三个 SDD 工具，三个不同的计算器 —— 应用产物深度对比HTML
同一作者用同一款老人计算器想法，分别以 OpenSpec、matt-skills、Spec Kit 三种规格驱动工具开发，逐行对比产物：流程文档最重达 1005 行、是最轻版本的 3.3 倍，代码只多 22%。以功能矩阵与五条洞察揭示工具如何反向塑造需求。
9 篇文章带有标签 “mattpocock-skills”
AI 原生软件开发实践：让智能体成为一支工程团队HTML
借 Claude Code 与 mattpocock-skills 开发 macOS「长辈计算器」，复盘访谈、规格、拆票、TDD、双轴评审五环节流水线：4 轮访谈落定 25 个决策点，36 条故事切为 12 张曳光弹切片，23 个测试全绿，关键在上下文工程。
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。
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。
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。
AI 原生软件开发实践：用 Claude Code × mattpocock-skills 从需求访谈到代码合入HTML
用 Claude 技能集从零开发「长辈计算器」，完整拆解 AI 原生开发流水线：需求访谈逐轮实时落盘、测试接缝先行、曳光弹式垂直切票、红绿循环与双轴代码评审。36 条用户故事拆成 12 张票，23 个行为测试全绿，共识归文件系统而非对话，并复盘关键踩坑。
AI SDLC: 使用 mattpocock-skills 进行适老化计算器 macOS 原生应用开发
安装
npx skills add mattpocock/skills
初始化（/setup-matt-pocock-skills）
/setup-matt-pocock-skills
在你的 agent 中，每个仓库运行一次。它会：
- 问你想使用哪个 issue tracker（GitHub、Linear 或本地文件）
- 问你在 triage ticket 时会给它们打什么标签（
/triage会用到标签） - 问你想把我们创建的文档保存在哪里
目录结构
.
├── CLAUDE.md
└── docs
└── agents
├── domain.md
├── issue-tracker.md
└── triage-labels.md
软件开发工作流程
grill-with-docs → to-spec → to-tickets → implement (tdd → code-review) → code-review
/grill-with-docs
description
一场为锐化计划或设计而不留情面的访谈，过程中还会同步创建文档（ADR 与术语表）。调用 Skill 工具两次，分别传入 "grilling" 和 "domain-modeling"。
详细介绍
grill-with-docs 就一个方案或设计对你进行访谈，直到你和 ag
面向真正工程师的技能集：Matt Pocock’s Skills
在 AI 辅助编程风靡的今天，许多开发者沉浸于 Vibe Coding（氛围感编码）——直接抛出几句自然语言需求，交由 AI 自动生成代码。然而，这种“野蛮生长”的方式往往会导致需求理解偏差、架构快速腐化（Ball of Mud）、上下文遗忘以及越改 Bug 越多的困境。
Matt Pocock 的开源项目 mattpocock/skills 正是为了解决这一痛点而生。它不是一堆零散的 Prompt 集合，而是一套为 Claude Code、Codex 等 AI 编程智能体设计的系统化软件工程最佳实践。
官方体系将技能划分为两大类：
- User-Invoked（用户触发）：由开发者在终端中通过命令显式调用（如
/grill-with-docs、/to-spec），用于任务编排与流程推进。 - Model-Invoked（模型自主调用）：由 AI 在执行具体任务时自行判断并调用的工程纪律规范（如
/tdd、/codebase-design）。
工作流全景链路 (The Engineering Harness)
核心开发主流程遵循着从“模糊想法”到“高质量交付”的递进逻辑：
没有找到匹配的文章