KeyFrame內部研究專用

超火AI编程工作流mattpocock-skills,保姆级教程详细讲解

AI随风19 min中文
觀看原始影片

三句話摘要

Multi-scarers 技能框架的完整工程开发流程及各技能应用阶段。 Multi-scarers 通过深度需求理解、可视化设计、系统化代码审查与多阶段专用技能,在保持工程师完全控制权的前提下,构建了一套高效的 AI 辅助开发流程。 需求探讨阶段的深度性:Clarify 技能通过 6-7 个维度、多轮对话(10-20+轮)逐步理清需求,区别于其他头脑风暴工具的快速对话模式,更适合复杂问题的根本理解。

重點整理

  1. 需求探讨阶段的深度性:Clarify 技能通过 6-7 个维度、多轮对话(10-20+轮)逐步理清需求,区别于其他头脑风暴工具的快速对话模式,更适合复杂问题的根本理解。

  2. 设计决策的可视化:UI 设计预览技能(Design Sync)会直接生成 1-3 种界面方案供选择,而非文字描述,让设计迭代更直观高效,适合非专业设计师或需要验证的场景。

  3. 代码质量的系统保障:通过 Review 技能扫描代码库找优化点,Bug 技能用 10 种方法从多角度检测问题,在功能迭代完成后执行,避免 AI 生成代码的潜在隐患。

  4. 流程的高度灵活性:支持工具切换时的 Handoff 交接、学习新概念的 Teach 互动课程,整个框架强调工程师的控制权而非工具的流程控制。

實用技巧與重點

  • GitHub 星数:接近 150k
  • 初始化命令:`multi-scarers setup`
  • 主要技能集合:scarers 组(通用技能集)、other 组(按需选择)
  • Clarify 两种模式:Gray me(不生成文档)、Gray with Docs(生成协议与决策文档)
  • 需求保存方式:to issues(小功能)、to prd(大需求)
  • UI 设计方案数:1-3 种风格(A/B/C 方案)
  • 代码审查输出:HTML 文档,列出改善方向与具体建议
  • Bug 检测方法:10 种测试方法论
  • Teach 技能特点:抓取权威资料(OSLobic 官方文档、GitHub book 等)、生成互动式课程、支持测验与反馈

結論

Multi-scarers 通过深度需求理解、可视化设计、系统化代码审查与多阶段专用技能,在保持工程师完全控制权的前提下,构建了一套高效的 AI 辅助开发流程。

完整解析

Multi-scarers 是一个在 GitHub 获得广泛关注(接近 150k 星)的工程师工具框架,其核心设计哲学强调"自由性"而非工具的流程控制,相比 Git 或 Specilit 等复杂工具更轻量。讲者通过一个完整的秒杀系统开发例子,系统地演示了该框架在不同阶段的应用。

初始化阶段,运行 `multi-scarers setup` 会配置项目文档追踪方式(GitHub Issues、GitLab、Jira 或本地)、自定义标签体系与上下文方式(单一或多上下文)。这些基础配置被记录在 CLAUDE.md 中,每次对话都会加载这些约束条件。

需求理解是整个流程的基础,Clarify 技能(Gray with Docs 模式)通过 6-7 个维度进行深入提问,根据回答动态生成新问题,直到双方理解一致。讲者强调这种方式的优势在于问题深度和轮次(10-20+ 轮),相比其他头脑风暴工具(如 SuperPulse)的快速对话更适合复杂需求。完成对话后生成 Connect MD,包含用户故事、实现决策、测试签验等内容,之后可转为 PRD 文档或 Issues。

开发过程可直接基于 PRD 进行编码,或进入 Prime 模式生成具体实现计划。在迭代中,UI 设计预览技能(Design Sync)能生成 1-3 种设计方案,以可交互的界面形式展示(而非文字描述),开发者可选择最适合的方案后转为正式实现。这在设计决策不明确时特别有用。

代码积累到一定程度后,Review 技能通过扫描整个代码库找出可优化的点,输出 HTML 文档详细说明每个改善方向的原因与预期结果。Bug 技能则提供 10 种测试方法来多角度检测问题,对难以定位的隐蔽 bug 特别有效。此外,当需要切换开发工具(如从 Claude Code 转到 Class App)时,Handoff 技能生成交接文档,让新工具能继续前一步的进度。

框架还提供 Teach 技能用于学习新知识,它会抓取权威资料(如官方文档)生成互动式课程,包含讲解、测验与反馈循环,适合学习开源项目或新概念。整个框架的设计逻辑是环节自由组合,工程师可根据实际需要选择使用顺序,而不被工具的预设流程束缚。

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。