一週新增 3 萬 Star 的 Skills 長什麼樣？
整理版優先睇
呢套 Skills 唔係普通 prompt，而係可執行 SOP，將 AI 變成嚴謹工程師
呢篇文章介紹咗 GitHub 上一個爆紅嘅代碼庫 mattpocock/skills，短短三個月攞咗超過 5.3 萬星。作者 Matt Pocock 係一位知名嘅 TypeScript 教育家，佢話呢個唔係複雜框架，而係佢日常積累嘅智能體技能（Agent Skills）。呢套嘢爆紅背後，揭示咗一個殘酷真相：AI 編程嘅瓶頸唔再係智商，而係工程紀律。
Matt 嘅 SKILL.md 唔係普通 prompt 集合，而係一套可執行嘅標準作業程序（Executable SOPs），將 AI 由「聊天夥伴」變成「嚴謹工程師」。佢哋透過狀態化（Stateful）、垂直切片（Vertical Slicing）同項目記憶（Project Memory）重建工程閉環。核心技能包括 /grill-me、/diagnose、/tdd、/improve-codebase-architecture、/triage 等，每項都針對特定工程問題。
呢套系統令 AI 學會剋制，例如 /caveman 技能犧牲寒暄省 75% Token，體現通訊紀律。佢強調確定性係最稀缺嘅資源，開發者要將工程洞察轉化為可執行工作流。安裝只需一行命令，但必先執行 /setup-matt-pocock-skills 寫入工程契約。整體結論係：最核心嘅競爭力係將深刻工程洞察轉化為智能體可執行嘅確定性工作流。
- 呢套 Skills 核心係將 AI 由聊天夥伴轉變為嚴謹工程師，透過可執行 SOP 確保確定性同可維護性。
- 方法包括狀態化（setup 技能建立契約）、垂直切片（以 tracer bullets 交付端到端功能）同項目記憶（CONTEXT.md 同 ADR）。
- 差異在於唔係隨意 prompt，而係系統化工程紀律，例如 /caveman 犧牲寒暄省 Token，強調通訊紀律。
- 啟發：AI 編程嘅瓶頸唔再係模型智能，而係能否將工程紀律轉化為智能體執行嘅步驟。
- 可行動點：用 npx skills@latest add mattpocock/skills 安裝後，立即執行 /setup-matt-pocock-skills 寫入工程契約，再逐步運用各項技能。
mattpocock/skills GitHub 倉庫
包含全套 Agent Skills 嘅 SKILL.md 檔案，超過 5.3 萬星
告別玄學編程：工程系統嘅核心
呢套 Skills 爆紅背後，講出一個殘酷真相：AI 編程嘅瓶頸唔再係智商，而係工程紀律。
將 AI 由聊天夥伴轉變為嚴謹工程師
Matt 嘅 SKILL.md 唔係普通 prompt，而係一套可執行嘅標準作業程序（Executable SOPs）。佢透過三個方式重建工程閉環：
- 狀態化（Stateful）：通過 setup 技能建立倉庫特定嘅「契約」，明確 Issue Tracker 規範同領域文檔佈局。
- 垂直切片（Vertical Slicing）：摒棄按技術層級拆分，強制 AI 以「示蹤彈」（Tracer Bullets）交付完整端到端路徑。
- 項目記憶（Project Memory）：將決策沉澱為 CONTEXT.md 同 ADR（架構決策記錄），唔再依賴上下文緩存。
核心技能硬核拆解
/grill-me 同 /grill-with-docs 唔單止係質詢工具，仲會將對話煉成資產。/grill-me 挑戰你嘅設計方案，/grill-with-docs 則將每個共識實時更新入 CONTEXT.md，令對話過程變成文檔生長。
/grill-me 會挑戰你嘅設計方案
/grill-with-docs 將共識即時寫入 CONTEXT.md
/diagnose 同 /tdd 建立確定性嘅 pass/fail 信號。/diagnose 嘅精髓係確定性，/tdd 強制執行垂直切片嘅「紅-綠-重構」循環，防止 AI 寫出淺層代碼。
/diagnose 建立確定性 pass/fail 信號
/tdd 強制紅-綠-重構循環
/improve-codebase-architecture 基於 Deep Modules 概念，通過「刪除測試」識別淺層模塊，利用領域語言尋找真正縫隙，提升代碼局部性同槓桿率。
/improve-codebase-architecture 基於 Deep Modules
刪除測試識別淺層模塊
/triage 同 /to-issues 將問題處理轉變為狀態機，AGENT-BRIEF.md 定義耐用任務交接標準，確保 AFK Agent 可獨立完成工作。
/triage 將問題處理變成狀態機
AGENT-BRIEF.md 定義任務交接標準
工程師點解咁關注？同埋快速上手
當 AI 編程進入深水區，開發者要管理持續演進嘅代碼庫，確定性變成最稀缺嘅資源。Matt 嘅系統令 AI 學會剋制，例如 /caveman 技能犧牲寒暄省 75% Token，體現通訊紀律。
/caveman 犧牲寒暄省 75% Token
安裝好簡單，一條命令就得：
npx skills@latest add mattpocock/skills注意：安裝後必先執行 /setup-matt-pocock-skills。呢步會寫入倉庫嘅「工程契約」，明確 Issue 追蹤習慣同領域文檔位置，係所有後續工程化技能嘅前提。
必先執行 /setup-matt-pocock-skills
核心競爭力：將工程洞察轉化為確定性工作流
AI 重新定義咗「點樣寫 code」，但從未改變「軟件工程」。呢套技能庫嘅成功話畀我哋知：最核心嘅競爭力，係將深刻嘅工程洞察轉化為智能體可執行嘅確定性工作流。
將工程洞察轉化為確定性工作流
唔夠三個月，有個叫 mattpocock/skills 嘅代碼庫喺 GitHub 上攞到超過 5.3 萬粒星。
佢唔係啲乜嘢劃時代嘅模型，亦都唔係複雜嘅框架。正如作者 Matt Pocock 所講，呢個只係佢日常積累嘅一組智能體技能（Agent Skills）。但佢嘅爆紅揭示咗一個殘酷嘅真相：AI 編程嘅瓶頸早已經唔喺智商，而係喺工程紀律。
01 告別「玄學編程」嘅工程系統
而家 AI 編程（Agentic Coding）爆發咁滯，好多人仲喺度玩「Vibe Coding」（憑感覺寫代碼）。但真正嘅軟件工程需要嘅係確定性、可維護性同狀態感知。
Matt 呢套 SKILL.md 唔係簡單嘅 Prompt 集合，而係一套可執行嘅標準作業程序（Executable SOPs）。佢哋將 AI 從一個「聊天夥伴」轉變為一個「嚴謹嘅工程師」，通過以下方式重建工程閉環：
- 狀態化（Stateful）
：透過 setup 技能建立倉庫特定嘅「契約」，明確 Issue Tracker 規範同領域文檔佈局。 - 垂直切片（Vertical Slicing）
：摒棄按技術層級拆分嘅舊習，強制 AI 以「示蹤彈」（Tracer Bullets）嘅方式交付完整嘅端到端路徑。 - 項目記憶（Project Memory）
：唔再依賴上下文緩存，而係將決策沉澱為 CONTEXT.md 同 ADR（架構決策記錄）。
02 核心技能嘅硬核拆解
/grill-me & /grill-with-docs：將對話煉成資產
呢個唔單止係簡單嘅質詢。/grill-me 會挑戰你嘅設計方案，而 /grill-with-docs 就進一步要求將每個共識實時更新入 CONTEXT.md。如果你定義嘅術語同已有領域模型衝突，佢會立即警告。佢令對話過程變成了項目文檔嘅生長過程。
/diagnose & /tdd：嚴謹嘅反饋迴路
/diagnose 嘅精髓在於：建立確定性嘅 pass/fail 信號。而 /tdd 技能就強制執行垂直切片嘅「紅-綠-重構」循環，防止 AI 編寫脱離實際、難以維護嘅「淺層代碼」。
/improve-codebase-architecture：追求深度
基於《軟件設計哲學》入面嘅 Deep Modules 概念。佢唔進行隨機重構，而係透過「刪除測試」嚟識別淺層模塊，利用領域語言尋找真正嘅縫隙（Seams），從而提升代碼嘅局部性同槓桿率。
/triage & /to-issues：面向 AFK 嘅工作流
佢將問題處理轉變為狀態機。AGENT-BRIEF.md 定義咗耐用嘅任務交接標準，確保一個脱離人類幹預嘅（AFK）Agent 能夠憑藉完整嘅上下文獨立完成工作。
03 點解工程師都睇緊佢？
當 AI 編程進入深水區，開發者唔再滿足於生成一個簡單嘅組件，而係要管理一個持續演進嘅代碼庫。此時，確定性變成咗最稀缺嘅資源。
Matt 嘅系統令 AI 學會咗剋制。例如 /caveman 技能透過犧牲寒暄嚟節省 75% 嘅 Token，但呢個唔單止係慳錢，更加係一種「通訊紀律」。佢令工程師能夠好似指揮一支高級技術團隊咁，按章辦事，而唔係每次都喺度求 AI「幫幫忙」。
04 快速上手
只需要一行命令，就可以將呢套工程底座注入你嘅智能體：
npx skills@latest add mattpocock/skills注意：安裝後必須先執行 /setup-matt-pocock-skills。呢步操作會寫入該倉庫嘅「工程契約」，明確 Issue 追蹤習慣同領域文檔位置。呢個係所有後續工程化技能得以執行嘅前提。
寫喺最後
AI 正在重新定義「如何寫代碼」，但佢從未改變過「軟件工程」。
呢套技能庫嘅成功話畀我哋知：最核心嘅競爭力，係將深刻嘅工程洞察轉化為可以被智能體執行嘅確定性工作流。
📌 項目地址（Star 53.5k+）：
https://github.com/mattpocock/skills
不到三個月，一個名為 mattpocock/skills 的代碼庫在 GitHub 上斬獲了超過 5.3 萬顆星。
它並不是什麼劃時代的模型，也不是複雜的框架。正如作者 Matt Pocock 所言，這只是他日常積累的一組智能體技能（Agent Skills）。但它的爆火揭示了一個殘酷的真相：AI 編程的瓶頸早已不在智商，而在工程紀律。
01 告別“玄學編程”的工程系統
在 AI 編程（Agentic Coding）爆發的今天，很多人還在玩“Vibe Coding”（憑感覺寫代碼）。但真正的軟件工程需要的是確定性、可維護性和狀態感知。
Matt 的這套 SKILL.md 並不是簡單的 Prompt 集合，而是一套可執行的標準作業程序（Executable SOPs）。它們將 AI 從一個“聊天夥伴”轉變為一個“嚴謹的工程師”，通過以下方式重建工程閉環：
- 狀態化（Stateful）
：通過 setup 技能建立倉庫特定的“契約”，明確 Issue Tracker 規範和領域文檔佈局。 - 垂直切片（Vertical Slicing）
：摒棄按技術層級拆分的舊習，強制 AI 以“示蹤彈”（Tracer Bullets）的方式交付完整的端到端路徑。 - 項目記憶（Project Memory）
：不再依賴上下文緩存，而是將決策沉澱為 CONTEXT.md 和 ADR（架構決策記錄）。
02 核心技能的硬核拆解
/grill-me & /grill-with-docs：將對話煉成資產
這不只是簡單的質詢。/grill-me 會挑戰你的設計方案，而 /grill-with-docs 則進一步要求將每個共識實時更新進 CONTEXT.md。如果你定義的術語與已有領域模型衝突，它會立即警告。它讓對話過程變成了項目文檔的生長過程。
/diagnose & /tdd：嚴謹的反饋迴路
/diagnose 的精髓在於：建立確定性的 pass/fail 信號。而 /tdd 技能則強制執行垂直切片的“紅-綠-重構”循環，防止 AI 編寫脱離實際、難以維護的“淺層代碼”。
/improve-codebase-architecture：追求深度
基於《軟件設計哲學》中的 Deep Modules 概念。它不進行隨機重構，而是通過“刪除測試”來識別淺層模塊，利用領域語言尋找真正的縫隙（Seams），從而提升代碼的局部性和槓桿率。
/triage & /to-issues：面向 AFK 的工作流
它將問題處理轉變為狀態機。AGENT-BRIEF.md 定義了耐用的任務交接標準，確保一個脱離人類干預的（AFK）Agent 能夠憑藉完整的上下文獨立完成工作。
03 為什麼工程師都在關注它？
當 AI 編程進入深水區，開發者不再滿足於生成一個簡單的組件，而是要管理一個持續演進的代碼庫。此時，確定性成了最稀缺的資源。
Matt 的系統讓 AI 學會了剋制。比如 /caveman 技能通過犧牲寒暄來節省 75% 的 Token，但這不僅是省錢，更是一種“通訊紀律”。它讓工程師能夠像指揮一支高級技術團隊一樣，按章辦事，而非每次都在求 AI “幫幫忙”。
04 快速上手
只需一行命令，即可將這套工程底座注入你的智能體：
npx skills@latest add mattpocock/skills注意：安裝後必須先運行 /setup-matt-pocock-skills。這步操作會寫入該倉庫的“工程契約”，明確 Issue 追蹤習慣和領域文檔位置。這是所有後續工程化技能得以運行的前提。
寫在最後
AI 正在重新定義“如何寫代碼”，但它從未改變過“軟件工程”。
這套技能庫的成功告訴我們：最核心的競爭力，是將深刻的工程洞察轉化為可被智能體執行的確定性工作流。
📌 項目地址（Star 53.5k+）：
https://github.com/mattpocock/skills