216
2📝 本期播客简介
本期我们克隆了：David Ondrej 的 AI 与软件工程访谈《Matt Pocock’s Agentic Engineering Workflow (just copy him)》
原内容更新时间：2026-06-18
本期嘉宾 Matt Pocock 是 TypeScript 与开发者教育领域极具影响力的创作者，他和主持人 David Ondrej 深入讨论了 AI 编程时代，开发者真正应该提升的能力是什么。Matt 的核心观点非常鲜明：AI 已经非常擅长 tactical programming，也就是写代码、改 bug、做 commit 这些战术性工作；但人类开发者必须更擅长 strategic programming，也就是软件设计、代码库架构、任务拆分、测试策略、产品判断和长期方向。
这期节目不是一场单纯的工具盘点，而是一套关于 Agentic Engineering 的实践哲学。你会听到 Matt 如何使用 Claude Code、Opus、Sandcastle、GitHub Actions 和 AFK 智能体，把 AI 放进安全、可并行、可 review 的工程流水线里；也会听到他为什么反对盲目追逐最新模型，认为真正重要的是运行框架、代码库可修改性、软件基本功和人的判断力。
节目中还现场演示了 Matt 的 teach skill：一个能根据学习者目标、当前水平和本地工作区，生成个性化课程的 AI 技能。它不仅能教 Git、调试、测试等基础知识，还会记录学习状态，像一个真正了解你的老师一样持续推进学习路径。除此之外，Matt 还分享了 grill me skill、流程型技能与能力型技能的区别、Agentic Loops 与任务队列的关系、人类 review 如何演化，以及 AI 时代做产品、创业和招聘的底层逻辑。
如果你是开发者、AI builder、产品经理，或者正在思考如何不被 AI 编程浪潮淘汰，这期节目会给你一个很清醒的答案：不要把思考外包给 AI。把战术性交付交给 AI，把战略性判断、产品愿景和系统改进牢牢握在自己手里。
👨💻 本期嘉宾
Matt Pocock，知名开发者教育者、TypeScript 与 AI 编程实践领域创作者。他长期面向开发者制作高质量课程和开源工具，尤其关注 TypeScript、开发者体验、智能体技能与 AI 辅助工程工作流。他的 skills 仓库包含 teach、grill me 等多个面向 AI 编程与学习场景的智能体技能。
🎙️ 主持人
David Ondrej，长期关注 AI 工具、智能体工作流和 AI 编程实践的创作者。
⏱️ 时间戳
开场 & 播客简介
AI 编程时代的人类价值
模型不是全部：为什么 Matt 更关注运行框架而不是新模型
tactical programming 与 strategic programming：AI 吃掉了哪一部分工作
无限战术程序员大军：人类开发者必须学会战略性指挥
如何委派 AI：任务边界、接口设计、测试策略与文档
技能就是 AI 的上限：为什么高级开发者会被 AI 放大十倍
AI 个性化学习与 teach skill
teach skill 的诞生：把教学原则编码进智能体技能
现场演示：一个 Vibe Coder 如何补齐工程基础
真正要学的不是更多语法，而是 Git、调试、测试与交付
教学不是灌输信息，而是帮学习者重新定位自己的使命
口述能力的重要性：开发者如何更快把想法变成 AI 可用的输入
stateful skill：为什么好老师必须记住你的目标、进度和上下文
第一课：Git 是项目的撤销按钮
个性化练习与测验：AI 如何用成熟教育方法增强记忆
知识图谱与线性路径：teach skill 如何记录学习进程
如何安装 Matt 的 skills 仓库
好技能、坏技能与人的主导权
两类智能体技能：流程型技能与能力型技能
grill me skill：让 AI 成为对抗性面试官，逼你先想清楚
从想法到 PRD，再拆成 issue：Matt 偏好的 AI 协作流程
为什么不该把思考外包给模型
技能太多会污染上下文：为什么能力清单不一定应该塞给 AI
高级开发者的新机会：把工程流程抽象成可复用技能
知识、技能与智慧：为什么真正的判断力很难被直接打包
Matt 的 Agentic Engineering 配置
Claude Code、Opus 与本地规划：Matt 的基础 AI 编程配置
Sandcastle：为什么要在沙箱里运行智能体
并行智能体：Docker、Podman、Vercel 沙箱与远程执行
GitHub Actions 工作流：让智能体自动 review PR
AFK 工作方式：离开键盘后，让智能体继续完成任务
为什么 Matt 不太频繁切换模型
运行框架比模型更可控：prompt、技能、环境与代码库的综合优化
别只追模型，要优化运行框架
模型与运行框架应该各占一半，而不是 90% 对 10%
“苦涩的教训”：算力会赢，但不代表你应该放弃优化系统
好代码库才是 AI 的加速器
不要围绕单个模型过度优化：长期有效的是软件基本功
三十年、四十年仍然有效的东西：让代码库更容易修改
如何优化 token 成本：不是写更短 prompt，而是让代码更好改
Vibe Coder 的陷阱：每周换工具，却不学习软件工程原则
真正的上限是人的技能，而不是模型订阅
Fable、深层 Bug 与系统性改进
David 的 Fable 体验：AI 自己操作浏览器、创建 API key、迁移 app
AI 是否让人的价值变低了？
Matt 的回应：AI 能执行任务，但判断标准仍然来自人
更强模型发现深层 bug，是否意味着 AI 参与更深？
不是只有新模型能发现问题：合适的运行框架也能持续做安全审查
实践落后时，人们会误以为只能靠更强模型补洞
从一次 bug 修复中真正应该学到什么
把循环内置进系统：测试、审查、重构和持续安全检查
十倍 AI builder 的关键能力：不是修掉 bug，而是修掉 bug 产生的系统原因
Agentic Loops、AFK 与任务队列
人在环路中 vs AFK：两种 AI 工作模式的区别
AFK 是产出暴增的关键：把自己从等待权限和反复确认中解放出来
Ralph loop：早期循环式智能体工作流
为什么 Matt 更喜欢“队列”而不是“循环”
issue 队列：探索、分诊、实现、review 与合并
开发团队本来就是任务队列系统
循环不是完整图景，真正重要的是 AFK 智能体和任务流
人类检查点与自动化边界
自动化 bug 处理：从线上错误到 issue、探索、修复、review
把人在环路中的检查点不断往右推
人类最终看到的，不只是 bug，而是探索结果、修复方案和 review 请求
什么时候可以自动合并到生产环境？
review 的双重价值：防风险，也获得系统洞察
我们 review 的不只是代码，也是在 review 生成代码的系统
更适合智能体时代的 review：总结模式、历史记录与个性化反馈
AI 生成讲解视频：让 PR review 变得更丰富、更快
AI 时代做软件与做生意
SaaS 死了吗？Matt 认为做生意的基本功没变
还是要跟客户聊：弄清楚他们真正需要什么
AI 能加速实现，但不能替你找到正确问题
不要让 AI 替你决定产品方向
应该问 AI 什么：删掉什么、如何更简单、如何改善 UX
警惕功能膨胀：不要做成有一千个功能却没人会用的产品
高级开发者、AI 新人与未来招聘
高级开发者能被 AI 放大十倍，但前提是愿意使用 AI
年轻 AI 原生开发者 vs 传统高级开发者：谁更有优势？
DX 与 AX：开发者体验和智能体体验的重叠
好的软件基本功同时改善人类协作和智能体协作
关键不是资历，而是实验心态与对 AI 的兴趣
只做 tactical programming 的程序员没有未来
未来开发者必须从写代码工具人转向战略性思考者
给普通 AI 使用者的实用建议
第一件事：删掉所有技能、插件、MCP server 和臃肿配置
回到白纸状态，观察智能体本来会怎么工作
再叠加流程型技能，而不是盲目堆能力型技能
把工具变成可定制、可调整、可实验的系统
尽量把实现工作委托给 AFK 智能体
AFK 工作流一旦设置好，会带来非常强的产出提升
结尾：去 Twitter 找 Matt Pocock
🌟 精彩内容
💡 AI 已经吃掉了 tactical programming
Matt 用 John Ousterhout 的 tactical programming 与 strategic programming 区分，解释了 AI 编程时代最大的变化：写代码、修 bug、提交 commit 这些战术性任务，AI 已经能以更低成本完成。开发者真正要提升的，是如何设计系统、拆分任务、规划路线、管理代码库，并调动这支“无限战术程序员大军”。
“AI 做 tactical programming 就是比你强，因为它做得更便宜。”
🧠 你的技能，就是 AI 的上限
Matt 反复强调，AI 不是独立于人的万能工具，而是人的倍增器。高级开发者之所以能获得巨大提升，是因为他们能给 AI 更清晰的上下文、更好的设计、更明确的判断标准。相反，如果使用者本身技能不足，AI 很难越过这个上限。
“你的技能就是 AI 能做到什么程度的上限。”
🧑🏫 teach skill：把 AI 变成真正懂你的老师
Matt 现场演示了 teach skill：它会先理解学习者的使命、目标和当前水平，再生成本地学习材料、速查表、HTML 课程和练习题。它不是简单回答问题，而是像老师一样记住你的进度，并沿着适合你的路径继续推进。
“我理解的教与学，不是把信息塞进你的脑子里，而是帮你在世界里重新定位。”
🧩 grill me skill：在动手之前，让 AI 先质问你
Matt 最喜欢的技能之一是 grill me。它会把模型变成一个对抗性面试官，不断追问你的想法、挖出模糊点、挑战假设，直到你和 AI 对问题达成共同理解。Matt 常用它替代 plan mode，在写代码之前先把奇怪的地方和潜在风险暴露出来。
“在真正动手之前，尽可能把奇怪的地方、意外的东西都挖出来。”
🛠️ Sandcastle 与 AFK 智能体：把自己并行化
Matt 用自己做的 Sandcastle，把智能体放进沙箱中运行，并通过 GitHub Actions 触发 review、实现和探索任务。这样他可以让多个智能体并行处理 issue，而自己只在关键检查点介入。对他来说，AFK 是真正进入 AI 编程状态的标志。
“只要我能把自己从这个等式里拿掉，我就把自己并行化了。”
🏎️ 不要只盯着模型，引擎不是整辆赛车
面对新模型、新工具和 Fable 之类的热潮，Matt 的观点非常冷静：模型当然重要，但运行框架同样重要。prompt、技能、沙箱、代码库结构、测试、文档、review 流程，都是你更能控制、也更能持续优化的部分。
“大家都在看那个又大又亮的新东西，但其实你应该关注那些已经有效了三十、四十年的东西。”
📦 优化 token 成本的真正方法：让代码库更容易修改
很多人问 Matt 如何降低 token 消耗，他的答案不是写更短 prompt，而是让代码库更清晰、更模块化、更容易探索。好的架构能让更便宜的模型也完成同样任务，因为 AI 不需要花大量 token 在混乱代码里撞墙。
“答案是，让你的代码库更容易修改。”
🔁 Agentic Loops 不是全部，更好的比喻是任务队列
Matt 不否认循环有用，但他认为很多人把 Agentic Loops 神化了。软件开发更像任务队列：有人添加 bug report 和 feature request，智能体探索、实现、review，人类在合适节点做判断。与其让智能体无限循环烧 token，不如构建清晰的 AFK 队列系统。
“我大多数时候会把这些东西看成队列。是队列，不是循环。”
👀 Review 的对象不只是代码，也是生成代码的系统
随着 AI 自动修复更多问题，人类 review 的形式会变化。但 Matt 提醒，review 不只是防止坏代码进入生产环境，也是理解系统如何工作的窗口。未来我们需要 review 代码，也要 review 生成代码的那套 AI 流程，并用抽查、总结、视频讲解等方式提高效率。
“我们 review 的不只是代码。我们也在 review 生成代码的那个系统。”
🚀 AI 创业的基本功没有变
谈到 AI 时代做 SaaS 和软件生意，Matt 的回答很朴素：你还是要跟客户聊，理解他们真正的问题，做出能解决问题的原型。AI 能让实现变快，但不能替你决定产品愿景，也不能替你找到真实需求。
“如果你没有同时跟真人交流，没有弄清楚他们想要什么，那 AI 帮不了你。”
🧭 最实用的建议：先清空配置
Matt 给普通 AI 使用者的第一条建议很反直觉：删掉所有技能、插件、MCP server、claude.md、agents.md，回到白纸状态，观察智能体本来会怎么工作。然后再根据真实问题，逐步加回流程型技能和必要配置。
“大家都会往上下文窗口里塞太多东西，塞太多指令，最后变得很臃肿。”
🌐 播客信息补充
本播客采用原有人声声线进行播客音频制作，也可能会有一些地方听起来怪怪的
使用 AI 进行翻译，因此可能会有一些地方不通顺；
如果有后续想要听中文版的其他外文播客，也欢迎联系微信：iEvenight
