Matt Pocock 的工作坊提出了一个利用 Claude Code 实现高效 AI 编码的核心工作流。关键在于理解并规避 LLM 的“笨区”（约 10 万 token 后性能下降），并通过一套包含 Grill Me 对齐、PRD 定义、问题看板拆分和 Ralph Wiggum 自动循环的结构化流程，将大任务分解为可管理的“智能区”任务，确保开发过程可控且输出质量稳定。
Matt Pocock 的 AI Coding Workshop 完整教程：Skills、Grill Me、Ralph Wiggum Loop
Matt Pocock 的 AI Coding 工作坊提出了一套将 AI 编码从“氛围编码”（Vibe Coding）推向“代理工程”（Agentic Engineering）的结构化方法论。其核心在于承认并利用 LLM（大语言模型）的特定约束，通过设计精良的工作流来驾驭 AI，而非被动接受其输出。整个流程可以概括为：对齐（Align）、规划（Plan）、实现（Implement）。
理解 LLM 的根本约束：智能区 vs 笨区
Pocock 首先引入了一个关键概念：LLM 存在“智能区”（Smart Zone）与“笨区”（Dumb Zone）。这源于一个观察——随着对话上下文（tokens）的不断增加，LLM 的推理能力会显著下降。他将此比作足球联赛每增加一支队伍，比赛数量呈平方级增长，因为注意力机制需要处理 token 间所有复杂的关联。
Pocock 指出，无论模型的上下文窗口是 20 万还是 100 万 token，这个性能拐点大致出现在 10 万 token 附近。当上下文信息超过这个阈值，模型就开始犯下低级错误，进入“笨区”。因此，所有高效的工作流设计都必须围绕一个目标：确保关键任务在“智能区”内完成。
这意味着不能让 AI 一次性处理一个庞大的、模糊的任务。相反，需要像对待人类开发者一样，将大任务拆解为清晰、可管理的小块，避免 AI “消化不良”。
第一阶段：使用 Grill Me 技能达到深度对齐
在开始编码之前，Pocock 强烈反对“规格说明直接转代码”（Specs to Code）的模式。他认为代码本身是“战场”，开发者必须理解并塑造它，而不仅仅是审查一份脱离实现的文档。
他解决“对齐”问题的方案是使用一个名为 Grill Me 的技能。这个技能的指令极其精简，其核心是：
“Interview me relentlessly about every aspect of this plan until we reach a shared understanding. Walk down each branch of the design tree, resolving dependencies one by one. For each question, provide your recommended answer. Ask the questions one at a time.”
在工作坊中，Pocock 展示了如何用 /grill_me 命令处理一份模糊的客户 Slack 简报。AI 会先通过一个子代理（Subagent）探索代码库，然后开始就功能的各个方面进行连环提问，并给出推荐答案。这个过程可能持续数十甚至上百个问题。
其目的不是快速生成一份计划，而是像两位开发者配对编程（Pair Programming）一样，与 AI 达成“设计共识”（Design Concept）。只有当开发者与 AI 就目标、边界、技术选择等达成深度一致后，后续工作才有可靠的基础。这通常是一个 “人在环路中” 的任务，需要人类持续参与和决策。
第二阶段：从对齐到规划——创建 PRD 与拆解问题看板
达成对齐后，下一步是将对话中形成的“设计共识”固化为一份“目的地文档”。Pocock 将其称为产品需求文档（PRD）。这份文档的核心功能是清晰定义“我们要去哪里”，包含问题陈述、解决方案概述、用户故事（User Stories）以及关键的技术和测试决策。
Pocock 实践中，他甚至不详细审阅这份 PRD，因为他信任在 Grill Me 阶段建立的对齐基础，知道 LLM 擅长在共享理解下进行总结。
真正的关键步骤是将 PRD 拆解为可执行的“旅程”。Pocock 采用**看板（Kanban）**的形式，创建一系列带有阻塞依赖关系的问题单。他特别强调 “纵向切片”（Vertical Slices）或“示踪子弹”（Tracer Bullets） 的技术。
AI 的自然倾向是进行水平编码：先完成所有数据库层，再完成所有 API 层，最后完成前端。但这会导致集成风险后置，早期看不到可运行的功能。纵向切片则要求每个任务都贯穿系统各层（如：数据库 → API → 前端），形成一个可独立运行、可测试的功能单元。例如，“为完成课程添加积分”就是一个纵向切片，它会涉及数据库 schema、积分服务 API 和前端显示。这种拆解方式能更早暴露集成问题，让每个任务在“智能区”内更可控。
第三阶段：自动循环实现——Ralph Wiggum Loop
有了拆解好的任务看板，便进入实现阶段。这里的核心是 Ralph Wiggum Loop。Pocock 将其描述为一个自动化循环：定义清晰的“目的地”（如 PRD），然后让 AI 自主地、循环地执行“小步骤”，每次都将项目推向目的地更近一步。
他将这种可以完全交由 AI 执行、人类可以“离席”的任务称为 AFK 任务。实现阶段的很多编码工作都可以转化为 AFK 任务。
结合之前的概念，理想的实现单元是一个个“纵向切片”的问题单。对于每个问题单，可以构建一个小型、专注的循环：让 AI（可能通过专用的子代理或命令）在智能区内完成该切片的完整实现，然后进行测试验证，确认成功后更新问题单状态，再开始下一个切片。这避免了单次会话上下文过长，同时通过结构化的任务列表保持了方向的正确性。
总结：系统化驾驭 AI 的思维模式
Matt Pocock 的工作坊并非仅仅介绍几个工具，而是倡导一种新的思维模式：
- 接受约束，而非对抗：承认 LLM 的“智能区”限制，并以此设计任务大小。
- 投资对齐：使用 Grill Me 等技能进行前期深度对齐，这比快速生成一个可能错误的计划更有价值。
- 代码即战场：始终保持对代码结构和实现的关注，通过 PRD 和纵向切片进行系统设计。
- 自动化可预测的步骤：将实现阶段的编码任务分解为可循环执行的 AFK 任务，利用自动化提高效率。
这套方法论将软件工程的经典原则（如任务分解、纵向切片、配对编程）与 AI 的特性相结合，为构建可靠、可维护的 AI 辅助开发流程提供了清晰的路线图。它帮助开发者从被动的“提示工程师”转变为主动的“代理架构师”。
FAQ
Q: 什么是 LLM 的“智能区”和“笨区”？ A: 这是描述 LLM 性能随上下文长度变化的一个模型。在对话开始、上下文较短时，LLM 处于“智能区”，推理能力最强。随着对话进行，上下文 token 数持续增加（约超过 10 万 token 后），注意力机制负担加重，模型容易犯错，进入“笨区”。高效工作流应确保关键决策和任务在“智能区”内完成。
Q: Grill Me 技能主要解决什么问题？ A: Grill Me 技能主要解决 AI 编码初期的“对齐”问题。它通过让 AI 连续提问并给出推荐答案的方式，强迫开发者与 AI 就需求细节、设计取舍和技术方案进行深度讨论，直至形成共同的“设计共识”。这避免了 AI 仓促生成一个基于表面理解、可能完全偏离需求的计划，是启动高质量 AI 编码的关键步骤。