start-with-why-skillset 面向智能体工作流

大家好！这是我在 Reddit 上的第一篇帖子。本文并非由 AI 生成，我希望这篇帖子能保持真实😃。我想分享我近期开发并经过小任务短期测试的技能集，希望能获得一些反馈。 **TL;DR**：这是一个轻量级技能集，它借鉴（或者说尝试借鉴）了 superpower 技能集和 Matt Pocock 技能中的一些最佳理念。其核心是尽可能少用 token，同时拥有一个相当严格的流水线式工作流程。它原本是为大型代码库设计的，因为我从事 C++/Qt/遗留系统领域。我从 Matt Pocock 那里学到的理念是：采用类似 /grill-me 的方法来构建**人类与智能体之间的共享理解**，然后按**垂直切片**进行规划和实现，同时分层探索代码，**逐步深入**各层/模块。我有意让它保持精简，以免撑爆上下文窗口。 **接下来是详细部分：** * **关于我**：我是一名居住德国的 C++ 开发者，目前主要从事遗留代码相关工作。 * **动机**：如前所述，我处在一个涉及 C++/Qt/遗留系统的领域，我们需要构建本地智能体。我希望开发一个对中等规模本地模型（如 Qwen3-Coder-Next）有用，且适用于我本地项目（使用 FastAPI、Docker、Next.js 等工具，有些工具可能不那么现代）的技能集。我对这套技术栈完全陌生，因此感觉有些吃力。但这个技能集同样应该适用于遗留代码。 * **背景**：我之前用过带 superpowers 的 Claude Code，然后用过带 Kimi K2.6 和 superpowers 的 OpenCode，现在换成了 Pi 智能体搭配 GPT5.5，因为“少即是多”（我个人观点）。 * **为什么选择 Pi**：我看过 Mario Zechner 的一些视频，他解释了为什么构建 Pi。这与我个人的经历和体会高度吻合，所以我想试试看。目前我很喜欢它。 * **主要问题**：当上下文窗口超过 40%（或者说达到 10 万 token 上限）时，LLM 会变得“迟钝”。 * 我发现 **superpowers** 的问题在于它消耗大量上下文窗口，结果有时不可预测，而且阅读它生成的规范和计划时我会感到困惑。不过，我很喜欢使用它时的感觉，它有严格的流水线和许多验证步骤，这一点我很认可。 * 我发现 **Matt Pocock 技能集** 的问题在于它没有清晰的工作流程（至少对我是这样），而且有很多我不懂的词汇。我很难读懂智能体的输出。也许是我的使用方法不对……所以我决定实现自己的技能集，作为两者轻量级的结合。 **是的**，我和 GPT5.5 一起生成了这个技能集，结果挺有趣的。 **重要提示**：这个并不是有意实现全自动工作流，因为我希望自己参与过程，暂时不想自动化所有事情。另外，这还只是个草稿版本，请记住这一点。 **我希望这个技能集具备的主要特性：** 1. 该技能集通过提问来理解意图，尝试在实现功能或修复 bug 时与你期望的最终结果对齐，并了解你为何想要这种行为（这就是它被称为 **“start-with-why-skillset”** 的原因）。我坚信，如果我们提供关于任何特定变更意图（即变更/功能的意图和原因）的更多信息，任何 LLM 都会表现更好。 2. 它有严格的流水线，无论是实现功能还是修复 bug，都需遵循。还有一项用于改进代码库架构的技能，但我尚未充分测试。 3. 它有自己的任务跟踪系统，记录已完成的工作。智能体了解当前任务，并跟踪垂直切片的实现情况。它还会验证每个切片的实现，然后进行最终检查。 4. 我**懒得**在这里解释所有内容，只需查看仓库，让 AI 浏览文件并解释工作流程及其意图😄。你可以在评论区找到链接（根据规则，我无法在帖子正文中放置链接）。你可以下载并测试。 **它还处于 beta 阶段，非常原始**，因此属于“手动放入你的项目中”的类型，并且仍有待改进（希望如此）。还有一个名为 *"docs/task-lifecycle-structured-state"* 的分支，其中包含一些结构改进，你也可以查看。 如果你能试用、分享结果并提供一些反馈（可能的改进点），那就太好了。我还没有在 Pi 中与子智能体一起测试，因为我想找一个轻量级的子智能体扩展。Pi 的“Packages”页面上已有的扩展 token 消耗很大。未来我想弄清楚如何将其与 codebase-memory-mcp（链接在评论中）插件一起使用，该插件可构建代码库的 AST 图。到目前为止，它撑爆了我的上下文窗口，但可能是因为我没有过滤掉 superpowers 生成的规范/计划文档。 我非常欢迎对这套技能集的任何反馈，尤其是： - 它如何处理需要长时间会话的多阶段任务 - 它与你特定设置的集成效果如何（但我对 Pi 智能体更感兴趣） - 它在遗留代码库中的表现 - 如果你能将其与 RAG 或任何其他基于 AST 的代码库记忆系统集成，请分享经验 结束！