28 萬星的 Matt Pocock skill 更新拆解!
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
implement-spec 解決單線排隊瓶頸
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。
pr Skill 重塑代碼審查流程
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。
retro 發掘隱藏的效率殺手
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。
全流程形成人機協作閉環
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。


