一天之内又涨了 2.2 万颗星，再次登上 GitHub 热榜。
这个叫 mattpocock/skills 的开源项目，目前已经有 14 万颗星星了。它解决的是 AI 编程最大的痛点：你脑子里想的是 A，AI 最后做出来的却是 B。
举个实际例子：你让 AI 加个头像上传功能，它很快把代码写出来了。上线之后才发现图片大小没限制、裁剪比例没确定、默认头像也没考虑到。你说的和它理解的，完全是两回事。
Matt 的解决方案是：在写代码之前，先像面试官一样问清楚——图片从哪来？存到哪？要剪裁吗？大小有限制吗？
虽然看起来有点繁琐，但很有用。把所有问题问清楚再写代码，通常一次性就能完成，不需要返工。
01 解决 AI 写代码的四个常见失败模式
01 意图对齐失败
你有自己的想法，Agent 也有自己的方案，双方都以为在说同一件事，结果运行出来南辕北辙。这不是 Claude 的问题，而是没搞清楚需求就开始写代码了。
02 缺少专业术语
每次打开新对话框都得再解释一遍"我们项目里的 XX 是什么意思"。积少成多，token 浪费是小问题，代码命名不统一才是大问题。
03 没有反馈回路
没有测试驱动的话，agent 写代码就等于盲人走路。它觉得过了，你觉得过了，上线之后才发现其实没过。
04 架构腐化
AI 加快了代码产生速度，同时也增加了技术债务。没有定期架构审查机制的话，六个月内回头看自己的仓库就不认识了。
Matt 的 Skill 仓库，就是用来把这四个问题系统性地塞进日常工作流的方式。
02 高效使用这套系统
第一阶段：需求和架构（项目刚开始）
项目开始第一件事是防患于未然：
- /grill-with-docs：要求 AI 把问题弄清楚，自动生成 CONTEXT.md 和 ADR
- /to-prd：把对话整理成规范的 PRD，保证逻辑闭环
- /to-issues：直接把任务拆到 GitHub 上，任务颗粒度一目了然
第二阶段：开发和质量（编写代码时）
不允许"我觉得写对了"的自我感觉良好：
- /tdd：先写好测试再写代码，每条都有依据
- /setup-pre-commit：让 Husky 运行起来，为提交加个门禁
- /git-guardrails：开启拦截，避免不小心把敏感信息推到远程仓库
第三阶段：维护和管理（项目变大或出现 Bug 时）
- /diagnose：按照复现-定位-修复-复盘的流程来处理 Bug
- /migrate-to-shoehorn：旧代码重构时处理类型断言迁移
- /improve-codebase-architecture：每三天运行一次，给代码做体检，避免"破窗效应"
第四阶段：团队协作
- /handoff：产生当前上下文摘要，把工作交接给下一个 AI 窗口
- /caveman：开启极简语态，压缩掉 75% 的无效 Token
- /scaffold-exercises：新成员得到练习脚手架，快速上手
03 安装和使用
安装这套系统直接运行：
npx skills@latest add mattpocock/skills
然后在项目中执行一次 /setup-matt-pocock-skills，按提示配置即可。
设置好之后就可以使用了。比如增加"用户头像上传"功能：
第一步：对 AI 说 /grill-me 我要增加一个用户头像上传的功能
AI 会问到项目中存在的问题，把所有疑问回答完后，需求就清楚了。
第二步：再说 /tdd 开始实现，AI 按测试驱动开发方式编写代码，每次只写一个测试。
第三步：遇到问题用 /diagnose，AI 用六阶段调试法帮你找到问题。
写在最后
这套技能适用于已经使用了 AI 编程工具但对代码质量有要求的开发者。它不能让 AI 写代码更快，但能让输出更稳定。通过强制需求对齐、测试驱动、调试流程，把 AI 编程从"碰运气"变成"有流程"。
项目基于 MIT 协议开放，