FDE 深度研究报告 · 前置部署工程师的核心机制、培训与证书HTML

以 Palantir 一手材料拆解前置部署工程师(FDE):它是组织机制,非岗位名,靠用毛利换护城河成立,八周逾 85 亿美元下注;纠正「95% 试点失败」误引,给出五步闭环、五阶成熟度、90 天路线与反模式,并直言行业无公认证书、中国版偏向交付标准化。

现代文阅读提分·示例精讲:从 0 分到满分的拆解示范HTML

高考现代文阅读提分示例精讲:以四道仿真例题拆解信息类文本的选择题与主观题、文学类文本的选择题与作用题,每题给出错误答法、出错原因与满分答案对照,配套逐词回原文加七类陷阱速查、主观题六分三点采分公式与作用题四维支架,附考场速查卡,看完就能照练。

AI 原生软件开发工作流实战指南:从需求访谈到架构演进

这是一份可以照着做的 AI 原生软件开发工作流指南。我用 Claude Code 加 mattpocock/skills 技能集,从零开发了一款 macOS 原生应用「长辈计算器」,并在交付后走完了完整的架构演进循环。本文拆解这条工作流的每一个环节——为什么这样设计(所以然)、具体怎么做(操作步骤)、实战中长什么样(真实证据)——让没有经验的开发者也能照着走完全程。完整对话实录见实践实录,速读版见上一篇实践总结。

一、为什么需要「AI 原生」工作流

大多数人的 AI 编码方式是:打开编辑器,描述一个需求,AI 吐出代码,人肉检查。这是 AI 辅助——AI 是打字快的初级程序员,工程过程还是人的那套。

AI 原生的含义不同:整个软件工程过程——需求澄清、规格化、任务拆解、实现、测试、评审、演进——都围绕 AI 的特性重新设计。

1.1 四个经典失败模式

mattpocock/skills 的作者 Matt Pocock 在仓库 README 里总结了他观察到的四个 AI 编码失败模式,这套技能集就是对着这四个失败模式设计的。理解它们,就理解了整条工作流的"所以然":

失败模式 #1:智能体做的不是我要的(misalignment)

"No-one knows exactly what they want" —— 《程序员修炼之道》

AI 原生软件开发工作流实战指南:从需求访谈到架构演进HTML

一份可以照着做的 AI 原生软件开发工作流实战指南。作者用 Claude Code 从零开发一款适老化计算器应用,完整走通需求访谈、规格化、拆票、测试驱动实现、双轴评审与架构演进全流程,并给出团队落地路径,附四轮二十七问、三十六条故事与七十六个测试的真实数据。

jev-ultrafast 实战工作成果 · 从源码研究到真实联网任务成功HTML

实测超快浏览器智能体:离线契约测试全过,无需密钥即跑通决策循环;接入真实浏览器后三次运行定位过期日期根因,第三次以 $0.0114 成本完成苏黎世到伦敦航班任务,7/7 独立校验全过。报告拆解投机扇出机制、56% 决策过期率与延迟差距,并附三层可审计日志。

AI 原生软件开发生命周期 · 基于 mattpocock/skills 的最佳实践HTML

以 mattpocock/skills 技能库为蓝本,梳理AI原生软件开发生命周期的完整实践:先剖析它反对的四类失败模式与设计哲学,再走通从想法拷问、原型验证、规格化、拆票到实现与双轴评审的完整环节,并附上三条汇入通道与上下文卫生等要点,附录逐一详解全部技能。

公司 SDD 技能集定制方案 — 基于 mattpocock skills 的裁剪与增强HTML

公司规格驱动开发技能集定制方案:以可组合技能三层架构为骨架,借鉴差异增量防漂移机制与宪法门禁,并注入自研 AI 设计流水线实践,覆盖需求拷问至归档全链路。正文含三大工具源码级对比、裁剪清单、新增技能设计、质量门与治理不变量、人机分工及三阶段落地路线图。

html.to.design 深度研究:把网页编译成设计稿的插件HTML

深度拆解 Figma 网页转设计插件:它能将任意网页编译成完全可编辑的设计图层,已坐拥两百万用户与社区点赞第一,核心引擎被收购。报告讲清转换管线与质量分层、云端和扩展双通道的隐私代价、MCP 与 AI 工作流闭环、定价与竞品选型,并附风险清单与结论建议。

AI 原生设计流水线:从设计规范到 Figma 再到代码的实践指南

实践记录:在上一篇里,我用 Claude Code + mattpocock-skills 走通了 AI 原生的开发流水线。这一次,我把目光投向开发之前被忽略的环节——设计。我基于 Google 的 DESIGN.md 规范,为「长辈计算器」建立了完整的设计流水线:从现有网站提炼设计规范 → 生成高保真 HTML 原型 → 导入 Figma → 与代码对齐。本文拆解每个阶段的做法、工具的能力边界,以及实战中踩过的六个坑。

一、范式转变:设计的事实源搬家了

传统 SDLC 中,设计的事实源(single source of truth)是 Figma:设计师在画板上创作,开发通过"交付"把设计变成代码。AI 原生 SDLC 中,事实源上移到仓库里的文本规范——因为文本是 AI 的原生格式:可读、可 diff、可 lint、可版本化。

传统流向(人主导) AI 原生流向(AI 主导)
事实源 Figma 画板 仓库里的 DESIGN.md
设计稿形态 Figma 帧 HTML 高保真原型
Figma 的角色 创作层 协作与存档层
迭代成本 分钟级(人工拖图层) 秒级(改 prompt → 刷新)

为什么流向变了?两个现实约束:

  1. Figma 对 AI 只读。免费(Starter)账号下 REST API 只读且限流严格,官方 Dev Mode MCP 的完整能力需要付费席位。AI 没有"在 Figma 里创作"的手。
  2. HTML 是 AI 的天然设计稿。真实排版引擎渲染、可交互、秒级迭代,保真度甚至高于画板。

AI 原生软件开发实践:用 Claude Code × mattpocock-skills 从需求访谈到代码合入

实践记录:我用 Claude Code 加 mattpocock/skills 技能集,从零开发了一款 macOS 原生应用「长辈计算器」。本文以这次真实开发为主线,拆解这套"AI 原生"软件工程流水线的每个环节、它背后的设计哲学,以及实战中暴露的问题。原始对话实录见前一篇。

一、为什么是"AI 原生"而不是"AI 辅助"

大多数人的 AI 编码方式是:打开编辑器,描述一个需求,AI 吐出代码,人肉检查。这是 AI 辅助——AI 是打字快的初级程序员,工程过程还是人的那套。

AI 原生的含义不同:整个软件工程过程——需求澄清、规格化、任务拆解、实现、测试、评审——都围绕 AI 的特性重新设计。AI 的特性是什么?

AI 的特性 对工程过程的要求
上下文窗口有限,塞满后质量衰减 任务必须切成"单个上下文能装下"的批次
每次会话开始时最"清醒" 频繁开新会话,而不是一条会话干到底
不会主动追问,猜错了就错到底 需求阶段强制访谈,分歧在写代码前解决
产出无限、判断有限 人只做检查点决策,不做中间执行
记不住上一次的对话 共识必须落盘为文件,而不是留在脑子里

mattpocock/skills 就是围绕这张表设计的。