mattpocock/skills的安装使用

codex中的使用

1、安装命令

正常使用该命令以下命令安装；

npx skills@latest add mattpocock/skills

目前还没有codex的agents安装方式，所以采用全局安装方式来使用这些skill；

npx skills@latest add mattpocock/skills --agent codex --global

通过以下命令检查是否安装成功；

npx skills@latest list --global --agent codex

2、选择skill

一些skill是项目级，一些skill是全局级的；

这里展示的只是其中一部分，想要其它的skill可再进入该仓库mattpocock/skills查看；

1、/setup-matt-pocock-skills

这个初始化 Skill，装完后在 AI 编程工具里运行一次：

AI 会问你几个问题来适配你的项目。比如用什么工具来管理 Issue、项目文档保存在哪个目录。

2、/grill-me 需求拷问

它的作用是让 AI 反过来对你进行「灵魂拷问」，帮你在让 AI 写代码之前把需求和设计想清楚。

它的核心内容加起来竟然只有 3 句话！

3、/tdd 测试驱动开发

当你要求 AI 用测试驱动的方式来开发时，它会一口气先把所有测试写完，然后再写所有代码。

这种方式看起来效率很高，但实际上有个很坑的问题。AI 在写测试的时候，代码还不存在，所以它只能靠想象来设计测试的结构。等真正开始写代码的时候，实际的 API 可能跟它想象的完全不一样，结果就是一堆测试要推倒重写。

/tdd 这个 Skill 就是来解决这个问题的。它强制 AI 用「垂直切片」的方式来工作，也就是先写一个测试让它失败 ❌，然后只写刚好能让这个测试通过的代码 ✅，通过之后再写下一个测试。这就是经典的 Red-Green-Refactor 循环，一次只走一小步，每一步都是实打实验证过的。

除了循环本身，这个 Skill 里还有几条值得注意的规则。

比如它要求 只在预先商定的接缝处测试。所谓接缝（Seam）就是代码的公开接口，比如一个函数的入参和返回值。在写任何测试之前，AI 会先跟你确认在哪些接缝处写测试，而不是到处乱写，这样测试的覆盖重点才能落在真正重要的地方。

另外这个 Skill 还列出了几种 AI 写测试时容易犯的反模式，相当于给 AI 定了规矩，一旦发现自己写出了这类测试就必须改掉。

对于团队项目来说，让 AI 按照 TDD 的方式来写代码，代码质量会有明显的提升。

4、/diagnosing-bugs Bug 诊断

遇到 Bug 的时候，很多人的第一反应都是先看代码，猜一个可能的原因然后试着改。AI 也是这样的，大家应该有过这种经历，让 AI 修 Bug，结果它改了半天越改越乱。

Matt Pocock 认为问题的根源在于 AI 跳过了最关键的一步，就是先建立一个 能稳定重现 Bug 的反馈循环。

什么叫反馈循环呢？

简单来说就是一条能稳定重现 Bug 的命令。可以是一个会失败的测试用例、一个 curl 请求、甚至一个 Playwright 浏览器自动化脚本，只要能一键运行并且明确告诉你 Bug 到底有没有触发就好。

/diagnosing-bugs 这个 Skill 把 Debug 过程拆成了 6 个阶段，其中「建立反馈循环」是第一步，也是整个流程的核心。

在这步完成之前，AI 不允许跳到「猜原因」的阶段。如果 AI 在还没有一条能重现 Bug 的命令的时候就开始分析代码，Skill 会直接打断它。

等有了一条稳定重现的命令之后，接下来的步骤就比较常规了。最小化重现场景、提出假设并逐一验证、修复并写回归测试。

这个思路跟 Cursor 内置的 Debug 模式有点异曲同工。Cursor 的 Debug 模式也是先通过自动检测和分析错误来定位问题，而不是让 AI 上来就瞎猜和乱改。

不过 /diagnosing-bugs 更偏向于流程规范，它用一套严格的分阶段方法来约束 AI 的调试行为。先让 AI 建一个靠谱的重现方式，后面的修复效率反而会高很多。

5、/teach AI 辅助学习

前面几个 Skill 都跟写代码有关，但这个仓库里还有一些通用的生产力工具。比如 /teach 技能，作用是让 AI 变成你的私人教师。

这个技能不只是让 AI 给你讲个知识那么简单，它背后有一套相当完整的教学方法论。

当你运行 /teach 并告诉 AI 你想学什么之后，AI 会先问你为什么想学这个东西？

然后 AI 会把你的学习目标记录到一个叫 MISSION.md 的文件里。

接着它会去搜索高质量的学习资源，整理成 RESOURCES.md 资源文件。

最后基于收集到的资源给你设计课程，每堂课是一个精美的 HTML 文件，保存在 lessons/ 目录下。

值得一提的是，AI 会区分「流畅度」和「存储强度」这两种学习效果。流畅度就是你当场能回忆起来的感觉，但这不代表你真的记住了。存储强度才是真正的长期记忆。所以它会刻意设计有一定难度的练习，用间隔重复和交错练习等方法来帮你加深记忆，而不是让你产生「我已经学会了」的错觉。

还有个很妙的设计是「最近发展区」，这是教育学里的经典理论。AI 会根据你之前的学习记录来判断你现在的水平，然后设计刚好超出你能力一点点的课程内容，不会太简单让你感到无聊，也不会太难让你放弃。

而且你的所有学习过程都被保存在当前目录下，下次打开同一个目录继续学的时候，AI 就能接着上次的进度来，有种 AI 时代的个性化教育的感觉。

6、/wayfinder 大项目规划

这个 Skill 专门解决一个问题：当项目大到一个 AI 对话装不下的时候，该怎么办？

用过 AI 编程的同学应该都有感受，如果你强行在一个很长的对话里完成所有事情，AI 的思考质量会随着上下文变长而明显下降。Matt Pocock 把 AI 表现最好的上下文范围叫做「智能区间」，大概在 120K tokens 以内。

/wayfinder 的做法是把一个大需求拆成一张「决策地图」。当你面对一个大而模糊的需求时，AI 会先跟你一起把最终目标定义清楚，然后在 Issue 管理工具里创建一张地图，上面列出需要做的一系列决策，每个决策是一个独立的 Issue。

这些决策之间有依赖关系，所以它会自动标注哪些可以先做、哪些要等前置决策完成才能开始。

每次你打开一个新的 AI 对话来处理一个决策的时候，上下文都是干净的，不会被之前的内容污染。

这个思路其实跟企业开发中的「模块化」很像，把一个大项目拆成多个模块分给不同的开发者，每个人只需要关注自己负责的部分。

这里面还有一个很有趣的设计叫「战争迷雾」，就像游戏里没探索过的地图区域一样。你现在能看到的决策只是一部分，随着前面的决策逐步完成，后面的决策才会逐渐清晰起来。这样可以避免一开始就过度规划那些还想不清楚的事情。

不过这个 Skill 的门槛相对比较高，更适合有一定工程经验的开发者来使用。如果你的项目规模不大，前面提到的 /grill-me 就够用了。

7、/improve-codebase-architecture 代码架构改进

除了日常的开发流程，Matt Pocock 还建议每隔几天就跑一次 /improve-codebase-architecture 技能，相当于定期给代码做一次体检。它会深度扫描你的代码库，找出那些结构上可以优化的地方。

代码扫描完成后，AI 会生成一个可视化的 HTML 报告，而不是枯燥的文字。报告里用 Tailwind 美化样式、用 Mermaid 画架构图，每个优化建议都是一张卡片，上面写着涉及的文件、当前的问题、建议的改进方案，还有改进前后的对比图。

每个建议还会标注推荐程度，有些是强烈推荐的，有些是值得探索的，有些只是试探性的。你选一个感兴趣的之后，它就会启动一轮新的 grilling 对话来跟你讨论具体怎么改。

这个 Skill 背后的核心理念来自《A Philosophy of Software Design》这本书。打个比方，一个好的模块就像微波炉，你只需要按几个按钮就能加热食物，内部的电磁波原理完全不用管。这种叫做「深」模块，接口简单，实现复杂。

但如果一个模块用起来跟自己写一个差不多费劲，那就是「浅」模块了。这个 Skill 要找的就是代码库里那些「浅」模块，帮你把它们变成「深」模块。

8、/handoff 上下文交接

大家用 AI 编程的时候应该都遇到过这个问题：在一个对话里讨论了很多内容，积累了大量上下文，但是要开一个新对话的时候，之前的所有讨论就全丢了。

虽然可以手动复制粘贴，但是比较麻烦，还容易遗漏关键信息。

/handoff 技能就是来解决这个问题的。在你当前对话结束前，它会让 AI 把整个对话的核心内容压缩成一份交接文档，保存成一个 Markdown 文件。

下次开新对话的时候，只要让 AI 读一下这个文件，它就能接着上次的进度继续工作。

这个交接文档还会标注建议在新对话中使用哪些 Skill，并且会自动去除敏感信息，比如 API 密钥之类的。

这样一来，多轮对话之间可以无缝协作了。

9、planning-with-files-zh

按计划行事，并且可防止会话突然中断，后续仍然可以继续完成任务。