AI 工程师的技能手册:如何用一套可复用的命令规范 AI 辅助开发

为什么需要”技能手册”

用 AI 写代码已经不是什么新鲜事,但很多人(包括我)都遇到过同样的问题:AI 很聪明,但每次对话都是从零开始。同样的需求,今天和昨天问出来的代码质量不一样;同一个项目,换个会话就忘记了你约定好的术语和架构决策。

AI 工程师技能手册的答案是把 AI 辅助开发流程化、命令化、可复用——就像给 AI 装了一套标准化的”操作手册”,每个场景对应一个命令,命令背后是沉淀好的方法论。这套手册基于 Matt Pocock Skills(GitHub 19 万+ stars),我自己在 LifeOS 项目中实践了一个月,这篇文章是完整的整理和思考。

快速开始:每个新项目只需一次

1
/setup-matt-pocock-skills

跑一次,配置三件事:

  • Issue Tracker:GitHub / Linear / 本地文件
  • Triage Labels:根据团队习惯设置
  • 文档存储位置:项目根目录

之后所有技能命令就能在这个项目里用了。

四大核心工作流

1. 需求澄清(最重要!)

1
2
# 开始任何新功能前,先用这个
/grill-with-docs

这是整个手册里最重要的一个命令。AI 开发最常见的翻车点不是代码写得差,而是需求没搞清楚就开始写。/grill-with-docs 会连环追问直到需求完全清晰,并且自动做两件事:

  • 建立 CONTEXT.md 领域术语表——AI 以后都用你定义好的词说话,不再自己发明术语
  • 把关键决策记录到 docs/adr/(Architecture Decision Records)——以后任何人(包括 AI)都能追溯”当初为什么这么设计”

输出:CONTEXT.md(术语表)+ docs/adr/(决策记录)

2. 测试驱动开发

1
2
# 写代码时
/tdd

经典的红 → 绿 → 重构循环,让 AI 严格按步骤来:

  1. 先写一个失败的测试
  2. 写最少的代码让它通过
  3. 重构代码保持测试通过

对 AI 来说 TDD 尤其重要——**测试就是给 AI 的”验收标准”**。没有测试,AI 可能觉得自己写完了,但你无法验证它真的对。

3. 代码审查

1
2
# 写完后
/code-review

双维度审查:

  • Standards:是否遵循项目编码标准
  • Spec:是否忠实实现了需求

这两个维度缺一不可——代码写得再优雅,没实现需求是白搭;需求实现了,风格和项目不一致也不好维护。

4. 架构维护

1
2
# 每隔几天跑一次
/improve-codebase-architecture

AI 辅助开发有个隐藏问题:代码生成速度远超架构演进速度。功能加得快,模块边界烂得也快。这个命令会扫描代码库的架构问题、生成可视化 HTML 报告、帮你逐步优化。

完整技能清单

工程类(Engineering)

命令 触发场景 作用
/grill-with-docs 开始新功能前 需求澄清 + 建立领域模型
/tdd 写代码时 测试驱动开发
/implement 有 spec 后 根据 spec 实现,自动调用 TDD
/code-review 写完代码后 双维度代码审查
/to-spec 对话结束后 把对话变成 spec
/to-tickets 有计划后 拆分成可追踪 ticket
/diagnosing-bugs 调试时 结构化调试循环
/improve-codebase-architecture 代码变乱时 架构扫描 + 优化报告
/wayfinder 大型任务 生成 investigation tickets
/prototype 设计决策时 快速原型验证
/research 技术选型时 后台调研 + 生成报告
/triage 处理 issue 时 Issue 分类流转
/ask-matt 不知道用哪个 技能路由器

生产力类(Productivity)

命令 触发场景 作用
/grill-me 非代码需求 连环追问澄清
/handoff 换 agent 时 生成交接文档
/teach 学习新概念 多轮教学模式

最佳实践组合

这套技能最值钱的地方,是组合使用:

每次开发新功能

1
2
3
4
1. /grill-with-docs    # 先澄清需求,建立术语
2. /to-tickets # 拆分成 ticket
3. /implement # 逐个实现
4. /code-review # 审查

代码变乱时

1
/improve-codebase-architecture

遇到难 bug

1
/diagnosing-bugs

大型任务(超过一个 session)

1
/wayfinder

关键文件设计

整套体系的灵魂是三个文件/目录:

  • CONTEXT.md - 项目术语表,AI 必读——统一语言是协作的地基
  • docs/adr/ - 架构决策记录——让每个设计决策都有据可查
  • .opencode/skills/ - 技能配置——命令背后的方法论沉淀

我的实践感受

用了一个月,最直观的三个变化:

  1. “重新开始”的成本大幅下降。之前换会话做同一个项目,AI 会忘掉上下文;现在 CONTEXT.md + ADR 让每个新会话都能快速恢复”记忆”。
  2. 需求澄清带来的收益被严重低估。以前我习惯”直接让 AI 写”,结果经常返工;/grill-with-docs 的连环追问确实烦,但烦在开始,省在结尾。
  3. **TDD 让 AI 代码”可验证”**。不是信任 AI 写得好,而是让测试告诉我它写得好不好。

补充:BrowserMCP 配置

这套体系里还配了浏览器自动化能力(BrowserMCP),用于 Web 导航、表单填写、数据提取和自动化测试。在 opencode.json 的 mcp 配置中加入即可启用,配合技能命令使用,AI 就能在”写代码”和”操作浏览器验证”之间无缝切换。

更新技能

1
npx skills update

技能库本身也在持续演进,定期更新就能拿到社区最新的方法论沉淀。

参考

如果你也在用 AI 辅助开发,强烈建议把这套”命令化工作流”的思路用起来——不是照搬命令,而是理解背后的理念:把 AI 的能力,封装成可复用的、有方法论支撑的流程。