學習筆記

TL;DR

Matt Pocock 透過極簡、模組化且深度融合軟體工程專業知識的 AI Skills，成功將 AI 的隨機性與不良習慣導向高效、可維護的開發流程，其核心在於將決策主導權交還給人類，並以專業術語精準控制 AI。

快速結論

Matt Pocock 的 AI Skills 專案，其核心目標是解決 AI 在開發過程中「隨機性高」與「難以控制」的問題。他發現 AI 本質是黑盒子，且容易在缺乏明確指引時，將模糊需求轉化為難以維護的程式碼。因此，這套工具透過 Grill Me 等 Skills，強制 AI 反過來考問人類，以釐清需求並找出盲點，將數百個微觀決策的權力從 AI 手中奪回，確保人類作為架構師的主導地位。

這套 Skills 採用極簡主義與模組化的設計哲學，每個 Skill 都做得很少、好改且能自由拼裝，與傳統大型框架試圖全面接管開發流程的方式截然不同。Matt 認為，這種輕量且專注的設計更適合當前理解力強的 AI 模型，能夠提供更大的靈活性，避免將整個開發流程綁死，讓開發者能依需求選擇工具，而非被工具限制。

Matt 的 Skills 能夠有效規範 AI 行為的關鍵，在於他將數十年軟體工程界公認有效的最佳實踐融入到指令中。從測試驅動開發 (TDD) 防範 AI 作弊，到 Code Review 內建「壞程式碼症狀」檢查清單，再到 Improve Code-Base Architecture 導引 AI 設計「生模組」以避免邏輯碎片化，這些都體現了他深厚的專業知識。他更將這些軟體工程術語作為與 AI 溝通的「高密度詞彙」，讓 AI 能精準理解意圖，減少發散。

這支影片在說什麼

這支影片深入拆解了 TypeScript 專家 Matt Pocock 在 GitHub 上開源、擁有超過 16 萬星的 AI 工作流 Skills。影片主要探討 Matt 如何運用這套工具，解決 AI 在開發過程中隨機性高、難以控制、容易產生難以維護程式碼的問題。影片也比較了 Matt 的極簡模組化設計與其他大型框架的差異，適合想學習如何有效駕馭 AI 進行軟體開發的工程師。

最重要的 3-5 個重點

1. 奪回決策權，避免 AI 瞎猜： Grill Me Skill 強制 AI 在動工前反覆考問人類，找出思考盲點，避免人類將模糊想法直接丟給 AI 導致 AI 代為做出數百個微觀決策，進而產生難以維護的程式碼。
2. 以「功能」而非「技術」拆解任務，提升可測性與效率： ToTickets Skill 強制 AI 依照「實用功能」來拆分開發任務（例如：先做完整登入功能，再做購物車），而非 AI 慣用的「技術架構」拆分（例如：先做完所有資料庫，再做後端）。這種方式確保每個小功能都能獨立測試，並支持平行開發。
3. 強制 TDD 防範 AI 作弊，確保程式碼品質： Implement Skill 結合測試驅動開發 (TDD) 精神，要求 AI 必須先寫測試讓其失敗（紅燈），然後才寫功能程式碼直到測試通過（綠燈）。這徹底堵住 AI 為了交差而寫出錯誤邏輯配上假測試的漏洞。
4. 內建軟體工程智慧，解決壞程式碼症狀： Code Review Skill 內建軟體工程界幾十年來公認的「壞程式碼症狀」檢查清單（如 Shotgun Surgery, Feature Envy, Data Clumps），讓 AI 在全新的獨立 Session 中進行審查，有效提升程式碼品質。
5. 對抗邏輯碎片化，打造可維護的「生模組」： Improve Code-Base Architecture Skill 透過「殘酷的三處測試」，精準識別並清理 AI 容易產生的「潛模組」（假裝有用但實則分散邏輯的模組），引導 AI 設計出具備高聚合性且容易維護的「生模組」，解決 AI 因 Context Window 限制而導致的架構混亂問題。

知識架構

Matt Pocock 的 AI 工作流核心思想是「控制 AI 的隨機性與不良習慣」，透過「極簡主義與模組化」原則，並深度整合「軟體工程智慧」來實現。

• I. AI 開發的挑戰

• AI 本質是黑盒子，充滿隨機性。

  • AI 容易「Five Coding」（將決策權外包給 AI），導致難以維護的架構。
  • AI 慣性問題：
    • 任務規劃偏向「技術架構」，而非「實用功能」。
    • 為交差可能產生「假測試」。
    • 撰寫「潛模組」，導致邏輯過度碎片化。
  • 文件與程式碼更新速度不一致。
  • AI Context Window 有限，處理複雜架構易出錯。

• II. Matt Pocock 的解決方案核心原則

  • 極簡主義與模組化：
    • 每個 Skill 只做一件事，做到最小、好改、自由拼裝。
    • 不綁定固定流程，高度靈活。
  • 精準溝通策略：
    • Pooning (修剪)：刪除所有廢話、會讓 AI 發散的文字，確保每句指令有實際作用。
    • High-Density Terms (高環境量專用名詞/執運詞)：利用 AI 訓練資料中的經典專用名詞，用極度壓縮的資訊精準傳達意圖。
    • 完成標準：給 AI 明確的終點。
  • 深度融合軟體工程智慧： 將幾十年來證明有效的軟體工程最佳實踐直接寫入 Skills 指令中，規範 AI 行為。

• III. Matt Pocock 的核心 Skills

  • A. 決策與需求釐清：Grill Me
    • 作用：讓 AI 反過來考問使用者，找出決策盲點。
    • 目標：將決策權搶回人類手中，避免 AI 瞎猜亂做。
  • B. 規格定義：ToSpecs
    • 作用：將共識寫成規格，並禁止 AI 在規格中寫程式碼。
    • 目標：確保規格專注於解決問題，獨立於易變的程式碼，避免過期。
  • C. 任務拆分：ToTickets
    • 作用：將規格拆解成具體開發任務，強制依「實用功能」拆分。
    • 目標：提高可測試性，支援平行開發，及早發現問題。
  • D. 程式實作與品質保證：Implement
    • 作用：依照任務清單寫程式碼，自動應用 TDD 流程。
    • 目標：防範 AI 作弊，確保程式碼正確性。
  • E. 程式碼審查：Code Review
    • 作用：在獨立 Session 中，依據軟體工程經典「壞程式碼症狀」檢查清單審查程式碼。
    • 目標：保持 AI 審查的客觀與品質，提升程式碼健康度。
  • F. 架構優化：Improve Code-Base Architecture
    • 作用：透過「殘酷的三處測試」，識別並清理「潛模組」，重構成「生模組」。
    • 目標：對抗 AI 造成的邏輯碎片化，提升架構的高聚合性與可維護性。

• IV. 比較與洞察

  • Matt's Skills vs. Superpowers：
    • Superpowers：寫死固定流程，適合模型笨拙時的保護機制。
    • Matt's Skills：模組化、極簡，適合聰明模型，將主導權交還人類。
  • 核心洞察： 只有專業領域的專家，才能真正駕馭 AI。

關鍵概念

• Grill Me： Matt Pocock 開源專案中的一個 Skill，讓 AI 反過來考問使用者，確保在動工前達成共識並釐清所有細節，將決策權從 AI 奪回人類手中。
• Five Coding： 將模糊想法直接丟給 AI，讓 AI 代為做出數百個微觀決策，可能導致 AI 為了交差而產生難以維護的架構。
• ToSpecs： 一個 Skill，強制 AI 在撰寫功能規格時，

只專注於描述功能要解決什麼問題，禁止引用或寫任何程式碼，避免規格與程式碼更新不同步。

• ToTickets： 一個 Skill，強制 AI 將功能規格拆解成具體開發任務時，必須依照「實用功能」來拆分，而非 AI 慣用的「技術架構」拆分，以便於測試和平行開發。
• TDD (Test-Driven Development / 測試驅動開發)： 一種開發方法，要求在寫功能程式碼之前先寫好測試。對於 AI 開發而言，這能防止 AI 為了交差而生成錯誤邏輯配上假測試。
• Shotgun Surgery (霰彈槍手術)： 一種壞程式碼症狀，指為了修改一個小功能，卻需要改動許多分散在不同檔案的程式碼，使得每次改動都像霰彈槍一樣散落各處。
• Feature Envy (特性依戀)： 一種壞程式碼症狀，指一段邏輯（例如處理訂單）卻頻繁去其他檔案（例如庫存檔案）拿資料來運算，導致邏輯放錯位置。
• Data Clumps (資料泥團)： 一種壞程式碼症狀，指多個變數（例如買家姓名、電話、地址）總是同時出現並綁定在一起，卻分散存在於程式碼各處，應該將它們打包成一個獨立的物件。
• Pooning (修剪)： Matt 的 Skill 寫作原則之一，指修剪掉所有廢話、會讓 AI 發散的文字，甚至模型自己也知道的指定，確保 Skill 裡的每一句指令都有實際作用。
• High-Density Terms (高環境量專用名詞 / 執運詞)： Matt 的 Skill 寫作原則之一，使用資訊極度壓縮但涵蓋量高的專業術語，能用一個字取代一百字的廢話，精準傳達指令給 AI。
• 潛模組 (Shallow Module)： 一種 AI 容易產生的模組，它沒有真正隱藏複雜細節或提供高聚合性，反而只是將程式碼分散到不同檔案，造成溝通成本高、難以維護。
• 生模組 (Deep Module)： 一種理想的模組，提供一個極度簡單的對外介面（大門），將複雜的內部邏輯細節隱藏在其中，具備高聚合性，讓 AI 或其他開發者能專注處理單一模組，提高可維護性。
• Improve Code-Base Architecture： 一個 Skill，對程式碼進行「殘酷的三處測試」，識別並清理潛模組，將其重構成生模組，以對抗 AI 造成的邏輯碎片化危機。

重要例子與細節

• Matt Pocock 簡介： TypeScript 領域最頂尖的專家和老師，許多開發者靠他的教材練技術。
• Grill Me 原始碼的五行字目的： 叫 AI 在達成計畫共識前不要動工；像畫心智圖般延伸思路，抓出每個決定引發的連鎖反應；每次只能問一個問題且附上建議答案；在整體設計達成共識前不准寫程式碼。唯一目的是把「決策權」搶回人類手裡。
• ToTickets 拆分任務的例子與優點：
  • AI 慣性分工（爛）： 先建資料庫 -> 寫後端邏輯 -> 最後做前端。問題：在前端畫面出來前無法測試，若第一步錯則心血全毀。
  • ToTickets 強制分工（好）：
    1. 任務一：只做會員登入功能（包含資料庫、邏輯、畫面）。
    2. 任務二：只做把商品加入購物車功能（包含資料庫、邏輯、畫面）。
  • 好處： 每個小功能做完即可測試，能隨時確認 AI 產出；可將不干擾的任務發包給多個 AI 平行處理，開發速度翻倍。
• TDD 防 AI 作弊的例子：
  • 若 AI 先寫程式再補測試： AI 可能將「滿千扣百」寫成「扣兩百」，再寫一個測試說「扣兩百通過」，導致 Bug 抓不住。
  • TDD 流程： AI 必須先寫測試（滿千扣一百），此時程式未寫，測試必失敗（紅燈）。等到紅燈出現後，AI 才准開始寫算錢程式，直到紅燈變綠燈（測試通過）。
• Code Review 審查的三種壞程式碼症狀（來自《重構》Refactoring 書籍）：
  1. Shotgun Surgery： 改一個按鈕顏色，卻要改動

四個不同檔案。Code Review 會要求集中重構。 2. Feature Envy： 處理訂單的程式碼跑去庫存檔案拿資料運算。Code Review 會警告邏輯放錯位置，應搬去訂單。 3. Data Clumps： 買家姓名、電話、地址三個變數總是一起出現，卻散落在程式碼各處。Code Review 會建議打包成「聯絡人」物件。

• Matt 的 Skill 寫作原則（以 Writing Great Skills 為基礎）：
  1. Pooning (修剪)： 修剪廢話、會讓 AI 發散的文字，確保每句指令都有實際作用。例如 Grill Me 僅五行字。
  2. High-Density Terms (執運詞)： 使用 AI 訓練資料中已有的經典專用名詞，用一個字取代一百字的解釋。例如 DataClumps。
  3. 完成標準： 給 AI 一個明確的終點。
• 潛模組 vs. 生模組（以購物車結帳為例）：
  • 潛模組： 結帳功能切成「計算折扣、驗證信用卡、建立訂單、扣除庫存、寄信」五個小房間，但沒有統一的大門隱藏細節。導致主程式需親自處理資料傳遞，且 AI 因 Context Window 有限，容易在多房間跳轉時下猜改壞程式碼。
  • 生模組： 對外只提供一個簡單的「購物車大門」（如 ProcessCheckout 函數），將折扣、驗證等小房間的複雜邏輯全部隱藏在大門背後。主持人是只要敲門就辦妥，AI 也只需專注閱讀這一個模組，具備極強的聚合性。
• Improve Code-Base Architecture 的實際應用： Matt 建議將其作為日常保養，每隔幾天跑一次指令。它會掃描專案，生成 HTML 報告並畫出前後架構對比圖，讓使用者選一個建議方案，AI 便會自動重構。
• Grill Me Docs (Groomy 的進化版)： 解決 Grill Me 每次開工需重新熟悉專案的問題。它會在考問中，順手把專有名詞和重要決策寫成文件留存，讓 AI 帶著這些資料考問，更快切入重點。
• Matt's Skills vs. Superpowers 比較：
  • Superpowers： 將 AI 工作流定義得很完整，用寫死的九個步驟強制使用者釐清目標，適合模型還不夠聰明時作為「保護級的防呆流程」。
  • Matt's Skills： 極簡主義、模組化，每個 Skill 只解決一個問題。不綁架流程，可自由選擇從任何一步開始，更適合當前模型理解力強的 AI 生態，將工作主導權交還給人類。
• 駕馭 AI 的關鍵： Matt Pocock 證明，只有具備深厚的軟體工程底子（專業領域經驗），才能有效將這些老方法應用在 AI 架構和與 AI 溝通上，真正控制好 AI。

可學習的洞察

1. AI 是工具，決策權歸人： AI 本質隨機且無大局觀。駕馭 AI 的核心在於將決策權從 AI 奪回人類手中，讓 AI 扮演輔助、找漏洞的角色，而非完全外包大腦。
2. 專業深度是駕馭 AI 的基石： Matt Pocock 證明，擁有專業領域的深厚知識（如軟體工程），是設計有效 AI 工具和溝通策略的關鍵，能夠將 AI 導向高品質的產出。
3. 精準溝通的重要性超越冗長描述： 與 AI 互動時，採用「修剪廢話」原則，並大量運用「高密度專業術語」，能讓 AI 更精準地理解意圖，減少發散和誤解。
4. 模組化設計對 AI 協作的益處： 將問題拆解成小而專一的模組，不僅便於人類開發，也考慮到 AI 的 Context Window 限制，能讓 AI 專注處理單一任務，減少因資訊過載而產生的錯誤。
5. 主動建立規範與檢查機制： 透過 TDD 強制 AI 在寫程式前先寫測試，以及在 Code Review 中運用「壞程式碼症狀」檢查清單，能有效預防 AI 產生難以維護或有問題的程式碼，而非事後彌補。

可行動的整理

1. *審視自身 AI 工作流：

• 思考在現有工作流程中，是否也有讓 AI 隨意發揮導致產出不穩定的環節，並借鑒 Matt 的「極簡、模組化、單一職責」原則來設計 AI Prompt 或輔助工具。

2. 學習使用「高密度專業術語」： 在與 AI 進行專業領域溝通時，有意識地減少冗詞贅字，嘗試運用該領域的經典術語或概念，觀察 AI 的理解和產出品質是否提升。
3. 將軟體工程最佳實踐應用於 AI 規範： 若從事程式開發，可將影片提及的 TDD、Code Review 的壞程式碼症狀（Shotgun Surgery, Feature Envy, Data Clumps）以及「生模組」概念，整合到由 AI 協助的開發流程中，主動引導 AI 產生高品質的程式碼。
4. 研究 Grill Me Docs 與 AI 寫作工作流： 對於需要長期與 AI 協作進行內容創作、文件撰寫的人，影片中提及的這些進階 Skills 提供了一個全新的思考方向，值得深入探討。
5. 定期進行架構審查： 借鑒 Improve Code-Base Architecture 的思維，定期檢視專案中是否有「潛模組」的存在，並思考如何透過重構將其轉化為更具「高聚合性」的「生模組」，以提升長期可維護性。

複習問題

1. Matt Pocock 開發這套 AI Skills 的「終極目標」是什麼？他是如何透過 Grill Me 實現將「決策權搶回人類手裡」這個目標的？
2. Matt 的 AI Skills 與 Superpowers 這類大型框架的設計哲學有何根本差異？Matt 認為哪種方式更適合當前模型理解力強的 AI 生態？
3. ToTickets Skill 如何解決 AI 拆分任務的「致命缺點」？它強制 AI 依照哪種方式來拆分任務，並舉例說明其主要好處？
4. TDD (測試驅動開發) 在 AI 程式碼開發中扮演什麼關鍵角色？Matt 如何運用 TDD 來「防作弊」，防止 AI 為了交差而生成錯誤程式碼和假測試？
5. 影片中提到了哪些常見的「壞程式碼症狀」？Improve Code-Base Architecture 這個 Skill 又是如何對抗 AI 造成的「潛模組」問題，並設計出「生模組」？

待確認資訊

無明顯待確認資訊。