如何消除AI Agent理解偏差:mattpocock-skills-zh-CN的/grill-me追问式访谈实战教程
【免费下载链接】mattpocock-skills-zh-CN这是 mattpocock/skills 的简体中文本地化版本。项目地址: https://gitcode.com/gh_mirrors/mat/mattpocock-skills-zh-CN
grill-me是 mattpocock-skills-zh-CN 项目中一款专为消除 AI Agent 理解偏差而设计的追问式访谈技能。通过"一次一个问题"的压力测试访谈,它能帮你在动手构建前让 Agent 与你达成共同理解,彻底告别"AI 没做我想要的东西"这一最典型的沟通失败模式。本教程面向新手,完整讲解其原理、安装与实战方法。
一、为什么 AI Agent 总是"理解偏差"?
用 AI Agent 写代码时,最常见的失败模式是misalignment(对齐失败):你以为 Agent 理解了你想要什么,等看到产出物才发现它完全跑偏了。
项目作者在 README.md 中一针见血地指出:
"No-one knows exactly what they want" —— 软件开发中最常见的失败模式就是 misalignment。你以为对方理解了你想要什么;等看到做出来的东西,才发现对方完全没理解。
AI 时代也是一样:你和 Agent 之间存在沟通缺口。修复方式就是进行一次grilling session——让 Agent 针对你要构建的东西提出详细问题,把每一个隐含的判断都摊到台面上。
这就是grill-me诞生的原因。
二、grill-me 是什么?
grill-me位于 skills/productivity/grill-me/SKILL.md,它的定位非常简洁:
一个用来打磨计划或设计的持续追问式访谈。
它背后调用的是可复用的核心访谈循环 grilling,其核心规则(见 skills/productivity/grilling/SKILL.md):
- 一次只问一个问题,等待你的反馈后再继续——一次问多个问题会让人失去方向
- 每个问题都附带 Agent 自己的推荐答案,你是在对一个提案做出反应,而不是盯着空白提示发呆
- 事实类问题自己去查:能通过探索环境(文件系统、工具等)找到答案的fact,Agent 直接查找,不打扰你
- 决策类问题交给你:decisions属于你,逐个交给你决定,并等待回答
- 未确认共同理解前,绝不行动
官方文档 docs/productivity/grill-me.md 把它的心智模型比喻为一棵decision tree(决策树):Session 把计划当作一棵由 decisions 组成的树来走,先确定 parent decision,再处理挂在它下面的 choices,直到每个分支都被解决。重点不是尽快达成一致,而是让每一个隐含的判断都变得明确,好让任何重要的事情都不会被默默地当成理所当然。
三、30 秒安装:grill-me 一键上手
安装步骤
- 运行 skills 安装器:
npx skills@latest add vinvcn/mattpocock-skills-zh-CN- 在交互界面中勾选
grill-me(以及你要安装的 coding agent),完成安装 - 在你的 Agent 中输入
/grill-me即可开始访谈
只想单独安装这一个技能?可以用带参数的安装命令(见 docs/productivity/grill-me.md):
npx skills add vinvcn/mattpocock-skills-zh-CN --skill=grill-me调用注意
grill-me是User-invoked技能——只有你手动输入名称时才会触发,Agent 不会自行调用(其 frontmatter 中标记了disable-model-invocation: true,见 skills/productivity/grill-me/SKILL.md)。它的工作是编排,内部委托给可复用的 grilling 循环。
四、实战:一场追问式访谈如何进行
假设你要构建一个"课程视频管理工具"。输入/grill-me后,流程大致是:
- 你简述计划:大方向大致对了,但你能感觉到其中藏着尚未解决的 decisions
- Agent 开始单点追问:一次一个问题,且附带推荐答案。例如:"这个字段是全局唯一的还是每用户一个?我的推荐是……"
- 你逐个回答:早期的答案会重塑接下来出现的问题(这正是问题按依赖顺序出现的原因)
- 事实自查:如果某个问题靠读代码就能回答,Agent 自己去探索环境,不浪费你的注意力
- 达成共同理解:你确认每个分支都已解决后,Agent 才会行动
grill-me是stateless的:它什么都不写,也不留下 workspace,在任何地方都能运行,唯一的产物就是对话本身那份被打磨清晰的理解。
五、如何选择:grill-me 还是 grill-with-docs?
项目里还有一个"有状态"的兄弟 grill-with-docs,两者运行同一个/grilling循环,区别在于:
| 对比项 | /grill-me | /grill-with-docs |
|---|---|---|
| 适用场景 | 没有 codebase 的计划、设计、想法 | 有 codebase 的真实项目 |
| 状态 | stateless,不留文件 | stateful,会留下文档痕迹 |
| 产物 | 共同理解(对话本身) | 共同理解 +CONTEXT.md术语表 + ADR 决策记录 |
| 位置 | skills/productivity/ | skills/engineering/ |
选择建议(参考 skills/engineering/ask-matt/SKILL.md 的路由逻辑):
- 有 codebase→ 从
/grill-with-docs开始,它会顺带构建项目 domain model、打磨术语,并把难解释的决策记录到 ADR 中 - 没有 codebase(打磨一个独立想法、方案、流程设计)→ 用
/grill-me - 不确定用哪个→ 输入
/ask-matt让路由器帮你判断 - 事情大到一次 session 装不下(greenfield 项目、庞大功能构建)→ 先用 wayfinder 规划成 decisions 地图
六、grill-me 在完整工作流中的位置
在作者推荐的主工作流idea → ship中(详见 docs/invocation.md 与 skills/engineering/ask-matt/SKILL.md):
/grill-me或/grill-with-docs—— 通过访谈打磨想法(对齐阶段)/to-spec—— 把已达成的理解综合成 spec,无需重新访谈/to-tickets—— 拆成 tracer-bullet tickets/implement—— 基于 tickets 实现,内部驱动/tdd,并以/code-review收尾
一个实用细节:从第 1 步到/to-tickets要留在同一个未中断的 context window中,不要 compact 或 clear,这样 grilling、spec 和 tickets 才能建立在同一组思考之上。
七、新手常见问题
Q:访谈太耗时,值得每次都做吗?
作者建议"每次想做变更时都值得使用"。grilling 的价值在于把返工成本前置:一次 10 分钟的追问,胜过事后推倒重来。而且它对任何模型都适用,背后是数十年工程经验的压缩。
Q:Agent 会一直问下去停不下来吗?
不会。收敛条件是"你确认已达成共同理解"——每个分支解决后,访谈自然走向终点。走到另一头时,你会得到一份所有分支都被走过的计划。
Q:grill-me 会修改我的项目文件吗?
不会。它是 stateless 的,什么都不写。想要持久化文档痕迹(ADRs、glossary)时,才需要切换到/grill-with-docs。
八、总结
| 要点 | 说明 |
|---|---|
| 核心关键词 | AI Agent 理解偏差、追问式访谈、grill-me、decision tree、共同理解 |
| 何时使用 | 计划"大体感觉对了"但藏着未解决 decisions 时 |
| 如何调用 | 手动输入/grill-me(Agent 不会自动触发) |
| 关键纪律 | 一次一问、每题带推荐答案、fact 自查、decision 交人、未确认不行动 |
消除 AI Agent 理解偏差,本质上是在构建前做一次压力测试:让软肋被找出来、被摊到台面上。grill-me把这项纪律压缩成了一条命令。试试在你的下一个想法上运行一次,就知道它有多实用了。
相关文档延伸阅读:
- skills/productivity/grill-me/SKILL.md —— grill-me 技能定义
- skills/productivity/grilling/SKILL.md —— grilling 访谈循环核心规则
- docs/productivity/grill-me.md —— grill-me 官方说明文档
- docs/productivity/grilling.md —— grilling primitive 文档
【免费下载链接】mattpocock-skills-zh-CN这是 mattpocock/skills 的简体中文本地化版本。项目地址: https://gitcode.com/gh_mirrors/mat/mattpocock-skills-zh-CN
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考