本文整理了 Poteto（pstack 作者）与 Matt Pocock 关于 AI Skills 的对谈。Poteto 一个月合入 2,500 个 PR 的关键不在于产量，而在于工作方式：从反复纠正 AI 的地方提炼 Skills；为 Agent 补上验证能力，让它能自我迭代；将机械操作固化为工具；把 Agent 常犯的错转化为 lint 规则和代码库约束；连接内外两层循环，让外层 Agent 收集 Slack、Linear 等外部反馈，协调 Agent 管理任务分发。她还通过严格抽查和修正工作环境来审查大量产出，并建议从聊天记录中提炼个人 Skills。文章强调领域经验、可靠验证和持续环境优化是自动化协作的核心。
前Meta和Netflix资深工程师、现xAI核心主力Lauren Tan公开了她在Cursor大会的分享：通过把人类检查点前移，让智能体自己拉起真实环境验证并留存运行时证据，实现单月合入2500个生产PR。她将团队禁用的坏习惯写成编译器规则（如封死useEffect、禁止注释），把代码库目录作为外部记忆体防止上下文污染，并将这套心法封装为开源插件pstack，内含23个任务剧本和23条工程铁律。核心理念是：没有验证的并发才可怕，只有带着运行录像和证据链自己闭环的智能体才配做工程分身。
文章深度拆解 Lauren（前 Meta/Netflix/Cursor、React Compiler 核心成员）公开的 pstack 开发方法。pstack 不是模型或 IDE，而是运行在 Coding Agent 之上的工程工作系统，核心是 Verification Skill：让 AI 启动真实应用、像用户一样操作、收集截图/日志/性能数据作为证据，失败则自动返工。文章还介绍了 Build the Lever（把重复流程做成工具）、Feature Map（物化记忆）、多 Agent 并行编排等思想，强调先提高单个 Agent 可信度再扩大规模，并理性看待'每月 2000 个 PR'的说法，指出人仍需负责验收标准设计与关键决策。
随着AI代理编写了团队75%的合并代码，软件工程的瓶颈已从“如何快速生成代码”转变为“如何证明代码有效”。文章指出“Harness（验证系统）”才是核心产品。它通过上下文、约束、验证和反馈循环来确保自主交付的质量。团队应遵循六大原则，将重心从代码审查转向规格说明、端到端场景覆盖及架构约束，以应对代理时代带来的认知债务与安全风险。
文章阐述了如何构建一个自动纠错的 AI 循环系统，通过构建者、评判者和管理者三个角色的分离，以及利用真实标准进行验证，使系统能够在向用户展示结果前自行发现并修正错误，从而将人类从繁琐的人工验证中解放出来。
