大家好，我是程序员鱼皮。
如今的 GitHub 真是太魔幻了，有个 AI 相关的项目，几乎全是 Markdown 文本文件，但是不到半年就拿到了 18 万 Star！
这个仓库叫 skills，作者 Matt Pocock 是前端 TypeScript 领域很有名的教育者，在 YouTube 上有大几十万粉丝。
他把自己日常用 AI 编程的工作方法总结成了一套技能，也就是一组可以直接装进 Claude Code、Codex 等 AI 编程工具里的指令集，然后开源了出来。
那么这套 Skills 到底有什么？为什么能受到这么大的欢迎？
这篇文章我就带大家揭秘这个仓库，看看怎么安装使用、里面有哪些值得学习的 AI 编程技巧。
点个收藏，咱们开始 🐟
Skills 仓库介绍
这个仓库的 Slogan 是「Skills for Real Engineers」，意思是这套东西不是给 Vibe Coding 氛围编程用的，而是给真正要做工程的人用的。
简单来说，这个仓库提供了一套 AI 编程的 标准操作流程。
用过 Claude Code 的同学应该知道，你可以通过写 CLAUDE.md 文件来告诉 AI 该怎么做事。但大多数人写的要么是一些零碎的注意事项，要么就是从网上抄来的通用提示词，效果一般。
Matt Pocock 做的事情是把真实的软件工程方法论，比如测试驱动开发、代码评审、领域建模这些，浓缩成一个个 Skill 文件。你装到自己的电脑上后，在 AI 编程工具里输入类似 /grill-me、/tdd 这样的斜杠命令，AI 就会按照对应的工程方法来工作，而不是像平时那样想到哪写到哪。
截止到我写这篇文章时，整个仓库里有大几十个 Skill 文件，其中正式推荐使用的有 22 个，剩下的是一些还在开发中的、作者个人专用的、以及已经废弃的。
这 22 个正式 Skill 分成两大类。
一类是工程类，包括测试驱动开发、代码评审、Bug 诊断这些跟写代码直接相关的；另一类是生产力类，比如头脑风暴、上下文交接，甚至还有一个让 AI 教你学东西的。
下面我先教大家怎么把这些 Skill 装到自己的项目里，然后再挑几个最实用的详细讲讲。
30 秒快速使用
这个仓库的安装很简单，打开终端，输入一行命令就能搞定：
npx skills@latest add mattpocock/skills
运行之后它会让你选想要哪些 Skill，以及装到哪个 AI 编程工具里。选完之后，对应的 Skill 文件会被复制到你的项目目录或者 AI 工具的本地配置目录（比如 ~/.claude/skills/）。
建议选上 /setup-matt-pocock-skills 这个初始化 Skill，装完后在 AI 编程工具里运行一次，比如我在 Claude Code 中运行：
AI 会问你几个问题来适配你的项目。比如用什么工具来管理 Issue、项目文档保存在哪个目录。
我这里为了简单，选择了用本地 Markdown 文件来管理 Issue，文档保存在默认的 docs/ 目录下，规则保存到 CLAUDE.md 文件中。
如果你不想手动管理这些安装到项目里的 Skill 文件，也可以用 Claude Code 的插件方式来安装，这样它会自动保持最新版本，不过就不能自己修改了。
装好之后，接下来我带大家看看这个仓库里最实用的几个 Skill。
/grill-me 需求拷问
这是整个仓库最火的一个 Skill，也是 Matt Pocock 本人反复推荐的。
它的作用是让 AI 反过来对你进行「灵魂拷问」，帮你在让 AI 写代码之前把需求和设计想清楚。
但是，它的核心内容加起来竟然只有 3 句话！
翻译过来大概是这样的：
针对我的计划或设计，一个问题一个问题地追问我，直到我们达成共识。沿着决策树的每个分支走下去，逐个解决分支之间的依赖关系。每个问题要给出你的推荐答案。
每次只问一个问题，等我回答完再问下一个。一次抛出一堆问题会让人不知所措。
能通过查看环境（文件系统、工具等）找到的事实，直接去查，不用问我。但决策是我来做的，每个决策都要等我拍板。
没错，就是这么简单粗暴。
但实际用起来后，你会发现效果确实很牛 X。
有用户分享说，他第一次用 /grill-me 的时候，AI 一口气问了 38 个问题。等问完之后，他发现很多自己之前根本没想到的设计细节都被 AI 逼着想清楚了。
其实对我们程序员来说，这个思路并不新鲜，有点像「小黄鸭调试法」，就是通过把你的想法讲给别人听，来帮助自己发现问题。只不过以前这只鸭子不会说话，现在 AI 这只鸭子能够刁难你了。
而且 /grill-me 的设计有一个很关键的细节，它要求 AI 一次只问一个问题，等你回答了再问下一个。这样可以避免 AI 一下子抛出一堆问题让你不知所措的情况，整个对话体验会更像一场真正的需求评审。
如果你在做的是一个有代码仓库的项目，可以用升级版的 /grill-with-docs 技能。它在拷问你的同时，还会把讨论过程中确定下来的术语和决策记录到 CONTEXT.md 和架构决策记录文件里，给你的项目建一份专属术语表。
这个术语表有什么用呢？
大家应该都有过这种经历，每次跟 AI 描述项目里某个操作的时候，都要写一大段话来解释，因为 AI 并不了解你们项目内部的叫法。
Matt Pocock 的做法是在 CONTEXT.md 里提前定义好这些术语。比如他自己有个课程管理项目，针对「把课程章节中的某节课创建到文件系统」这个操作，他定义了一个术语叫「物化级联」，之后跟 AI 沟通的时候只需要说这个词，AI 就知道他在说什么了。
因为 AI 每次对话都会读 CONTEXT.md，所以这些术语积累得越多，AI 对项目的理解就越精准，沟通也越来越高效。
/tdd 测试驱动开发
大家有没有遇到过这种情况？
当你要求 AI 用测试驱动的方式来开发时，它会一口气先把所有测试写完，然后再写所有代码。
这种方式看起来效率很高，但实际上有个很坑的问题。
AI 在写测试的时候，代码还不存在，所以它只能靠想象来设计测试的结构。等真正开始写代码的时候，实际的 API 可能跟它想象的完全不一样，结果就是一堆测试要推倒重写。
/tdd 这个 Skill 就是来解决这个问题的。它强制 AI 用「垂直切片」的方式来工作，也就是先写一个测试让它失败 ❌，然后只写刚好能让这个测试通过的代码 ✅，通过之后再写下一个测试。这就是经典的 Red-Green-Refactor 循环，一次只走一小步，每一步都是实打实验证过的。
除了循环本身，这个 Skill 里还有几条值得注意的规则。
比如它要求 只在预先商定的接缝处测试。所谓接缝（Seam）就是代码的公开接口，比如一个函数的入参和返回值。在写任何测试之前，AI 会先跟你确认在哪些接缝处写测试，而不是到处乱写，这样测试的覆盖重点才能落在真正重要的地方。
另外这个 Skill 还列出了几种 AI 写测试时容易犯的反模式，相当于给 AI 定了规矩，一旦发现自己写出了这类测试就必须改掉。
最典型的一种叫「同义反复测试」，就是把被测代码的逻辑在测试里重新写一遍，比如 expect(add(a, b)).toBe(a + b)，这样的测试永远都能通过，毫无意义。
正确的做法是用独立的数据源来做期望值，比如一个确定的字面量、一个手工算好的例子。
对于团队项目来说，让 AI 按照 TDD 的方式来写代码，代码质量会有明显的提升。
/diagnosing-bugs Bug 诊断
遇到 Bug 的时候，很多人的第一反应都是先看代码，猜一个可能的原因然后试着改。AI 也是这样的，大家应该有过这种经历，让 AI 修 Bug，结果它改了半天越改越乱。
Matt Pocock 认为问题的根源在于 AI 跳过了最关键的一步，就是先建立一个 能稳定重现 Bug 的反馈循环。
什么叫反馈循环呢？
简单来说就是一条能稳定重现 Bug 的命令。可以是一个会失败的测试用例、一个 curl 请求、甚至一个 Playwright 浏览器自动化脚本，只要能一键运行并且明确告诉你 Bug 到底有没有触发就好。
/diagnosing-bugs 这个 Skill 把 Debug 过程拆成了 6 个阶段，其中「建立反馈循环」是第一步，也是整个流程的核心。
在这步完成之前，AI 不允许跳到「猜原因」的阶段。如果 AI 在还没有一条能重现 Bug 的命令的时候就开始分析代码，Skill 会直接打断它。
等有了一条稳定重现的命令之后，接下来的步骤就比较常规了。最小化重现场景、提出假设并逐一验证、修复并写回归测试。
这个思路跟 Cursor 内置的 Debug 模式有点异曲同工。Cursor 的 Debug 模式也是先通过自动检测和分析错误来定位问题，而不是让 AI 上来就瞎猜和乱改。
不过 /diagnosing-bugs 更偏向于流程规范，它用一套严格的分阶段方法来约束 AI 的调试行为。先让 AI 建一个靠谱的重现方式，后面的修复效率反而会高很多。
/teach AI 辅助学习
前面几个 Skill 都跟写代码有关，但这个仓库里还有一些通用的生产力工具。比如 /teach 技能，作用是让 AI 变成你的私人教师。
按照作者 /grill-me 技能的尿性，我以为这个 Skill 也就几句话，比如我自己经常写的：
用傻子都能懂的语言，帮我学习 XX 知识点，通过联网搜索获取最新信息
但其实，这个技能不只是让 AI 给你讲个知识那么简单，它背后有一套相当完整的教学方法论。
当你运行 /teach 并告诉 AI 你想学什么之后，AI 会先问你为什么想学这个东西？
然后 AI 会把你的学习目标记录到一个叫 MISSION.md 的文件里。
接着它会去搜索高质量的学习资源，整理成 RESOURCES.md 资源文件。
最后基于收集到的资源给你设计课程，每堂课是一个精美的 HTML 文件，保存在 lessons/ 目录下。
值得一提的是，AI 会区分「流畅度」和「存储强度」这两种学习效果。流畅度就是你当场能回忆起来的感觉，但这不代表你真的记住了。存储强度才是真正的长期记忆。所以它会刻意设计有一定难度的练习，用间隔重复和交错练习等方法来帮你加深记忆，而不是让你产生「我已经学会了」的错觉。
还有个很妙的设计是「最近发展区」，这是教育学里的经典理论。AI 会根据你之前的学习记录来判断你现在的水平，然后设计刚好超出你能力一点点的课程内容，不会太简单让你感到无聊，也不会太难让你放弃。
而且你的所有学习过程都被保存在当前目录下，下次打开同一个目录继续学的时候，AI 就能接着上次的进度来，有种 AI 时代的个性化教育的感觉。
/wayfinder 大项目规划
这个 Skill 专门解决一个问题：当项目大到一个 AI 对话装不下的时候，该怎么办？
用过 AI 编程的同学应该都有感受，如果你强行在一个很长的对话里完成所有事情，AI 的思考质量会随着上下文变长而明显下降。Matt Pocock 把 AI 表现最好的上下文范围叫做「智能区间」，大概在 120K tokens 以内。
/wayfinder 的做法是把一个大需求拆成一张「决策地图」。当你面对一个大而模糊的需求时，AI 会先跟你一起把最终目标定义清楚，然后在 Issue 管理工具里创建一张地图，上面列出需要做的一系列决策，每个决策是一个独立的 Issue。
这些决策之间有依赖关系，所以它会自动标注哪些可以先做、哪些要等前置决策完成才能开始。
每次你打开一个新的 AI 对话来处理一个决策的时候，上下文都是干净的，不会被之前的内容污染。
这个思路其实跟企业开发中的「模块化」很像，把一个大项目拆成多个模块分给不同的开发者，每个人只需要关注自己负责的部分。
这里面还有一个很有趣的设计叫「战争迷雾」，就像游戏里没探索过的地图区域一样。你现在能看到的决策只是一部分，随着前面的决策逐步完成，后面的决策才会逐渐清晰起来。这样可以避免一开始就过度规划那些还想不清楚的事情。
不过这个 Skill 的门槛相对比较高，更适合有一定工程经验的开发者来使用。如果你的项目规模不大，前面提到的 /grill-me 就够用了。
/improve-codebase-architecture 代码架构改进
除了日常的开发流程，Matt Pocock 还建议每隔几天就跑一次 /improve-codebase-architecture 技能，相当于定期给代码做一次体检。它会深度扫描你的代码库，找出那些结构上可以优化的地方。
代码扫描完成后，AI 会生成一个可视化的 HTML 报告，而不是枯燥的文字。报告里用 Tailwind 美化样式、用 Mermaid 画架构图，每个优化建议都是一张卡片，上面写着涉及的文件、当前的问题、建议的改进方案，还有改进前后的对比图。
每个建议还会标注推荐程度，有些是强烈推荐的，有些是值得探索的，有些只是试探性的。你选一个感兴趣的之后，它就会启动一轮新的 grilling 对话来跟你讨论具体怎么改。
这个 Skill 背后的核心理念来自《A Philosophy of Software Design》这本书。打个比方，一个好的模块就像微波炉，你只需要按几个按钮就能加热食物，内部的电磁波原理完全不用管。这种叫做「深」模块，接口简单，实现复杂。
但如果一个模块用起来跟自己写一个差不多费劲，那就是「浅」模块了。这个 Skill 要找的就是代码库里那些「浅」模块，帮你把它们变成「深」模块。
/handoff 上下文交接
大家用 AI 编程的时候应该都遇到过这个问题：在一个对话里讨论了很多内容，积累了大量上下文，但是要开一个新对话的时候，之前的所有讨论就全丢了。
虽然可以手动复制粘贴，但是比较麻烦，还容易遗漏关键信息。
/handoff 技能就是来解决这个问题的。在你当前对话结束前，它会让 AI 把整个对话的核心内容压缩成一份交接文档，保存成一个 Markdown 文件。
下次开新对话的时候，只要让 AI 读一下这个文件，它就能接着上次的进度继续工作。
这个交接文档还会标注建议在新对话中使用哪些 Skill，并且会自动去除敏感信息，比如 API 密钥之类的。
这样一来，多轮对话之间可以无缝协作了。
最后
学习完这个仓库后，我感受最深的一点是，这些 Skill 本质上不是提示词技巧，而是把经典的软件工程方法论封装成了 AI 能执行的格式。
像测试驱动开发、领域建模、架构评审，这些理念在软件工程领域已经存在了二十多年，但以前你得靠团队协作和代码评审来落地，现在通过 Skill 文件就能让 AI 自动按照这些方法来工作。
而且通过这个仓库，你会发现，AI 时代做开源从未如此简单！
Matt Pocock 本质上就是把自己电脑里 .agents 目录下的工作方法分享了出来，然后持续迭代打磨，就成了十几万 Star 的项目。也许你也可以把自己积累的 AI 编程工作流或提示词模板整理一下开源出来，持续优化，说不定也能帮到很多人。
果然，行动才是第一生产力。
我是鱼皮，持续分享 AI 编程干货。觉得有用的话记得点赞收藏和关注~
也欢迎在评论区聊聊：你有用过这些技能么？你在 AI 编程时，有哪些好用的方法和技能推荐？