Matt Pocock Skills 完整使用教學：115K Stars 的 AI 編碼工程紀律系統，從安裝到實戰的 15 個技能全攻略

核心命題： 當大多數 AI 編碼技能教你「如何更快地寫出更多代碼」，Matt Pocock 的技能系統反其道而行——教你如何用工程紀律駕馭 AI，防止代碼庫變成一團泥。
數據： 115,000+ Stars · 10,000+ Forks · 2,700,000+ 總安裝次數 · 35 個技能 · 60,000+ Newsletter 訂閱者 · MIT License
方法論： 安裝實錄 → 15 個技能逐一剖析 → 8 個日常場景示範 → 完整工作流程建議

前言：「Skills for Real Engineers, Not Vibe Coding」

Matt Pocock 是 TypeScript 生態圈中無人不曉的名字——Total TypeScript 創始人、X 上 200K+ 追隨者的技術教育家。他的 TypeScript 課程被全球開發者視為聖經。

2026 年 2 月，他做了一件震撼 AI 編碼圈的事：把自己每天在 Claude Code 中使用的技能直接開源到 GitHub。短短 4 個月內，這個倉庫獲得了 115,000+ Stars，成為 skills.sh 生態中最受歡迎的技能集合。

他的核心理念直接寫在 README 中：

"Developing real applications is hard. Approaches like GSD, BMAD, and Spec-Kit try to help by owning the process. But while doing so, they take away your control."

這些技能的設計哲學是：小、易修改、可組合。 基於數十年軟體工程經驗，而非一時的 AI 炒作。

一、安裝過程實錄

1.1 一條命令安裝

npx skills@latest add mattpocock/skills

安裝程式會引導你完成三個步驟：

Step 1 — 選擇技能： 互動式多選介面，29 個技能可選。核心工程技能 14 個（強烈建議全選）：

技能	用途
`caveman`	Token 用量砍 75%，只留技術內容
`diagnose`	科學化 Debug 六階段循環
`grill-me`	深度需求拷問（非代碼場景）
`grill-with-docs`	需求拷問 + 建立共享語言文檔
`handoff`	生成 Agent 任務交接文檔
`improve-codebase-architecture`	代碼架構深化分析
`prototype`	一次性原型（終端 App 或 UI 多變體）
`setup-matt-pocock-skills`	⚙️ 初始化配置（其他技能的前置條件）
`tdd`	紅-綠-重構測試驅動開發
`to-issues`	PRD → 垂直切片 Issues
`to-prd`	對話上下文 → PRD → GitHub Issue
`triage`	Issue 狀態機分類管理
`write-a-skill`	創建新技能腳手架
`zoom-out`	系統層面鳥瞰代碼

Step 2 — 選擇 Agent 目標： 支援 71 個 Agent 平台，包括 Claude Code、Codex、Cursor、OpenClaw、Amp 等。

Step 3 — 安裝範圍： Project（當前目錄 .agents/skills/）或 Global（~/.agents/skills/）。

1.2 OpenClaw 相容性驗證

安裝後執行 openclaw skills check，全部 14 個技能被成功識別並載入：

✅ caveman
✅ diagnose
✅ grill-me
✅ grill-with-docs
✅ handoff
✅ improve-codebase-architecture
✅ prototype
✅ tdd
✅ to-issues
✅ to-prd
✅ triage
✅ write-a-skill
🔒 setup-matt-pocock-skills  (隱藏指令，可用)
🔒 zoom-out                  (隱藏指令，可用)

二、設計理念：解決 AI 編碼的四大失敗模式

Matt Pocock 將 AI 編碼的常見失敗歸納為四個核心問題，每個都對應一組技能：

2.1 失敗模式 A：認知偏差（Misalignment）

The Problem： 你以為 Agent 懂你的需求，結果它做出來的東西完全不是你想要的。

這是最常見的失敗模式。Matt Pocock 引用《The Pragmatic Programmer》的名言："No-one knows exactly what they want"——在 AI 時代，溝通鴻溝只會更大。

對應技能：

/grill-with-docs：最受歡迎的技能，深度拷問你的計劃
/grill-me：非代碼場景的同等功能

2.2 失敗模式 B：冗長輸出（Verbosity）

The Problem： Agent 用 20 個詞講 1 個詞的內容，Token 浪費嚴重。

對應技能：

/grill-with-docs 中建立的 CONTEXT.md（共享語言文檔）
/caveman：直接砍掉 75% Token 開銷

實例：

Before： "There's a problem when a lesson inside a section of a course is made 'real' (i.e. given a spot in the file system)"

After： "There's a problem with the materialization cascade"

九個字取代三十三個字。精準度不減。

2.3 失敗模式 C：代碼有 Bug（Broken Code）

The Problem： 有了需求共識，但 Agent 還是寫出無法運行的代碼——因為缺少反饋循環。

對應技能：

/tdd：紅-綠-重構循環
/diagnose：科學化 Debug

2.4 失敗模式 D：代碼變泥（Software Entropy）

The Problem： AI 加速了編碼，也加速了軟體熵增。代碼庫以前所未有的速度變得複雜且難以修改。

引用 Kent Beck 的名言："Invest in the design of the system every day."

對應技能：

/improve-codebase-architecture：找出深化機會
/zoom-out：系統層面理解代碼
/to-prd 中的模塊設計問答

三、核心技能深度詳解

3.1 `/grill-with-docs` — 最受歡迎的技能

這是整個技能集的皇冠明珠。它不只是一個需求對齊工具——它是一個共享語言的建立過程。

工作流程：

逐條拷問：一個問題接一個問題，等待你回答後才問下一個
術語精煉：當你使用模糊詞彙時，立即提出精確術語
代碼交叉驗證：當你描述系統行為時，檢查代碼是否一致
場景壓力測試：發明邊界案例來挑戰你
即時寫入文檔：
- CONTEXT.md：領域術語表（不包含實現細節）
- docs/adr/0001-xxx.md：架構決策記錄（滿足三個條件才創建）

實戰場景：

👤 你：/grill-with-docs 我要為 CSMS 加一個客戶服務到期自動提醒功能

🤖 AI（第一問）：你說「服務」——是指 Audit、Company Secretary、定係全部？
👤 你：全部五類服務都要

🤖 AI（第二問）：到期前多少天發送？你提到「30 天」——係工作日定係日曆日？
👤 你：日曆日，但可以配置

🤖 AI（第三問，檢查代碼後）：你的 `Service` model 已經有 `endDate` 欄位，
但冇 `reminderSent` 標記。如果同一服務觸發多次提醒會點？
👤 你：加個 reminderSent 標記，每項服務最多發一次

🤖 AI（第四問，寫入 CONTEXT.md）：我已將 "Service Reminder" 定義為
「服務到期前 N 個日曆日的自動通知事件」加入 CONTEXT.md。
現在確認：通知失敗（郵箱無效）點處理？

3.2 `/tdd` — 紅-綠-重構循環

核心原則： 測試應該通過公共接口驗證行為，而非測試實現細節。

好測試 vs 壞測試：

好測試 ✅	壞測試 ❌
「用戶可以用有效購物車結帳」	「`calculateTotal()` 返回預期數值」
通過 API 端點測試	Mock 內部協作者
重構後不失效	改內部函數名就掛

禁止水平切片：

❌ WRONG (horizontal):
  RED:   test1, test2, test3, test4, test5
  GREEN: impl1, impl2, impl3, impl4, impl5

✅ RIGHT (vertical):
  RED→GREEN: test1→impl1
  RED→GREEN: test2→impl2
  RED→GREEN: test3→impl3
  ...

實戰場景：

👤 你：/tdd 為 CSMS 的客戶搜索加上模糊匹配

🤖 AI（Plan）：接口：GET /api/clients?search=keyword → Client[]
測試範圍：精確匹配、模糊匹配、無結果、空搜索、特殊字符
確認以上？

👤 你：OK

🤖 AI（RED）：寫第一個測試——精確匹配 "ABC Company" → 返回該客戶
Test FAILED ❌（搜索端點尚未實現模糊匹配）

🤖 AI（GREEN）：在 Prisma query 加入 contains 條件
Test PASSED ✅

🤖 AI（RED）：寫第二個測試——模糊匹配 "abc" → 返回 "ABC Company"
Test FAILED ❌（大小寫敏感）

🤖 AI（GREEN）：加入 mode: 'insensitive'
Test PASSED ✅

🤖 AI（REFACTOR）：提取 searchQuery builder 為可復用模塊
All tests still PASSED ✅

3.3 `/diagnose` — 科學化 Debug 六階段

核心心法：Phase 1 佔 90% 功夫。 如果你有一個快速、確定性、Agent 可運行的 pass/fail 信號，bug 已經 90% 解決。

六階段流程：

階段	內容	關鍵原則
1. Build Feedback Loop	建立可重現的測試信號	花最多時間在這裡
2. Reproduce	確認能穩定重現	必須是用戶描述的同一 bug
3. Hypothesise	提出 3-5 個可證偽假設	每個必須陳述預測
4. Instrument	一次改一個變量	每次對應一個假設
5. Fix	修復	驗證回歸
6. Regression Test	回歸測試	加入測試套件

反饋循環的 10 種構建方式（按優先級排列）：

Failing test（單元/集成/E2E）
Curl / HTTP 腳本（對運行中的 dev server）
CLI 調用（固定輸入 vs 已知正確輸出）
無頭瀏覽器腳本（Playwright/Puppeteer）
重放捕獲的 trace
一次性測試套具
屬性/模糊測試循環（1000 次隨機輸入）
二分查找套具（git bisect run）
差分循環（新舊版本對比輸出）
HITL bash 腳本（最後手段，需要人工點擊）

實戰場景：

👤 你：/diagnose CSMS 儀表板加載超過 10 秒

🤖 AI（Phase 1）：建立反饋循環...
curl -w "@curl-format.txt" http://localhost:3000/api/dashboard
→ time_total: 12.3s

🤖 AI：循環已建立。現在讓它更快：
加了 --connect-timeout 5，排除 DNS 延遲。
→ time_total: 11.8s。不是 DNS 問題。

🤖 AI（Phase 2）：連續 5 次確認可重現。
→ 12.1s, 11.9s, 12.4s, 12.0s, 12.2s ✅ 穩定重現

🤖 AI（Phase 3）：假設排名：
1. N+1 query：Prisma 在 Dashboard query 中沒有 include 關聯
2. 大量數據：clients 表超過 10 萬行，無分頁
3. middleware 阻塞：Supabase Auth 每次請求都驗證 token
4. 前端渲染：Chart.js 在客戶端渲染大數據集
5. 外部 API 調用：Dashboard 可能依賴外部服務

🤖 AI（Phase 4）：先測試假設 #1...
加入 eager loading → 12.1s，沒改善。假設 #1 排除。
測試假設 #2...加 LIMIT 20 → 0.8s！瓶頸在無分頁大數據集。

3.4 `/improve-codebase-architecture` — 架構深化

核心概念：Deep Modules

Deep module = small interface, deep implementation（小接口，深實現）
Shallow module = interface nearly as complex as implementation（接口跟實現一樣複雜）

刪除測試（Deletion Test）：

假裝刪除這個模塊。如果複雜性消失 → pass-through（沒用）。
如果複雜性重新出現在 N 個調用者 → 它值得存在。

實戰場景：

👤 你：/improve-codebase-architecture

🤖 AI：正在探索代碼庫...（讀取 CONTEXT.md + ADRs）

發現 5 個候選重構機會：

1. [Strong] utils/formatters.ts
   問題：60 個純函數，但 40 個只用一次
   建議：合併到各自消費模塊

2. [Worth exploring] middleware 鏈
   問題：7 個中間件，但 auth 和 logging 緊耦合
   建議：拆分為獨立 adapter

3. [Speculative] API route handlers
   問題：每個 route 重複相同的 error handling pattern
   建議：提取為 wrapper

📄 HTML 報告已生成：/tmp/architecture-review-20260604.html

3.5 `/caveman` — Token 效率革命

規則： 砍掉冠詞、填充詞、客套話。代碼塊保持不變。技術準確度零損失。

持久性： 一旦觸發，持續生效直到說 /stop caveman。

實戰場景：

👤 你：/caveman
👤 你：CSMS Prisma schema 點加 soft delete？

🤖 AI：Add deletedAt DateTime? to model.
Middleware filter where deletedAt is null.
See Prisma docs client extensions.

（原本可能要 200 tokens → 現在 ~25 tokens，砍 87%）

四、完整工作流程建議

4.1 🚀 新功能開發標準流程

1️⃣  /grill-with-docs  →  對齊需求 + 建立共享語言 + ADR
2️⃣  /to-prd            →  自動合成 PRD → GitHub Issue
3️⃣  /to-issues         →  拆成垂直切片 Issues
4️⃣  /tdd               →  紅-綠-重構，逐個 Issue 實現
5️⃣  /improve-codebase-architecture → 每 2-3 天跑一次

4.2 🐛 Debug 流程

1️⃣  /diagnose          →  科學化診斷（不解釋、不靠直覺）
2️⃣  /tdd               →  用測試鎖定修復

4.3 🔄 接手舊代碼流程

1️⃣  /zoom-out          →  系統級鳥瞰
2️⃣  /grill-with-docs   →  建立領域語言
3️⃣  /improve-codebase-architecture → 找出重構機會

4.4 📋 日常管理流程

每朝：  /triage          →  整理新 Issues
每週：  /to-prd          →  將討論內容轉為正式規格
每週：  /improve-codebase-architecture → 架構健康檢查
必要時： /handoff         →  任務交接給另一個 Agent

五、與其他 AI 編碼方法論的對比

維度	Matt Pocock Skills	GSD / BMAD	Spec-Kit	Vibe Coding
控制權	🟢 開發者完全控制	🔴 流程由框架控制	🟡 共享控制	🔴 Agent 主導
可組合性	🟢 獨立技能自由組合	🔴 整體流程不可拆分	🟡 部分可拆分	🔴 無結構
學習曲線	🟡 需要工程基礎	🔴 需要學框架思維	🟡 中等	🟢 零學習
適用規模	🟢 任何規模	🟡 中大型項目	🟡 中大型項目	🔴 小型原型
長期維護	🟢 內建架構治理	🟡 取決於執行	🟡 取決於執行	🔴 必然技術債務
文檔產出	🟢 CONTEXT.md + ADR	🟡 框架文檔	🟢 Spec 文檔	🔴 通常無

六、給君澤智庫的應用建議

6.1 立即可用的場景

CSMS 開發： /grill-with-docs + /tdd 用於新功能開發
CS Management 系統： /improve-codebase-architecture 防止快速原型變泥
MemoryHub： /diagnose 排查性能問題
Agentics 網站： /to-prd + /to-issues 管理內容開發

6.2 建議建立的 CONTEXT.md

為每個活躍項目建立領域語言表：

項目	核心術語舉例
CSMS	Client, Service, Case, Compliance, Renewal
MemoryHub	Session, Observation, Consolidation, Dream, Capture
Sub2API	Channel, Pricing Rule, Model Pricing, Upstream

七、總結

Matt Pocock Skills 是 AI 編碼時代的 《The Pragmatic Programmer》——它不教你用 AI 更快地寫代碼，而是教你用工程紀律確保代碼質量。

核心價值：

共享語言（Shared Language） — 用領域術語取代廢話，讓 Agent 真正理解你的項目
反饋循環（Feedback Loops） — TDD + 診斷，確保代碼能運行
架構治理（Architecture Governance） — 持續深化代碼結構，防止腐化
流程標準化（Process Standardization） — PRD → Issues → TDD，可重複的工程流程

一句話總結： 這些技能不是為了取代軟體工程——而是確保在 AI 加速一切的時代，我們仍然在做真正的工程。

本文基於 mattpocock/skills v1.5.10 版本撰寫。
技能倉庫：https://github.com/mattpocock/skills
安裝指令：npx skills@latest add mattpocock/skills

前言：「Skills for Real Engineers, Not Vibe Coding」

一、安裝過程實錄

1.1 一條命令安裝

1.2 OpenClaw 相容性驗證

二、設計理念：解決 AI 編碼的四大失敗模式

2.1 失敗模式 A：認知偏差（Misalignment）

2.2 失敗模式 B：冗長輸出（Verbosity）

2.3 失敗模式 C：代碼有 Bug（Broken Code）

2.4 失敗模式 D：代碼變泥（Software Entropy）

三、核心技能深度詳解

3.1 `/grill-with-docs` — 最受歡迎的技能

3.2 `/tdd` — 紅-綠-重構循環

3.3 `/diagnose` — 科學化 Debug 六階段

3.4 `/improve-codebase-architecture` — 架構深化

3.5 `/caveman` — Token 效率革命

四、完整工作流程建議

4.1 🚀 新功能開發標準流程

4.2 🐛 Debug 流程

4.3 🔄 接手舊代碼流程

4.4 📋 日常管理流程

五、與其他 AI 編碼方法論的對比

六、給君澤智庫的應用建議

6.1 立即可用的場景

6.2 建議建立的 CONTEXT.md

七、總結

相關文章

Open Multi-Agent (OMA) 完整教學：從目標到 Task DAG 的 TypeScript 多 Agent 編排框架

SOP Non-Compliance in LLM Agents: Token-Efficiency Bias and the Cascade Failure Mode

Agent 記憶系統全景圖：2026 年五大方案深度對比

技能資訊

前言：「Skills for Real Engineers, Not Vibe Coding」

一、安裝過程實錄

1.1 一條命令安裝

1.2 OpenClaw 相容性驗證

二、設計理念：解決 AI 編碼的四大失敗模式

2.1 失敗模式 A：認知偏差（Misalignment）

2.2 失敗模式 B：冗長輸出（Verbosity）

2.3 失敗模式 C：代碼有 Bug（Broken Code）

2.4 失敗模式 D：代碼變泥（Software Entropy）

三、核心技能深度詳解

3.1 /grill-with-docs — 最受歡迎的技能

3.2 /tdd — 紅-綠-重構循環

3.3 /diagnose — 科學化 Debug 六階段

3.4 /improve-codebase-architecture — 架構深化

3.5 /caveman — Token 效率革命

四、完整工作流程建議

4.1 🚀 新功能開發標準流程

4.2 🐛 Debug 流程

4.3 🔄 接手舊代碼流程

4.4 📋 日常管理流程

五、與其他 AI 編碼方法論的對比

六、給君澤智庫的應用建議

6.1 立即可用的場景

6.2 建議建立的 CONTEXT.md

七、總結

相關文章

Open Multi-Agent (OMA) 完整教學：從目標到 Task DAG 的 TypeScript 多 Agent 編排框架

SOP Non-Compliance in LLM Agents: Token-Efficiency Bias and the Cascade Failure Mode

Agent 記憶系統全景圖：2026 年五大方案深度對比

技能資訊

3.1 `/grill-with-docs` — 最受歡迎的技能

3.2 `/tdd` — 紅-綠-重構循環

3.3 `/diagnose` — 科學化 Debug 六階段

3.4 `/improve-codebase-architecture` — 架構深化

3.5 `/caveman` — Token 效率革命