AI编程五步法：像工程师一样驾驭智能体

一门讲基本功的AI编程课

当大多数AI编程教程还在教你如何写出更巧妙的提示词、如何折腾某个特定工具的怪癖时，Matt Pocock推出的这门《AI编程速成课程》选择了一条截然不同的路径：回归软件工程的基本原则。

Matt Pocock是TypeScript社区的知名讲师，他的Skills仓库在录制时刚刚突破20万颗星，跻身GitHub历史上最受欢迎的前20个仓库之列，Skills下载量也已突破1300万次。这里所说的Skills，是AI编程智能体生态中的一种标准化配置机制，通常以Markdown或YAML文件的形式存在于项目仓库中（如.cursor/rules、.claude/commands等目录下）。这些文件为智能体提供了项目级别的指令、编码规范、工作流程和约束条件。Skills的核心价值在于它是一种"可移植的智慧"——与特定IDE插件或工具的私有配置不同，Skills文件本质上是纯文本的工程知识沉淀，可以在不同的智能体和开发环境之间迁移。Matt的TotalTypeScript/skills仓库之所以爆红，正是因为它提供了一套经过社区验证的、可直接复用的TypeScript最佳实践规则集，让智能体在生成代码时能自动遵循这些约定。这些数字背后是一个明确的信号——开发者们真正需要的，不是又一个花哨的技巧集合，而是一套能在实际工作中稳定交付代码的方法论。

他花了大约两年时间摸索AI编程，最终提炼出的核心观点很朴素：提升代码交付质量的关键，不是等模型变得更强，而是让开发者本身变得更强。

不管我在尝试什么别的东西

AI编程五步交付系统：贯穿始终的工程方法

这门课程的核心是一套五步交付系统，Matt强调，无论他后来尝试过多少别的方法，这五个步骤始终没有变过，是交付优秀工作的必要环节。

五个不变的步骤

深入追问（Interrogation）：在动手之前，先通过追问把需求和边界彻底搞清楚，而不是急于让智能体开始写代码。
创建规格说明（Spec）：将追问得到的理解沉淀为一份明确的规格文档，作为后续工作的锚点。
为规格创建工单（Tickets）：把规格拆解成一个个可执行的工单，让庞大的任务变得可管理。
实现（Implementation）：真正让智能体去写代码，落地每个工单。
审查（Review）：对产出进行严格审查，确保质量达标。

这套流程本质上是把成熟软件工程生命周期中的最佳实践，重新引入到AI辅助开发中。在传统软件工程中，需求分析→系统设计→编码→测试→交付的流程早已是行业共识，敏捷开发进一步将其浓缩为用户故事→Sprint规划→开发→评审的迭代循环。然而，AI编程工具的出现让许多开发者产生了一种错觉：既然模型能"自动写代码"，那前期的需求分析和设计就可以省略。这种做法在小型脚本或一次性任务中可能侥幸成功，但在真实项目中几乎必然导致返工。Matt的五步法本质上是在说：AI改变了"谁来写代码"，但没有改变"好软件需要清晰需求和周密设计"这一基本规律。

Matt指出，很多人使用AI编程时之所以效果不佳，恰恰是因为跳过了前置的追问与规格环节，直接让智能体在模糊需求下"猜着写"。

你们会和自己的智能体一起工作

上下文管理：AI编程中被忽视的核心能力

课程中一个尤为值得关注的部分，是关于上下文管理的深入讨论。这也是当前AI编程实践中最容易被低估的能力。

注意力会随上下文变长而下降

Matt明确指出一个技术现实：随着上下文窗口越来越长，模型的注意力实际上是在下降的。这里所说的上下文窗口（Context Window），是指大语言模型在一次推理过程中能够同时处理的最大文本长度，通常以token数量来衡量。早期的GPT-3.5上下文窗口仅有4K tokens，而当前主流模型已扩展到128K甚至200K tokens。然而，2023年斯坦福大学等机构发表的研究论文《Lost in the Middle》揭示了一个关键发现：当上下文变长时，模型对位于中间位置信息的检索和利用能力会显著下降，呈现出明显的U形注意力曲线——模型对开头和结尾的信息关注度最高，对中间部分则容易"遗忘"。这意味着更长的上下文窗口并不等于更好的理解能力，反而可能因为信息密度被稀释而导致输出质量下降。

换句话说，把所有信息一股脑塞进上下文并不会带来更好的结果，反而可能稀释模型对关键信息的关注。

基于这一认知，课程会教你在三种操作之间做决策：

什么时候应该压缩（compact）：在保留关键信息的前提下精简上下文。具体来说，压缩是指对已有对话历史进行摘要式精简——例如将一段长达数千token的调试过程压缩为"已修复X组件的Y问题，采用了Z方案"这样的简洁总结，在不丢失关键语义的前提下大幅缩减上下文占用。
什么时候应该清空（clear）：果断丢弃已完成、不再相关的内容。清空操作更为激进，适用于当前任务已完全结束、历史上下文对新任务没有参考价值的情况，此时保留旧信息只会增加噪声，干扰模型对新任务的理解。
什么时候应该交接（handoff）：将任务在不同会话或智能体之间传递。交接是最精细的操作，涉及在不同会话或不同智能体之间传递结构化的任务状态——比如一个智能体完成了数据库schema设计后，将设计文档和约束条件传递给另一个负责API实现的智能体。

这三种策略的灵活运用，本质上是在管理模型的"认知带宽"。与之配套的，是如何把庞大的工作拆分成智能体能够真正处理的粒度。这与前面五步法中的"创建工单"环节相呼应——好的任务拆分，本身就是一种上下文管理策略。

不绑定特定工具的教学理念

面对"我该用哪个智能体"这一常见困惑，Matt给出的答案颇具启发性：用任何能在终端里运行、并且能使用skills的智能体就行。

这几乎涵盖了当前主流选择——Claude Code、Codex、OpenCode、GitHub Copilot以及Gemini的相关工具都在其列。他本人日常使用的是Claude Code，而演示中调用的智能体是Codex（录制时最受欢迎的编程智能体之一）。Claude Code是Anthropic推出的命令行AI编程工具，直接在终端中运行，能够读取和修改本地文件系统、执行shell命令、与Git交互，本质上是一个具备完整开发环境感知能力的智能体。与之相比，OpenAI的Codex CLI也采用类似的终端原生设计理念，强调在本地沙盒环境中自主完成编码任务。两者都区别于嵌入式的IDE插件（如GitHub Copilot早期的自动补全模式），代表了AI编程工具从"辅助补全"向"自主执行"演进的趋势。这类终端原生智能体的共同特点是支持agentic模式——它们不仅能生成代码片段，还能自主规划文件修改、运行测试、修复错误，形成完整的编码闭环。

为什么强调技能"可迁移"

课程刻意不去深挖某个特定智能体的怪癖，而是教授基本功。原因在于：所有内容都通过skills来交付，这意味着你学到的技能可以带走，用在任何智能体上。

这种设计极大地降低了学习的贬值风险。在工具快速迭代的AI领域，绑定单一工具的技能很快会过时，而底层的工程方法论则具有长久价值。

所以你可以把这些skills带走

实战演练：Cadence项目

这不是一门纯理论课。整个学习过程围绕一个名为Cadence的演练项目展开——这是一个基于TypeScript和Node的应用，功能已经相当成熟，用户可以在上面购买课程、学习课程、完成测验。

学员会和自己的智能体一起工作，在这个真实项目上交付功能，完整走一遍Matt过去十年一直在实践、并且被验证与智能体配合极佳的软件开发生命周期。这种"边做边学"的方式，确保了方法论不会停留在纸面。选择一个已有相当代码量的成熟项目而非从零开始的空白仓库，也是一个深思熟虑的设计——在现实工作中，开发者面对的绝大多数场景都是在已有代码库上迭代，而不是从头搭建。在复杂的已有代码库中引导智能体正确理解项目结构、遵循已有约定、避免引入破坏性变更，这才是AI编程真正的难点所在。

学习门槛极低，回报很高

这门课程的先决条件出人意料地简单，只有两条：

你能读懂代码吗？——不一定要会写代码，但对代码的大致形态有概念，能在代码库里导航、理解发生了什么。
你会用终端吗？——会打开终端，会用CD、LS这类基本命令，大致明白里面在发生什么。

你会用终端吗

你可能没注意到，Matt还专门为完全没接触过AI编程的同学安排了一节Claude Code入门，让他们达到足够跟上课程的水平。但进入核心部分后，课程就基本不再谈论具体工具，而是全程聚焦于任何框架、任何智能体上都通用的基本功。

核心价值：让你自身升级

用Matt自己的话说，这套方法"在上下文负担方面非常轻，只要求你有一点点理解力"。它的目标不是把开发者训练成某个工具的熟练操作工，而是让你具备驾驭任何智能体的底层能力，从而以超高质量交付大量工作。

在人人都在追逐更强模型的当下，这门课程提供了一个清醒的视角：AI编程的天花板，往往不在模型，而在使用它的人。 这与软件工程领域一个经典的观察不谋而合——Fred Brooks在《人月神话》中提出的"没有银弹"论断指出，软件开发中的根本困难（essential difficulty）在于概念结构的复杂性，而非编码本身的机械劳动。AI工具极大地消解了后者，但前者——理解需求、设计架构、管理复杂性——依然牢牢掌握在人类开发者手中。Matt的这门课程，本质上是在教你如何成为AI时代更好的"概念建筑师"。