智猩猩AI整理
编辑： 没方
Claude Code、Codex 等编程智能体正在显著提升开发效率，只需给出需求，AI 就能快速阅读项目、修改代码、运行命令，甚至完成一整套功能实现。
即使 AI 写代码很快，但它却未必真的“懂工程”。
在真实项目中，Agent 很容易陷入一种“看起来很会写，实际难维护”的困境。
比如，需求还没问清楚就直接开工，导致实现方向跑偏；生成的代码虽然能跑，却冗长啰嗦；一次功能修改看似完成，却悄悄破坏了原有架构，让后续扩展和维护变得越来越困难。
而 Agent 在反复读取代码、解释代码和处理错误时，会消耗大量 token 和上下文空间，但这些信息并不一定能沉淀为清晰的需求、可复用的工程规范或稳定的项目决策。
这也是 vibe coding 的典型问题，AI 确实能带来短期提速，但如果缺少稳定流程约束，就很难真正转化为可靠、可持续的软件生产力。
为此，今天要介绍的开源项目是 TypeScript 大佬 Matt Pocock 在真实工程开发中反复使用的一组 agent skills。
它把需求澄清、问题诊断、TDD、架构改进等关键流程，沉淀成可复用、可组合的技能模块，让 Claude Code、Codex 等编程智能体按工程规范做事。
项目链接：
https://github.com/mattpocock/skills
该项目在 GitHub 月榜排名第二，Star 已突破 8 万，是当下 AI 编程生态中热度最高的 skills 项目之一。
01 把资深工程师的方法论，
压缩成 AI 可执行的工作流
这个项目的核心思想是把真实软件开发中的关键环节，拆成一个个可复用、可组合的 Skill，让 AI 不再随意vibe coding，而是严格遵循工程规范做事。
（1）需求澄清
在开始写代码之前，AI 经常会因为需求理解不充分而写偏方向。为了解决这一问题，项目提供了/grill-me和/grill-with-docs这样的技能，让智能体先对用户进行追问，把需求目标、边界条件、业务术语和关键决策问清楚，再进入实现阶段。
有意思的是，/grill-with-docs不只是单纯追问需求，还能帮助项目沉淀出统一的业务语言。很多团队真正的痛点，不在于代码实现本身有多难，而在于业务概念缺少清晰、统一的命名规范。同一个概念在需求、代码、文档中反复变换说法，AI 就很容易理解偏差，甚至生成大量冗余表述。
通过CONTEXT.md和 ADRs 等文档机制，/grill-with-docs可以在对话过程中持续澄清模糊术语、更新业务词汇，并把关键设计决策记录下来。这样不仅能减少重复解释，也能让变量、函数、文件命名更加统一，方便 AI 智能体更好地理解和梳理整个代码库。
（2）代码质量提升
为了提升AI写代码的质量，项目提供了 /tdd 和 /diagnose 两个非常典型的技能。
/tdd 让智能体围绕红 - 绿 - 重构（测试先行）的节奏开发，先编写失败的测试用例，再修改代码让测试通过，最后进行必要的重构。这种方式能为 Agent 提供稳定的反馈循环，有助于提升代码质量。
/diagnose 则把复杂 Bug 或性能问题拆解为“复现 → 最小化 → 假设 → 插桩 → 修复 → 回归测试”的标准化诊断循环，帮助 AI 智能体更系统地定位问题，而不是在错误日志中反复试错。
（3）代码可维护性与架构改进
大多数由 AI 智能体构建的应用，会变得越来越复杂且难以维护。
针对这一问题，该项目提供了多层次的解决方案，强调在快速开发的同时，也要重视代码设计、需求文档和架构治理。具体技能包括：
/to-prd 可以将当前对话上下文整理成结构化的产品需求文档（PRD），并提交为 GitHub Issue，方便后续任务拆解和协作。
/zoom-out 则指示智能体跳出局部代码细节，从整个系统的高度提供更广阔的上下文和更高层次的解释，尤其适合理解不熟悉的代码模块。
/improve-codebase-architecture 用于发现并改善代码库中的架构问题，帮助开发者逐步改善已经劣化的代码库。Matt Pocock 还建议每隔几天运行一次该技能，以持续保持代码库健康。
02
使用方法
在终端运行以下命令：
npx skills@latest add mattpocock/skills在智能体中运行指令：
/setup-matt-pocock-skills该指令会引导你完成配置，包括选择要使用的任务追踪工具（GitHub、Linear 或本地文件）、设置triage标签词、指定生成文档的默认保存路径。
03 Token 消耗不等于工程产出，
代码生成速度也不等于软件交付质量
大部分 vibe coding，本质上是一种“即时生成式开发”。
开发者抛出一个模糊想法，AI 立刻开始编码；写错了再改，改坏了再补，补完了再解释。
这个过程确实带来了极强的即时爽感，代码生成速度也非常快，但大量 Token 却消耗在了反复读取代码、解释逻辑和修复临时 bug 上。真正能沉淀下来的需求文档、架构决策和工程约束却寥寥无几。
最终结果就是，AI 看似高效，实际产出却很低；表面交付很快，长期代码质量却在持续下滑。
真正的工程化 AI 编程，不应该是让大模型自由发挥，而是要让它在清晰的规则、流程和约束下工作。
这正是 mattpocock/skills 项目的核心价值所在，它把需求澄清、问题诊断、TDD、架构改进等关键工程实践，转化成可复用、可组合的 Agent 技能。
对于个人开发者而言，这套 Skills 能大幅减少随意提示、反复返工和上下文浪费，让 AI 更稳定、高效地围绕目标推进；对于团队来说，它则把原本只存在于资深工程师头脑中的工程经验，变成了 Agent 可以标准执行的流程和动作。
入群申请