这不是一篇教你“用 AI 写代码”的文章，而是一篇教你“用 AI 做工程”的文章。
如果你最近在关注 AI 编程，你可能听说过一个叫 mattpocock/skills 的 GitHub 项目。截至本文撰写时，它已经收获了 18.1 万 Stars 和 1.5 万 Forks。
作者 Matt Pocock 在 README 里写了一段很有意思的开场白：
“My agent skills that I use every day to do real engineering – not vibe coding.”
“Vibe coding”是个流行词，大意是“跟着感觉写代码”——想到哪写到哪，AI 生成什么就用什么。而 Matt 要做的恰恰相反：用 AI 做真正的软件工程。
今天这篇文章，我就带你拆解这套技能体系的核心流程与必装技能，帮助你从 0 到 1 开发一个新项目时，不再“跟着感觉走”。
为什么要有一套标准流程？
Matt 在 README 中直言，他建立这套技能体系，是因为看到了 AI 编程中的四个典型失败模式：
第一，沟通错位。 你以为 AI 理解你了，结果它产出的东西完全不是你想的那样。Matt 引用了《程序员修炼之道》中的一句话：“没有人确切地知道自己想要什么”。在 AI 时代，这个问题被放大了——你与 Agent 之间存在天然的“沟通鸿沟”。
第二，AI 过于啰嗦。 AI 被丢进一个项目，被迫边做边猜项目里的“黑话”，结果用了 20 个词才能说清楚 1 个词就能表达的概念。
第三，代码不工作。 当反馈循环缺失时，AI 就像蒙着眼睛写代码——它不知道代码跑起来到底什么样。
第四，代码变成“大泥球”。 AI 极大地加速了编码速度，同时也加速了软件熵——代码库以空前的速度变得复杂、难以修改。
这四个问题，几乎每一个用 AI 写过代码的人都深有体会。而 Matt 的这套技能体系，正是针对这四个问题逐一给出了工程化的解决方案。
从 0 到 1 的五步流程
这套流程的核心是：先磨平沟通代沟，再做规范拆解，随后用测试驱动开发，最后定期重构架构。具体分为五个阶段：
第一步：项目初始化（Run Once）
在全新项目的根目录下，先运行配置命令：
text
/setup-matt-pocock-skills这个命令会做三件事：
问你要用哪个 Issue Tracker（GitHub Issues、Linear 或本地 Markdown 文件）
问你工单分类用什么标签
问你生成的文档（Spec、CONTEXT.md、ADR 等）存放在哪里
只需运行一次，后续所有技能都基于这个配置工作。
第二步：梳理想想与建立领域语言
千万不要一上来就让 AI 写代码。先用 /grill-with-docs 做一个“拷问式对话”。
这个 Skill 会像一位极度挑剔的架构师，对你的想法穷追猛打：边界情况是什么？跨时区怎么处理？没有网络时怎么办？——直到所有逻辑漏洞和分支决策被彻底穷尽。
更关键的是，在追问过程中，它会自动生成并更新两样东西：
CONTEXT.md：项目的专属词汇表/领域模型ADR（架构决策记录）：记录为什么做某个决策
为什么这很重要？Matt 举了一个生动的例子：
之前：“当一个课程章节中的某节课被‘实现’（即在文件系统中被赋予一个位置）时，会出现一个问题”
之后：“materialization cascade 存在问题”
一个精准的术语，省去了每次对话都要重新解释的麻烦。这套“统一语言（Ubiquitous Language）”让变量、函数、文件命名保持一致，代码库更易于导航，AI 也能节省大量 Token。
Matt 说这可能是整个仓库里最酷的技术——“试试看，你就知道了”。
第三步：需求规范化与任务拆解
当想法被彻底问清楚后，就该将其转化为可执行的工程任务了。这一步分两个 Skill：
/to-spec：无需重新“面试”AI，它会自动将之前在 /grill-with-docs 中讨论的所有结论，提炼成一份规范的 Specification（技术规格书） ，并发布到你配置的 Issue 系统中。
/to-tickets：将大块的 Spec 拆解为多个示踪弹（Tracer-bullet）任务——每个 Ticket 都清晰标记依赖关系和阻塞节点。
示踪弹是个军事术语，指“打出去能看到弹道轨迹的第一发子弹”。在软件开发中，它意味着：先打通一条贯穿整个系统的“最小可行路径” ，再在此基础上逐步扩展。这种方式避免了“一次性让 AI 写几百行代码然后崩溃”的窘境。
第四步：测试驱动的编码实现
拿到拆解好的 Ticket 后，进入正式的编码阶段：
text
/implement #1这个命令会触发两个自动流程：
tdd（模型自动调用）：AI 会遵循 Red-Green-Refactor（红-绿-重构） 循环——先写一个必然失败的测试用例（Red），再写刚好让测试通过的最少代码（Green），最后重构代码使其干净整洁（Refactor）。
code-review（模型自动调用）：在代码提交前，并行启动两个子 Agent，分别检查“代码规范”和“是否忠实实现了 Spec 需求”。
这套反馈循环让 AI 不再是“蒙眼写代码”，而是每一步都能看到代码实际运行的效果。
第五步：架构维护与重构
随着功能越加越多，代码库会逐渐变成“大泥潭（Ball of Mud）”。Matt 引用了 Kent Beck 的话：“每天都要投资于系统设计”。
/improve-codebase-architecture 就是这个问题的解药。它会：
扫描全局代码，评估模块深度与耦合度
生成一份直观的 HTML 架构质量报告
针对你选中的薄弱环节，引导你进行专项重构
Matt 的建议是：每开发 3-5 个新功能后运行一次。
必装技能清单
基于上述流程，以下是你必须安装的核心技能组合：
完整的安装命令：
bash
npx skills@latest add mattpocock/skills
# 选择技能时，务必勾选 /setup-matt-pocock-skills
# 然后在 Agent 中运行 /setup-matt-pocock-skills总结
Matt Pocock 这套技能体系的本质，是把软件工程的基本原则——领域驱动设计、测试驱动开发、架构重构、代码审查——封装成了可重复执行的 AI 命令。
它不是在教你“如何让 AI 帮你写代码”，而是在教你“如何让 AI 像一位资深工程师一样工作”。
如果你正打算从 0 开发一个新项目，不妨试试这套流程：
/setup-matt-pocock-skills→/grill-with-docs→/to-spec+/to-tickets→/implement→/improve-codebase-architecture
这套组合拳，能让你和 AI 之间的沟通成本降到最低，同时让代码质量始终在线。
评论