Matt Pocock发布grill-with-docs Skill，解决grill-me上下文丢失问题

背景

在 AI 辅助编程和复杂任务处理的生态中，提示词工程（Prompt Engineering）与技能（Skills）的标准化正逐渐成为提升工作流效率的关键。Matt Pocock 作为知名的 TypeScript 专家及开源贡献者，其发布的 grill-me 技能在开发者社区中引发了广泛讨论。该技能旨在通过“拷问”式交互，帮助开发者厘清需求、明确边界并达成共识。

然而，随着项目复杂度的提升，单纯依赖对话式的 grill-me 暴露出了上下文丢失、决策无法持久化等痛点。为此，Matt Pocock 推出了升级版技能 grill-with-docs。本文基于 LINUX DO 社区用户的实战分享，深入解读这一新技能的核心机制、适用场景及其对开发工作流的潜在影响。

核心内容

grill-with-docs 是 grill-me 的增强版，两者均源自 Matt Pocock 维护的 skills 仓库。虽然核心交互逻辑相似，但 grill-with-docs 在输出机制上进行了关键性的架构升级，旨在解决长期对话中信息碎片化的问题。

1. 核心差异：文档同步机制

grill-me 主要侧重于对话过程中的思维梳理，适合快速头脑风暴。但它存在一个显著缺陷：一旦对话结束或上下文窗口刷新，之前达成的共识、定义的关键术语以及做出的决策容易丢失，导致后续开发缺乏连贯性。

相比之下，grill-with-docs 在敲定关键决策后，会自动将要点写入文档。这一机制确保了“思考过程”与“文档资产”的同步。它不仅记录了当前的决策，还生成了可供后续步骤预览的结构化数据，从而解决了上下文断裂的问题。

2. 工作流与文件结构

grill-with-docs 依赖于一套特定的文档体系来维持状态，主要包括：

• CONTEXT.md：存储对话中的关键背景信息、领域概念、术语定义及核心决策。
• ADR (Architecture Decision Records)：架构决策记录，用于记录重要的技术选型和决策理由。

在使用该技能前，开发者需要确保项目结构中已对接好这些文档模板。对于从 grill-me 迁移的用户，可以通过特定的提示词（Prompt）将历史讨论内容提炼并转化为 CONTEXT.md 和 ADR 文档，从而实现平滑过渡。

3. 适用场景与模型搭配建议

作者根据项目类型和复杂度，给出了具体的技能与模型搭配建议：

• 大型项目 / 新功能开发：

  • 推荐组合：grill-with-docs + 强规划模型（如 Opus 4.7）。
  • 执行阶段：切换至代码生成能力强的模型（如 GPT-5.5 xhigh）。
  • 优势：利用 grill-with-docs 生成详尽的文档和决策记录，确保复杂逻辑的准确性；后续由擅长代码生成的模型执行，兼顾质量与效率。

• 小型模块 / 快速修复 / 非开发环境：

  • 推荐组合：grill-me + 高效模型（如 GPT-5.5 xhigh）。
  • 场景：修补小规模 Bug、添加小功能，或进行非代码类的头脑风暴（如活动策划、商业模式推演）。
  • 优势：grill-me 更轻量，无需维护复杂的文档结构，响应更快捷，适合个人化的快速思考。

• 工具链集成：

  • 作者提到使用了 Trellis 工具来规范技能切换，使得在不同模型和技能之间切换时体验流畅，避免了手动配置的繁琐。

关键要点

• 上下文持久化：grill-with-docs 最大的价值在于通过自动生成 CONTEXT.md 和 ADR，解决了 grill-me 容易丢失决策上下文的问题，特别适合需要长期维护或多人协作的开发环境。
• 迁移策略：从 grill-me 迁移到 grill-with-docs 时，需利用提示词回顾历史讨论，提炼领域概念和决策，并生成对应的文档文件，以完成技能对接。
• 场景化选择：
  • 重文档、重规划：选 grill-with-docs，适用于新项目启动、复杂功能开发。
  • 轻交互、快反馈：选 grill-me，适用于个人头脑风暴、小补丁修复、非代码类推演。
• 模型协同：采用“规划-执行”分离策略。规划阶段使用推理能力强的模型（如 Opus）配合 grill-with-docs 生成文档；执行阶段使用代码生成能力强的模型（如 GPT-5.5 xhigh）进行编码。
• 工具链优化：借助 Trellis 等工具规范技能加载和模型切换，可以显著提升工作流的丝滑度和一致性。

意义与影响

grill-with-docs 的推出标志着 AI 辅助开发从“对话式辅助”向“文档驱动式辅助”的演进。它不仅仅是一个提示词模板，更是一种将隐性知识显性化、将临时决策持久化的工作流范式。

对于开发者而言，这一技能的变化带来了以下深远影响：

1. 降低认知负荷：通过自动化的文档生成，开发者无需手动记录决策细节，可以将更多精力集中在逻辑本身，同时确保团队或后续的自己能够清晰追溯决策背景。
2. 提升大型项目可控性：在复杂系统中，上下文丢失是常见痛点。grill-with-docs 提供的结构化输出（CONTEXT.md, ADR）为大型项目的模块化管理和版本控制提供了标准化的 AI 交互接口。
3. 灵活的工作流分层：社区反馈表明，AI 技能并非“一刀切”的最佳解。根据任务复杂度选择轻量级或重量级的技能，配合不同的模型能力，能够实现性价比和效率的最优化。这种分层策略对于构建成熟的 AI 工程化体系具有重要参考价值。

总之，grill-with-docs 并非要完全取代 grill-me，而是为开发者提供了一个更稳健、更适合工程化场景的选项。理解两者的边界并合理搭配使用，是当前 AI 辅助编程工作流进阶的重要一步。