痛点一：AI 总是“写对了代码，却写错了需求”。 许多团队在使用大型语言模型时发现模型在缺乏明确指令的情况下会自行发挥，结果产出技术上正确却业务上不匹配的实现。

痛点二：技能堆砌导致被塞满，模型表现变得迟钝甚至“愚笨”。 每增加一个 skill，就要把它的描述放进 LLM 的上下文；当这些描述占据了大量 token。模型只能在剩余的 “Smart Zone” 中思考，导致指令被截断、推理错误。

痛点三：项目代码腐烂速度远超开发速度。 AI 写代码快。但缺乏结构化约束时代码质量会快速下降，后期维护成本爆炸。

痛点四：传统全流程框架过于沉重，限制创新、拖慢交付。 团队需要一种轻量、可组合、随时可介入的工作流，而不是“一刀切”的硬套流程。说起来，

/grill-me – 先对齐再编码

这是仓库里最受关注的 skill。它充当一个“严厉的 tech lead”，通过一问一答的方式逐层追问直到你们在需求细节上达成共识。每次提问都会附带推荐答案，避免无意义的打扰。

如果你想要更丰富的产出。可以使用提高版 /grill-with-docs——在访谈过程中同步生成领域模型、架构决策记录和 CONTEXT.md 文档，使对齐成果沉淀为可复用资产。

主要指令：

Run a /grilling session.

这句简短的描述背后隐藏的是完整的决策树遍历逻辑——正是“先对齐再编码”的常用方法。频繁使用它，你会自然养成需求确认的好习惯，即使不借助 AI 也能受益。

可组合的工作流 – 按需拼装，不被束缚

Matt 的 skills 采用“一组可组合节点”的设计。每个节点独立，可随时跳过、重复或手动介入：

• /to-spec – 把对话共识提炼为规格说明书；
• /to-tickets – 将 spec 拆分为带依赖关系的工单；
• /implement – 按工单执行 TDD 循环；
• /code-review – 双轴审查：代码质量 + 是否符合 spec。

整个流程中 Agent 执行纪律。人类负责判断与干预，实现“AI 快、Human 智”的最佳平衡。

/wayfinder – 在不确定中前进

面对庞大且模糊的需求时/grill-with-docs 往往因上下文超限而失效。/wayfinder 采用“战争迷雾”的隐喻：

• 在 issue tracker 上创建父 Issue 与子 Ticket，并标注阻塞关系；
• 逐个解决子 Ticket。让迷雾逐步散去，方法清晰可见；
• 支持 sub‑agent 并行处理 research ticket，提高探索效率。说起来，

This approach accepts uncertainty and replaces one‑shot planning with incremental discovery—exactly what many teams struggle with when y try to “write a big spec first”.

/improve-codebase-architecture – 防止代码腐烂加速器

The skill periodically scans codebase and produces a single‑file HTML report with before/after diffs and severity tags. It relies on a shared vocabulary。ensuring every participant speaks same language.

深模块概念 & 删除测试

A “deep” module exposes a tiny interface while encapsulating a lot of behavior. Matt implements John Ousterhout’s “deletion test”: remove module and see if overall complexity spikes. If it does,module is truly deep;if not,it’s shallow and should be refactored.

从代码设计到 Skill 设计 —— 同一套哲学。两种实现形式

上下文负担 vs 认知负担

User‑invoked vs Model‑invoked：

• User‑invoked： Skill description stays out of context window → lower token consumption but higher cognitive load for developers .
• Model‑invoked： Skill auto‑calls itself → zero cognitive load but each description occupies precious Smart Zone tokens.

LMM’s effective window is roughly first 120k tokens . Every extra skill description eats into this budget;that’s *** “more skills = dumber AI”. Matt’s solution is a : a single entry point that lists or skills and ir trigger conditions,collapsing cognitive load without inflating context.

引导词

The model already knows many high‑level concepts. Instead of verbose explanations。use exact term model understands . The /wayfinder's “fog of war” is a perfect example—one phrase activates a rich mental model.

渐进披露

A well‑designed skill places essential actions in main body while pushing large reference material to separate files loaded only on demand. This mirrors deep modules: implementation bears complexity;按理说，interface stays minimal.

修剪—— 防止 Skill 腐烂

The four decay patterns:

• Sediment：a.k.a. unchecked accumulation of stale content;
• Sprawl：a.k.a. ever‑growing length losing focus;
• No‑Op：a.k.a. re‑writing what model already knows;
.
• Duplication：a.k.a. repeating identical intent in multiple places.

The rule is aggressive deletion: if removing a line doesn’t change behavior。it was dead weight—exactly “deletion test” applied to skills.

快速上手教程

npx skills@latest add mattpocock/skills

setup-matt-pocock-skills # 配置 issue tracker & 文档位置

用手头真实项目跑一次 /grill-me//wayfinder，亲身体验「先对齐」带来的需求清晰度和「轻量组合」带来的灵活性。按理说，你会发现，当技能数量得到控制、上下文保持干净时AI 的表现立刻回升——不再是“堆砌技能让 AI 愚笨”。而是“精准指令让 AI 更聪明”。