本文解读 Lauren Tan 关于在生产线中大规模运行并行 agent 的视频，指出 2,000/2,500 个 PR 的数字并非关键，真正值得学习的是背后的 agent 信任系统。作者提出吞吐量来自一条信任链：验证把'完成'变成证据（'能编译不是证据'），agent-friendly 架构让正确路径成为最短路径，代码库通过消除注释和固化纠错来记住每次改进，园丁角色维护 paved path，外循环把线上问题送回内循环。文章还给出从最小闭环起步的五步实践建议，以及纠错应写入系统的五层顺序：codebase、静态分析、rules/skills、style guide 和人工评审。
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。
本文深度拆解 Lauren 的 pstack 第二篇，探讨如何让 AI Coding Agent 在写代码前正确理解问题。文章介绍了 /how、/why、/teach、/recall 等上下文工具的用法，强调用代码而非文档来规划：先写使用教程倒推架构，通过低成本原型比较不同方案，用 /architect 让多模型并行设计并交叉评审，以及在多阶段计划中要求每一步都以可复查的证据结束。作者认为，Agent 可能比人更快更强，但最终是否接受方案仍需人来判断，验证应从开发前就开始参与决策。
本文是 pstack 指南第二部分，介绍作者用 agent 进行调研、规划、原型和架构的工作流。核心观点是通过 /teach、/recall、/how、/why 等 skill 建立并保持对代码库的心智模型；用「readme 驱动开发」和 /technical-writing skill 以代码和文档形式规划；用 prototype 剧本并行生成多个方案让 agent 以实证回答开放问题；用 /architect 多阶段流程跨模型家族竞争设计并交叉评判。作者强调抽象计划只给人进步的幻觉，应让 agent 通过原型和验证自己回答问题，从而每月将数千个 PR 推进生产并保持高质量。
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。
本文是 pstack 指南的第二部分，探讨如何利用 pstack 进行调研、规划、原型设计和架构。作者强调验证是基础，但之后需明确构建目标。文章介绍了间接提示、/teach、/how、/why、/recall 等技巧，帮助代理理解意图和上下文，并指出历史记录是丰富上下文的金矿。最后讨论如何指定解决方案，避免过度指定实现细节。
作者介绍了其个人工程技能集 pstack，借助 AI Agent 每月发布 2000 个高质量 PR。文章重点讲解验证技能的重要性：让 Agent 能自行验证工作成果、闭环迭代，可将团队产出放大 100-1000 倍。作者分享了如何用 /create-verification-skill 创建验证技能，强调选择易调试的技术栈（如利用 Chrome DevTools Protocol、iOS 模拟器）对 Agent 工作效率的关键影响，并建议为 Agent 构建 CLI 形式的调试工具，使验证可复现、可测试，从而让所有工程师甚至非工程师都能高效贡献代码。
文章作者 lauren 分享了加入 Cursor 前后的编码体验对比，从使用 Claude Code 转向 Cursor，并深入探讨了如何通过 GUI 优于 CLI 的设计以及多模型对抗来提升效率。重点介绍了其开源的 pstack 插件，该插件通过一套严谨的技能和工作流，教导 AI Agent 像资深工程师一样进行二分法调试、代码审查和深度工作，以解决 AI 编码中常见的“平庸且快速”问题，倡导深度优于广度的 Agent 编排理念。
