學習筆記

TL;DR

隨著AI模型推理能力增強，選擇AI編程工作流應根據模型強度與對生成內容的把控需求，強模型宜選擇 MattPocock-Skills 讓其自行推理，弱模型或需嚴格審核時則可選 SuperPers 提供的詳細計畫。

快速結論

隨著AI模型推理能力的顯著提升，我們與模型的互動方式也應隨之演變，從過去提供大量過程細節轉變為僅定義目標與條件，讓模型自行推理。在此背景下，SuperPers 和 MattPocock-Skills 這兩款流行的AI編程工作流，其技能設計理念與適用情境各有不同，因此選擇何者需考量模型強度。

MattPocock-Skills 旗下的技能如 2-SPAC 更適配強大的AI模型（如 GPT-5.0, KVMK3），它鼓勵使用者提供高層次的產品需求文件（PRD），讓模型自主完成細節的推理與實現。這種方式能避免因提供過多不必要的過程細節而限制模型的推理效果，同時減少 token 消耗，提升效率。

反之，SuperPers 旗下的 RaggingPremence 技能則傾向於生成包含大量程式碼或接口的極詳細計畫。這對於模型推理能力較弱的情況能提供更明確的引導與幫助，同時也適用於那些需要開發者團隊對AI生成代碼進行前期嚴格審核與把控的業務流程，確保關鍵邏輯符合要求。

綜觀而言，最佳的實踐並非簡單二選一，而是應根據自身的業務流程、團隊協作模式以及所使用的AI模型實際能力，客製化一套從需求對齊到最終提交的完整工作流。這樣不僅能靈活控制與修改流程，也能最大化AI工具的效益，使其更好地融入現有開發體系。

這支影片在說什麼

這支影片比較了兩種流行的AI編程工作流：SuperPers 和 MattPocock-Skills，解釋了它們在功能上的相似性與核心差異。影片主要探討在AI模型能力日益強大的背景下，如何根據模型強度及對開發流程的把控需求，選擇最合適的工作流。它旨在幫助AI編程工作者理解模型發展趨勢對提示詞的影響，並據此做出工具選擇，解決在實際使用中「應該選擇誰」的問題。

最重要的 3-5 個重點

1. AI模型發展改變提示詞策略： 隨著AI模型推理能力增強，提示詞應從提供詳細過程細節轉變為聚焦目標與條件，讓模型自行推理。若在強模型仍提供過多細節，反而會限制其推理效果並增加消耗。
2. 需求對齊技能的問答方式差異： MattPocock-Skills 的 Goal-Visor-S 適合模糊想法，透過多分支提問形成共享理解；SuperPers 的 Plan Storm 則適合需求明確，採用蘇格拉底式層層追問。兩者最終產出文件差異不大，但 MattPocock-Skills 對模糊需求的覆蓋更全面。
3. 寫計畫技能是核心區別： MattPocock-Skills 的 2-SPAC 產出高層次的 PRD 文件，描述「要做什麼」，適合強模型自行推理；而 SuperPers 的 RaggingPremence 則產出包含大量程式碼或接口的極詳細計畫，雖可能限制強模型推理，但適合弱模型或需提前嚴格審核的場景。
4. 選擇工作流的關鍵準則： 應根據所使用的AI模型強度（強模型如 GPT-5.0/KVMK3 建議 MattPocock-Skills；弱模型建議 SuperPers）以及團隊對AI生成內容的把控需求（允許模型推理 vs. 需提前審核）來做出選擇。
5. 客製化工作流為最佳策略： 最推薦的做法是根據自身的業務流程和團隊需求，客製化一套從需求對齊到最終提交的完整AI編程工作流，以實現最佳控制和彈性。

知識架構

• I. AI模型發展與提示詞演變
  • A. 模型發展趨勢： 推理能力增強，支援更長任務。
  • B. 提示詞變化：
    • 弱模型： 需提供具體、想像的過程細節。
    • 強模型： 僅需關注「目標」與「條件」，讓模型自行推理細節。
  • C. 影響： 強模型接收過多過程約束會導致「擁塞」，限制推理效果。
• II. 兩大AI編程工作流介紹
  • A. *

SuperPers：* GitHub stars 258K。 * B. MattPocock-Skills： GitHub stars 1800K (近期竄紅)。 * C. 相似流程： 需求對齊 -> 寫計畫 -> 拆分 -> 執行 -> 驗收 -> 提交/發布。

• III. 核心技能深度比較
  • A. 需求對齊 (Requirement Alignment) 技能
    • 1. MattPocock-Skills (Goal-Visor-S)：
      • 方式：拆分多個分支（主體、狀態、售後）進行問答。
      • 產出：共享理解與領域詞彙。
      • 適用：模糊想法，需求數量不全。
    • 2. SuperPers (Plan Storm)：
      • 方式：蘇格拉底式提問，針對當前代碼或需求一層層追問。
      • 產出：總結文件。
      • 適用：需求比較明確。
    • 3. 小結： 都依賴模型能力，問答方式不同，產出結果差異不大。
  • B. 寫計畫 (Plan Writing) 技能 (最大區別)
    • 1. MattPocock-Skills (2-SPAC)：
      • 方式：將對話總結為 PRD (產品需求文件)。
      • 內容：問題、結構、用戶故事（文字描述），結構定義、驗證/測試條件，不含具體代碼。
      • 適用：強模型（讓模型自行推理，避免限制與 token 消耗）。
    • 2. SuperPers (RaggingPremence)：
      • 方式：根據頭腦風暴結果，寫出極詳細計畫。
      • 內容：包含大量程式碼或接口。
      • 適用：弱模型（提供詳細幫助）；需提前把控/審核AI生成代碼。
    • 3. 小結： 產出內容差異巨大，影響模型利用效率與人工審核需求。
• IV. 工作流選擇策略
  • A. 依模型強度：
    • 強模型 (e.g., GPT-5.0, KVMK3)： 建議 MattPocock-Skills (尤其 2-SPAC)。
    • 弱模型： 建議 SuperPers (尤其 RaggingPremence)。
  • B. 依把控需求：
    • 允許模型自行推理細節： MattPocock-Skills。
    • 需提前把控或小組審核： SuperPers。
  • C. 最佳實踐： 根據自身業務流程客製化從需求對齊到提交的完整工作流。

關鍵概念

• SuperPers: 一個在GitHub上有258K stars的AI編程工作流，其技能設計傾向於提供較為詳細的過程和計畫。
• MattPocock-Skills: 一個近期快速竄紅的AI編程工作流，GitHub上有1800K stars，其技能設計更適應強大AI模型的自主推理能力。
• 推理能力 (Inference Capability): AI模型根據輸入資訊進行邏輯判斷、推導並得出結論的能力。模型越強，其自行推理複雜細節的能力越高。
• 提示詞 (Prompts): 使用者輸入給AI模型的需求、指令或對話內容，用來引導AI執行任務。
• Goal-Visor-S (MattPocock-Skills 技能): MattPocock-Skills 中的需求對齊技能，它會將模糊的需求拆分成多個分支（如主體、狀態、售後）進行問答，以形成共享的理解和詞彙。
• **Plan Storm (SuperPers

技能):** SuperPers 中的需求對齊技能，採用蘇格拉底式提問，針對當前代碼或需求文件進行一層層的追問以明確細節。

• 2-SPAC (MattPocock-Skills 技能): MattPocock-Skills 中的寫計畫技能，它會將對話內容總結成一種高層次的 PRD (產品需求文件) 形式，主要描述「要做什麼」及驗證條件，不包含具體程式碼細節。
• RaggingPremence (SuperPers 技能): SuperPers 中的寫計畫技能，它根據頭腦風暴的結果，生成一份包含大量程式碼或接口的極其詳細的計畫。
• PRD (Product Requirement Document): 在 MattPocock-Skills 的語境中，指的是一種較為高層次的計畫文件，用於描述問題、結構、用戶故事和驗證條件，而不是具體的實現代碼。
• Token 消耗 (Token Consumption): AI模型處理輸入和生成輸出時所使用的計算單位。提供過於冗長或細節化的提示詞會增加 token 消耗，進而可能提高成本並降低效率。

重要例子與細節

• GitHub Star 數： MattPocock-Skills (1800K) 遠超 SuperPers (258K)，顯示其近期熱度。
• 模型越強，提示詞輸入的演變：
  • 模型弱時： 輸入需要「更想像的過程」，例如明確指示「第一步怎麼做」或「代碼的結果應是什麼樣子」，以降低模型推理難度。
  • 模型強時： 輸入應減少細節，更注重「目標」和「實現目標的條件」，整個過程的細節交由模型自行推理完成。
  • 反向操作的後果： 若強模型仍收到「想像的過程約定」式輸入，會造成「擁塞」，限制其推理效果。
• 兩者需求對齊技能的具體演示：
  • MattPocock-Skills 的 Goal-Visor-S： 會拆分出「主體」、「狀態」、「售後」等四個分支進行問答，待所有分支問題解決後，形成共享理解和領域詞彙，例如企業痛點、重大決策。適合處理模糊想法。
  • SuperPers 的 Plan Storm： 採用蘇格拉底式提問，針對當前代碼或需求文件進行一層層追問，例如「什麼時候算下單成功？」，若回答「支付完成」，則會針對「支付完成」繼續追問。適合需求明確。
• 兩者寫計畫技能的產出差異 (最關鍵區別)：
  • SuperPers 的 RaggingPremence： 產出的計畫文件非常詳細，包含「目標、約束、文章結構、功能」，甚至直接有「很多代碼」或「接口的非常詳細」定義。這類詳細計畫被認為在強模型下會「限制模型的推理」，且會產生更多的 token 消耗。
  • MattPocock-Skills 的 2-SPAC： 產出的 PRD 文章偏向高層次，包含「問題、結構、用戶故事（場景）」（這些場景皆通過文字描述，不含具體代碼），以及「實現的角色、模型、結構定義、驗證條件、測試條件」。這種文章更偏向「購模式」或「循碼工程」的風格，全部依賴模型自行推理完成，適合強模型使用。
• 強模型範例： GPT-5.0, KVMK3 (可能為口誤或特定模型名稱 [待確認資訊])。
• 客製化流程： 影片最後強調，最理想的選擇是根據「自己的業務流程」客製化一套完整的從需求對齊到提交的流程，以便於控制和修改。

可學習的洞察

1. 「適應AI成長，學會放手」： 隨著AI模型能力的提升，我們與之協作的心態應從提供詳細步驟轉變為定義高層目標，允許AI自主推理細節。這不僅能發揮AI最大潛力，也能避免因過度干預而造成「擁塞」和資源浪費。
2. 「工具選擇的『適配性』重於『絕對優劣』」： 沒有萬能的最佳AI工作流，工具的選擇應基於AI模型的實際能力（強弱）和自身的業務需求（例如對代碼細節的審核嚴格度）。理解不同工具的核心設計理念，才能做出最合適的決策。
3. 「細節控制是雙面刃」： 提供極致的細節（如 SuperPers 的詳細計畫

）在弱模型環境下是強大助力，也能滿足嚴格審核的需求；但在強模型環境下，這類細節反而可能成為限制，降低效率。關鍵在於找到「控制」與「自由推理」的平衡點。 4. 「客製化與彈性是長遠競爭力」： 依賴單一工具或預設流程可能無法完全契合複雜多變的業務場景。學習如何根據自身獨特的工作流程，靈活組合或調整AI工具的技能，打造專屬的解決方案，是提升生產力和應變能力的關鍵。

可行動的整理

1. 評估當前使用的AI模型強度： 判斷現有AI模型是屬於「強模型」（如 GPT-5.0, KVMK3 等）還是「弱模型」，這將是選擇工作流的基礎依據。
2. 審視團隊的提示詞策略： 檢查目前與AI互動的提示詞是否包含過多過程細節。若使用強模型，考慮將提示詞調整為更注重目標與條件，減少不必要的「擁塞」。
3. 依模型強度嘗試對應工作流：
   • 若使用強模型且希望最大化AI推理效率，可探索 MattPocock-Skills 及其 2-SPAC 技能，學習撰寫高層次 PRD。
   • 若使用弱模型，或團隊對AI生成代碼有嚴格的審核需求，則可試用 SuperPers 及其 RaggingPremence 技能，以便於把控和 review。
4. 研究客製化工作流的可能性： 分析自身業務流程，識別哪些階段可透過AI輔助，並考慮如何結合 SuperPers 和 MattPocock-Skills 的優勢，客製化一套符合團隊實際需求的 AI 編程工作流。
5. 關注 GitHub 專案： 持續追蹤 MattPocock-Skills 和 SuperPers 在 GitHub 上的專案更新，了解最新功能與社群討論，以便及時調整和優化自身的工作流。

複習問題

1. 當AI模型的推理能力越強時，我們在與其對話時，提示詞的內容應從什麼模式轉變為什麼模式？若未依此調整，可能導致什麼問題？
2. MattPocock-Skills 的 Goal-Visor-S 和 SuperPers 的 Plan Storm 在「需求對齊」這一環節，其問答方式各有何特點？它們分別適合處理哪種類型的需求？
3. 請比較 MattPocock-Skills 的 2-SPAC 技能與 SuperPers 的 RaggingPremence 技能在「寫計畫」方面的最主要區別，並說明它們產出的文件各偏向何種內容？
4. 影片建議，如果使用的是像 GPT-5.0 或 KVMK3 這樣的「強模型」，在「寫計畫」時應優先選擇哪種工作流的技能？理由是什麼？
5. 除了模型強度較弱之外，還有哪些情況會建議使用者選擇 SuperPers 的 RaggingPremence 技能來撰寫計畫？

待確認資訊

• 影片中提到的 "KVMK3" 模型，可能為口誤或特定社群代稱，需要回看影片或查證其完整且正確的名稱。
• "2-SPAC" 和 "RaggingPremence" 這兩個技能的具體技術實現細節（例如它們如何解析語義、生成輸出的演算法等）在逐字稿中未詳細解釋，僅描述了其產出物，需要回看影片或進一步查證。
• 影片中未明確說明 "Goal-Visor-S" 和 "Plan Storm" 這兩個技能在 GitHub 上的具體名稱或所屬專案連結，僅以工作流名稱 SuperPers 和 MattPocock-Skills 進行代稱。