AI 工程师」工作模式

未来顶尖工程师画像¶

既懂底层技术，又懂如何与 AI 高效人机协同：
  - 知道什么时候该让 AI 自由发挥
  - 知道什么时候该对 AI 进行严格约束
  - 懂得利用 AI 提升效率，同时防止负面影响

不是被 AI 替代的码农
而是指挥 AI 大军的架构师

参考资料¶

• mattpocock/skills GitHub — 8 万 Star，MIT 协议
• Matt Pocock YouTube — "We don't do vibe coding"
• Matt Pocock LinkedIn - TDD Skill
• 知乎解析：告别「AI 写了一堆屎」
• 视频来源：为什么叫QQ

相关笔记¶

• HTML 的不合理有效性 — Claude Code 文档范式转移
• Hermes Agent + CUA Driver — 开源后台桌面控制