700 万人下载的 /grill-me，Matt Pocock 到底写了什么？
文章深入解析了 Matt Pocock 的 AI 工具 /grill-me 的核心逻辑。该工具并非让 AI 直接执行任务，而是通过一套追问协议，强迫 AI 先理清需求再行动，解决了 AI 瞎猜和抢跑的问题。文章进一步阐述了完整的 AI 协作五步法：质疑、规格化、拆票、TDD 和架构评审，旨在通过纪律约束防止 AI 失控，提升人机协作质量。
相关文档
Graph engineering, clearly explained
文章介绍了“图工程”这一AI概念，区分了知识图和代理图。它主张通过设计围绕AI的工作流程，而非单一对话，来提升AI输出的质量和可靠性，适用于复杂的多步骤任务。
AI 终于开始会做项目
文章介绍了一款名为 gstack 的 AI 开发工具，它不同于普通的代码生成工具，而是通过定义“思考→计划→构建→审查→测试→发布→复盘”的完整链路，将 AI 转变为一个具备纪律性的开发团队。作者深入分析了 gstack 在需求澄清、方案收敛、代码审查及真实 QA 方面的优势，并探讨了将其方法论迁移到 Hermes 技能体系中的具体路径与价值。
技能图谱 2.0：基于原子、分子和化合物的技能组合新思维
文章探讨了如何通过“原子、分子、化合物”的层级结构来更有效地组合技能，从而提升 AI Agent 工作的杠杆率。作者指出，直接链接技能（技能图谱）在依赖关系复杂时会导致不可靠性。新的方法论建议将技能分层：原子级技能提供确定性工作流，分子级技能解决具体问题，化合物级技能则赋予 Agent 高度自主权。通过在高层级驱动 Agent，人类可以用相同的脑力负载管理 100 倍的工作量。
耗时1000小时！硅谷技术负责人总结的AI提示词六大黄金法则
本文基于硅谷技术负责人Amit Rawal的实战经验，提炼出KERNEL框架六大提示词法则（简单、可验证、可复现、窄范围、明确约束、结构化）。该框架通过标准化指令，解决了AI输出不稳定的痛点，实测首次输出成功率大幅提升，Token用量显著降低，适用于代码开发、数据分析等确定性工作场景。
Collaborative Intelligence
文章探讨了 AI 如何从个人智能进化到协作智能。作者指出，目前的 AI 虽然提升了个人效率，但在组织层面收效甚微，因为缺乏对上下文和社会协作的理解。通过回顾科学学会、电话交换机和 Git 等历史案例，文章认为真正的突破在于将 AI 视为具备社交能力的参与者，嵌入到人类的协作工作流（如邮件、文档、代码库）中，从而实现组织生产力的指数级跃升。
How I work with Agents
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
两个 AI Skills 王者之间的对话：一个月 2,500 个 PR，是怎么做到的？
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。
高级 Skill 不是更长的提示词，而是一套组合技
文章探讨了高级 AI Skill 的本质：不是把更多指令塞进一份文件，而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库，总结出五种组合模式：路由（判断调用哪个 Skill）、顺序（强制工作流程）、选择（按需分诊组合）、流水线（专业能力交接）和分层（Skill 与系统能力分工）。文章提出组合 Skill 的五个核心零件：路由、输入输出契约、顺序与并行、上下文状态、验证反馈，并建议从真实返工中逐步长出组合关系。核心观点：Prompt 让 AI 听懂一次需求，Skill 固化一类做法，而组合 Skill 才能把复杂任务交付出来。
越改越烂！为什么 AI 自动修改 UI 总是翻车？「附终极解法」
作者分享用 AI 复刻页面时踩过的坑，搭建了渲染、截图、逐像素比对、模型诊断再修改的自动工作流。实测发现模型并非每轮都变好，有时越改越烂，最终保留历史最佳。作者总结三个关键坑：尺寸不一致、动画未播完、在坏版本上叠补丁，并给出三条规则：统一尺寸、固定渲染环境、每轮从历史最佳继续。
万字长文｜Skill 从入门到精通 - 入门一句话，精通一张词表
文章系统讲解如何编写 AI Skill：从用一句话加 SOP 封装出第一个 60 分的 skill，到通过把目标改写为动作、补充约束、设计自由度和提高词表颗粒度来提升到 90 分。作者拆解了摄影 skill 和封面 skill 两个开源案例，指出高手的秘诀在于将模糊概念拆成可执行的词表和明确的「不要」清单。还介绍了如何让 AI 递出陌生领域的行话词表，并澄清了 skill 与提示词、智能体的区别。全文强调约束和颗粒度决定 skill 的专业程度。
让 AI 真正懂你的工作：小白 Skill 制作指南
文章面向新手讲解如何为 Claude Code 和 Codex 制作个人 Skill，解决每天重复向 Agent 解释工作流程的问题。作者介绍 Skill 的本质是一个包含 SKILL.md 的目录，依赖渐进式披露机制；提出判断任务是否值得封装为 Skill 的三个信号（重复出现、依赖专有知识、错误成本高）；建议从成功协作会话中逆向工程提取 Skill，或先跑无 Skill 基线记录失败点再写规则；并详细分析三大坑：description 模糊导致不触发、把任务写成死板 SOP、SKILL.md 过长，给出 SKILL.md、references、scripts、assets 的合理拆分方式及三层验证与维护方法。
百万级 Skill grill-me：从安装到实战
本文介绍 Matt Pocock 开发的一套 AI 开发 Skills，包括 grill-me、to-spec、to-tickets、implement、tdd、code-review 和 grill-with-docs 共七个工具。核心思想是：AI Agent 最危险的不是慢，而是过于愿意在需求模糊时继续执行并自由发挥。这套 Skills 通过先追问清楚需求、把共识写成规格、拆成可验证任务、用测试约束实现、最后分轴审查代码，将问题反馈提前到写代码之前，从而减少返工。文中提供了 Claude Code 和 Codex 的安装方法以及每个 Skill 的可复制提示词。