KeyFrame內部研究專用

28 萬星的 Matt Pocock skill 更新拆解!

Gary Chen中文
觀看原始影片

三句話摘要

解析 Matt Pocock AI 開發工作流 1.3 版本的三個新 Skill(implement-spec、pr、retro),如何提升 AI 開發的並行效率與審查品質。 當 AI 開發速度不再是瓶頸後,提升並行效率、規範審查流程、建立長期防護機制才是決勝關鍵,而 Matt 的 1.3 版本正好在這三個維度補齊了完整的人機協作閉環。 implement-spec 解決單線排隊瓶頸

重點整理

  1. implement-spec 解決單線排隊瓶頸

  2. 規格拆成多個 ticket 時,傳統做法是逐張處理,浪費並行潛力。implement-spec 讓 Agent 先分析任務間的依賴關係,識別出互不相干的工作,再調度多個 subagent 在獨立 worktree 中同步施工,將原本線性消耗的時間壓縮為並行時間。

  3. pr Skill 重塑代碼審查流程

  4. 當 AI 開發效率提升後,人類審查成了新瓶頸。Matt 的 pr Skill 強制 AI 產出包含三部分的規範化 PR:架構摘要圖、驗證證據(實際截圖與數據對比)、風險評估(可復原性與影響範圍),讓審查者在數十秒內建立信任並快速決策。

  5. retro 發掘隱藏的效率殺手

  6. AI 雖能完成長任務,但過程中的錯誤與浪費往往不可見。retro Skill 通過兩個層面修復:檢視 Context Engineering(AGENTS.md 指引是否完善)並砍掉冗餘指令,以及針對規則性錯誤設置 Lint 規則與 pre-commit hook 來自動化防守,主觀判斷則落實為文件化標準。

  7. 全流程形成人機協作閉環

  8. 從 grill 逼出規格想清楚,implement-spec 並行開發,pr 帶著證據審查,retro 持續優化環境,使人類從派工轉向驗收與維護,AI 專注執行層面。

實用技巧與重點

  • implement-spec 核心邏輯:分析 ticket 間的 Dependency,調度多 subagent 並行處理獨立任務,各自工作於隔離的 worktree 環境
  • pr Skill 三段落規範:
  • 第一段:改動摘要 + 一張最小架構圖
  • 第二段:驗收證據(截圖、數據對比、已執行測試)
  • 第三段:風險評估 - 出事能否復原、影響範圍多大
  • retro 檢查項:
  • 第一部分:Context Engineering 完善度(AGENTS.md 指引是否足夠、無效指令是否過多)
  • 第二部分:建立防護欄(規則性錯誤 → Lint + pre-commit hook;主觀判斷 → 文檔化標準)
  • retro 使用禁忌:不要完全自動化,避免 AI 自我反思時吹毛求疵,應由人類定期主導審查並決策哪些改進真正值得施行
  • 簡化版 Skill 製作:針對不同目標讀者客製化(如技術小白版 PR 使用生活化譬喻)

結論

當 AI 開發速度不再是瓶頸後,提升並行效率、規範審查流程、建立長期防護機制才是決勝關鍵,而 Matt 的 1.3 版本正好在這三個維度補齊了完整的人機協作閉環。

完整解析

這次的 1.3 版本更新完成了 Matt Pocock 工作流的關鍵拼圖。講者首先回顧了原有的五步流程:grill 逼出盲點、to-spec 規格化、to-tickets 拆解任務、implement 搭配 TDD 開發、code-review 把關品質。

新加入的 implement-spec Skill 直指講者自身的痛點。當一份規格被拆成七、八張甚至十幾張 ticket 後,傳統做法是人工逐張派工給 Agent,等待完成再派下一張——實質上是人類充當低效率的任務調度器。implement-spec 的巧妙之處在於:讓 Agent 先分析 ticket 間的依賴關係,識別出哪些任務在邏輯上完全獨立(如改首頁按鈕、調設定頁排版、修登入 bug),然後一次調度多個 subagent 在隔離的 worktree 環境中並行施工。結果是把原本串聯的三倍時間壓縮到三分之一。講者特別強調,即便不使用 Matt 的工具也能應用這套思維:在 Prompt 中明確要求 AI 先拆解依賴、再分派 subagent,同樣能提升效率。

pr Skill 則針對另一個隱形瓶頸:當 AI 能在數分鐘內產出大量代碼改動後,人類審查速度成了上線前的最大障礙。傳統 PR 模板往往只有簡短說明加未執行的待辦清單,無法快速建立信任。Matt 的解決方案是強制 AI 產出三段式 PR:首段用架構圖清晰展示改動內容,次段提供實際驗證證據(截圖、數據對比),迫使 AI 在背景真實跑測試而非嘴上說說;第三段評估風險,明確指示代碼可否隨時復原、故障影響範圍幾何。這樣審查者能在數十秒內做出「快速通過」或「深入審查」的決策。講者補充說,他也為團隊設計了白話版本,用生活化譬喻讓技術小白也能理解和審批,同時累積 know-how。

最後引入的 retro Skill 則挖掘另一層問題:AI 在完成長任務時往往自己硬撐、重試、浪費大量 Token,但人類看不見這些過程中的坑。retro 透過兩個角度復盤:第一,檢視 Context Engineering 是否良好,如果 Agent 一開始找檔案花半天就代表 AGENTS.md 引導不足;同時檢查是否有冗餘指令堆積拖累每次 Context 載入。第二,建立長期防護欄:規則性固定錯誤(用禁用 API、路徑錯誤)直接做成 Lint 規則或 pre-commit hook 自動攔截,只有主觀判斷的事項(架構風格、代碼品味)才納入文檔標準。講者強調 retro 不應完全自動化,否則 AI 會吹毛求疵,最健康的做法是人類定期主導、審查建議、決策優化方向。

整個工作流現已形成完整閉環:grill 把事想清楚,implement-spec 並行高效開發,pr 帶著證據快速審查,retro 持續優化環境。這標誌著人類角色的進一步演進——從過去一兩年逐漸移向派工、驗收、維護,而 AI 則全力執行層面任務。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。