开篇你有没有过这种经历你把需求丢给Claude Code喝了杯咖啡回来看到一整片代码。粗略扫一眼感觉写得还不错。跑一下试试——要么根本不是你想要的要么产出了一坨复杂度爆炸的「大泥球」要么测试全绿但生产挂了。问题在哪是模型不够聪明吗GPT-5、Claude 5、DeepSeek-V4……一代比一代强。但诡异的是模型越强这种挫败感反而越普遍。就好像你用一把越来越锋利的刀切菜结果切出来的菜越来越碎——刀没毛病是你的案板和手法出了问题。2026年3月TypeScript社区最知名的教育家Matt Pocock——如果你做过TypeScript大概率看过他的「Total TypeScript」教程——做了一件看起来不大的事他把自己的.claude目录推到了GitHub上。没有代码。没有模型。没有RAG。没有向量数据库。就是一个装着十几个Markdown文件的文件夹。三个月后156,442个star。本周还在以每天1,100的速度增长。一个全是文字的仓库凭什么因为它在说的事比这一年所有那些更「AI」的项目加起来都要更深一层。一、AI写代码的四大失败模式——不是模型的问题是流程的问题Matt Pocock在README里开门见山。他说AI编码代理有四种最常见的失败模式——不是偶尔出现是结构性问题。你用任何一个AI编程工具都遇到过其中至少两种。失败一Agent做的不是你想要的你跟AI说「给我加个用户订阅管理」它吭哧吭哧写了一堆代码然后你发现它理解错了——它以为你要管理后端API的订阅key而你要管的是用户的付费订阅。根因不是AI笨是你以为它懂你它也以为它懂你然后你们在没确认过的情况下一起跑偏了。失败二Agent太啰嗦AI写代码没有问题问题是它用20个词描述一个你的团队用1个词就能说清楚的概念。它不知道你项目的「行话」。它不知道你的团队把「课程里某节课被赋予文件系统位置的过程」叫做「materialization cascade」。于是它每次都重新描述一轮token烧得多行为也容易漂。失败三代码跑不起来这是最让人头疼的。AI飞速写完100行代码然后你发现第5行就错了。但因为AI太快了你已经顺着错误的方向往前推了95步。《程序员修炼之道》里有一句话「你的反馈速度就是你的速度上限。」AI把「打字速度」拉高了10倍但没把「验证速度」拉高。结果就是你10倍速地在错误的方向上狂奔。失败四越写越乱变成「大泥球」这条最阴险——它不会立刻发作。AI第一次写加了一个handleSubscription()。第二次在旁边加了processSubscription()。第三次又加了一个manageBilling()。三个函数做同一件事但接口各不相同。三个月后你回头看这个代码库已经变成了一坨没人敢碰的「大泥球」。AI没有恶意它只是缺少一个在动手前问一句「这件事代码库里是不是已经有了」的机制。这四种失败没有一个是因为「模型不够强」。它们都是流程问题。而你过去学过的所有软件工程方法论——DDD、TDD、XP、架构决策记录——本质上都是在解决流程问题。问题在于这些方法论过去靠工程师的自律执行而人最差的就是自律。Matt做的事就是把它们变成了AI无法跳过的步骤。二、21个Skill没有一个教AI怎么写代码打开mattpocock/skills你会愣一下。语言占比是100% Shell——而且只是一些安装脚本。核心内容全是SKILL.md文件。每个文件长什么样给你看一个真实的例子--- name: tdd description: Test-driven development with red-green-refactor loop... --- # Test-Driven Development ## Philosophy 测试应该描述行为不是实现。如果只做内部重构不改外部行为测试还会失败吗如果会——那是实现测试不是行为测试。 ## Workflow 1. 写一个恰好失败的测试 2. 写最小实现让测试变绿 3. 重构保持绿色 ## 禁止事项 - 不许跳过失败测试直接写实现 - 不许水平切片一次写5个测试再实现 - 重构时不许改外部行为就这么多。不到40行。整个仓库21个Skill没有一个教AI怎么写代码。它们都在教AI一件事怎么干活。怎么提问。怎么对齐。怎么调试。怎么和团队共享语言。怎么在系统的视角下审视自己的改动。把Skill和传统Prompt放在一起对比一下差别一目了然传统Prompt教AI做一件事一次性无状态。用完就没了。Skill教AI在一类场景下遵循一种纪律。可复用可迭代可传承。Prompt是一次提问。Skill是一种习惯。这个差别比你想象的要大得多。三、最核心的三个Skill藏着工程师最稀缺的东西grill-with-docs让AI反过来问你这是整套体系最反直觉的Skill。你不是对AI说「帮我做X」。你让它先反过来问你——用一连串问题把模糊需求逼出来。它怎么问先读代码库。如果你的仓库里已经有src/billing/目录和Subscription实体它不会傻乎乎地问「你想用什么数据模型」而是直接问「你是想扩展现有Subscription支持年付还是创建新的PlanTier实体我建议前者因为域模型里Subscription已经对应了账单周期。」它读代码、给出推荐答案、等你确认——然后立刻更新你的CONTEXT.md。这是什么这是《程序员修炼之道》里那句被引用了二十年但几乎没人做到的话——「没有人能精确知道自己想要什么」——被编码成了AI的开场白。tdd把红-绿-重构变成AI无法跳过的步骤TDD最难的不是理解是执行。人知道应该先写测试但还是会忍不住先写实现。尤其是快下班的时候。尤其是有deadline的时候。尤其是「这次就改一行应该没事」。AI没有这个问题——它可以被编程成永远不跳过测试。Skill里的TDD比一般的TDD教程更狠。它明确禁止「水平切片」——不许一次性把5个测试都写好再实现。必须是「一个测试→最小实现→重构→下一个」。因为批量写测试时你测的是「想象中的行为」不是「实现后确认的行为」。它还定义了一个判断标准「如果只做内部重构不改外部行为这个测试还会失败吗如果会——这是实现测试不是行为测试删掉重写。」diagnose先建反馈回路再谈假设这是21个Skill里最长的一个。它的核心指令是「没有可复现的反馈回路再多的代码分析都是浪费时间。」六个阶段像手术一样精确先构造可复现脚本「激进、有创意」地去构造确认真是这个bug不是附近另一个列出3-5个假设每个都必须可证伪用探针逐个验证一次只改一个变量先写回归测试再改代码清理调试日志写注释说明根因第三阶段有个狠要求「如果你写不出『如果X是根因那么修改Y会让bug消失』这个预测说明这个假设只是直觉请丢弃。」这跟一个十年老工程师的调试思路一模一样。Matt只不过把它写下来了。四、一个意外的洞察Skills和模型升级是正交的到这里可以讲一个更深的东西了。大多数人把精力花在三件事上研究prompt技巧、学习最新的agent框架、积累工程经验。这三种努力在模型换代的时候命运完全不同Prompt技巧模型换代后一半清零。你花三个月研究怎么哄GPT-5说长文本GPT-6出来脾气变了重学。Agent框架框架迭代更快。半年前的best practice今天已经被官方deprecated。工程心法TDD、DDD、调试SOP、反熵增节奏——这些东西不随着任何模型的换代折旧。模型越强你的心法执行得越到位。这就是Skills真正的含金量它和模型升级是正交的。你今年练的东西三年后越来越值钱不会被任何新模型抹平。模型的军备竞赛把「下限」不断拉高——一个完全不会写代码的人用AI也能做出一个能跑的东西。但心法把「上限」拉得更高——同一个AI给一个把心法写下来的人和一个没写下来的人产出差距能到3到5倍。模型把下限拉高了心法把上限拉得更高。这是过去没有过的结构。五、为什么它能爆火三个关键节点的共振156k星不是偶然。它的爆发踩中了三个关键节点第一节点Vibe Coding的反噬「Vibe Coding」是2026年AI编程圈最热的词。意思是你跟AI说「给我做个东西」然后看着它生成代码感觉对了就完事——不读代码不审逻辑不管架构。做Demo确实快。但要维护、要迭代、要上线对不起三个月后的技术债会压到你怀疑人生。全行业开始隐约觉得不对劲了——但说不清哪里不对。Matt把这个「不对劲」命名了你不是在工程你是在赌AI不会把你的代码库变成屎。第二节点Agent Skills生态大爆炸2026年上半年Anthropic发布官方Agent Skills规范Claude Code内置Skill系统Codex推出插件市场Cursor支持自定义Rules。Skills从「个别工程师的私人脚本」变成了「可以分发、安装、共享的标准组件」。Matt Pocock的仓库恰好在这个生态起飞的时间点给出了最高质量的「用户样本」——一个被全球数百万开发者信任的顶级教育家展示自己真实的生产力工作流。第三节点「一个人一支团队」的壁垒焦虑2026年的开发者有一个共同的隐形焦虑AI把写代码这件事变得太容易了。如果代码谁都能写那「我」的价值在哪里Matt的Skills给出了一个出乎意料但令人信服的答案你的价值不在写代码的速度而在于你知道「为什么这样写」。而这个「为什么」恰好是可以被外化、共享、传承的。我特别喜欢知乎上一篇解读文章里的比喻prompt engineering像「手艺」靠人记。 agent skills像「工艺卡」可以复制、培训、改版、审计。这个比喻精准到了骨头里。手艺会随着人走而消失工艺卡是组织的永久资产。六、Skills带来的三个行业启示启示一从「写prompt」到「写skills」是工程师AI能力的分水岭过去一年大多数工程师跟AI的交互模式是遇到问题→写一段prompt→看结果→不满意就改prompt→再来一次。这个模式的天花板很低。每一次都是从零开始每一次都没有积累。Skills把这个模式翻转了。你不是每次跟AI对话你是每次在搭建一套可复用的流程体系。这个过程本身就是你工程经验的外化——以前你脑子里知道「应该先问清楚需求再动手」现在你把这句话变成了AI每次动手前必走的步骤。那些今年只练prompt技巧的工程师明年模型换代时会被洗掉一大半积累。那些今年开始写skills的工程师明年会发现自己多了一套不随模型升级贬值的能力资产。启示二Skills是团队从L1到L3的最低成本抓手如果你用AI成熟度模型来看团队L1工程师各自用AI散兵游勇L2统一工具和规范有团队共识L3Review流程、代码基建、时间再分配都做了结构性改革绝大多数团队卡在L1到L2的过渡。不是不想做L3是不知道L3长什么样。Skills给出了一个让人意外的具体答案把L3所有的结构性纪律写进一个文件夹。团队Review标准 →code-review.md团队调试SOP →diagnose.md团队领域语言 →CONTEXT.md团队反熵增节奏 →improve-codebase-architecture.mdL3不再是CTO口中抽象的管理动作它就是一个PR——能被讨论、被评审、被合并、被回滚。这很关键因为它把「组织变革」从一件只有老板才能干的事变成了团队里任何一个人都能开第一枪的事。启示三下一个技术工种——「流程工程师」正在出现过去十年软件行业出现了很多新工种DevOps工程师、SRE、平台工程师。我预测未来两年会出现一个新的角色流程工程师Process Engineer。他们的核心能力不是写代码而是「把团队的最佳实践编码成AI可执行的工作流」。他们既懂软件工程方法论又懂如何用Skills/Agent框架把方法论落地。这听起来像PM不是。PM关注的是「做什么」流程工程师关注的是「怎么做对」。这听起来像Tech Lead部分是。但Tech Lead的精力分散在架构、管理、招聘上流程工程师专注一件事把团队的集体判断力持续地、系统性地注入AI的工作流程里。Matt Pocock的Skills仓库可以看作是这个工种的第一份开源作品。七、冷静一下Skills不是银弹是放大器写到这得泼一盆冷水。第一Skills不替代理解只放大理解一个对系统没有深度理解的工程师写不出有用的Skill。他写出来的东西要么太虚——「写好代码」「遵循最佳实践」——AI看了跟没看一样。要么太死——「必须用X方案不许用Y方案」——剥夺了AI的灵活性。Skills是给已经有真实工程经验的人把这些经验外化、共享、复用的工具。它不是新手的捷径。第二Skills自己也会熵增你团队第一年沉淀20个Skills是好事。如果第三年还是这20个但其中8个已经和现实脱节了——那Skills反而成了拖累。它会让AI按照一份「过期的纪律」工作比没有Skills更糟。所以Skills本身也需要版本、Review、Owner、定期清理。它不让你逃离「维护」这件事只是把你的活从「只维护代码」变成了「维护代码维护流程」。后者长远来看对你更值钱但活不会消失。第三迁移成本远比看起来高Matt的Skills对TypeScript教育场景做了大量隐含适配。migrate-to-shoehorn、scaffold-exercises这种你拿来基本没法直接用。哪怕是tdd、diagnose这种看起来普适的——你团队的TDD节奏、调试工具栈、代码组织方式可能都和他不一样。Skills不是npm包。迁移成本更接近「读懂他的思路重写」而不是一行命令搞定。这个仓库的真正价值是示范不是直接复用。写在最后回过头看这个项目最让我触动的是Matt README里的第一句话「Skills for Real Engineers. Straight from my .claude directory.」「给真正工程师用的技能。直接来自我的.claude目录。」注意那个词Real Engineers。他不是在做一个「新潮的AI项目」。他是在用一种平静的、工程师的方式回应这个时代最喧嚣的问题当AI可以写所有的代码你还有什么不可替代他的答案是你可以外化的「心法」——那个让你写出好代码、好架构、好系统的判断力——才是你真正的护城河。而Skills是把这个护城河从你脑子里搬出来变成可以克隆、可以传承、可以不断迭代的东西。那些过去被认为「老掉牙」的方法论——TDD、DDD、极限编程、模块化设计——在AI时代不是过时了是第一次有了能落地的载体。它们过去靠工程师的自律执行大多数时候执行得很差。它们现在可以靠Skills让AI帮你执行——一致、不疲倦、可以版本化。《程序员修炼之道》第一版1999年出版。DDD那本书2003年出版。这些书过去二十多年里被引用得最多被实践得最少。AI让这件事第一次有可能反过来。写代码本身会越来越容易。懂得「为什么这样写」会越来越值钱。Skills是这两件事中间的桥。本文首发于「圈圈的AI工程笔记」CSDN 同步发布 · 2026-08-02