一个「反常识」的 AI 技能

2026 年初，英国开发者 Matt Pocock 发布了一个 AI 技能，名叫 Grill Me。整个技能的核心内容，只有短短几行字：

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 between decisions one by one.
For each question, provide your recommended answer.

没了。就这么点。

但它火了——从 GitHub 到推特，从 Claude Code 到 OpenClaw，几乎所有支持 Agent Skill 的 AI 工具都在推荐它。

为什么？因为它解决了一个被大多数人忽视的根本问题：你和 AI 之间最大的瓶颈，不是 AI 的能力，而是你对自己想要什么的理解程度。

传统方式的困境

我们平时用 AI 的方式通常是这样的：

“帮我写一个用户认证模块。”

然后 AI 噼里啪啦生成一堆代码。你看了觉得不对，说"再改改"。改完还是不对。来回几轮，你累了，勉强接受了。结果上线后发现，根本不是你真正想要的。

问题出在哪？

你给 AI 的是一句模糊的指令，而不是一个清晰的需求。 AI 不会追问你：用 JWT 还是 Session？要支持第三方登录吗？密码策略怎么定？Token 过期时间多长？它只是按照自己的"理解"去执行——而这个理解，往往和你的期望差了十万八千里。

这种"指令模糊 → 产出偏差 → 反复返工"的循环，是绝大多数人使用 AI 的日常。

Grill Me 的核心哲学

Grill Me 做的事情恰恰相反——它不急于执行，而是先把你问清楚。

1. 一次只问一个问题

这是最重要的规则。很多 AI 喜欢一口气抛出五六个问题，用户看着就头大，要么挑一两个回答，要么随便糊弄过去。Grill Me 强制一次一问，逼你认真思考每一个决策点。

2. 每个问题都附带推荐答案

这是神来之笔。面对一个空白的提问，你需要从零开始思考。但如果 AI 问你"建议使用 JWT，因为它无状态且易于横向扩展，你觉得呢？"——你只需要说"同意"或者"不同意，我更倾向 Session 因为……"。

有靶子，才能开枪。 推荐答案大幅降低了回答的心理负担。

3. 深度优先，而非广度优先

Grill Me 采用决策树的遍历方式：沿着一条分支一直问到底，问清楚了再切到下一条。这确保了每个问题都被充分探讨，而不是蜻蜓点水式地覆盖一堆表面问题。

4. 能自己查的就不问

如果一个问题可以通过查看代码库、读文档、搜索资料来回答，Grill Me 会先去做，然后把结论拿给你确认，而不是浪费一轮对话来问你。

它到底怎么工作的？

假设你说：“我要做一个电商网站的订单系统。”

一个普通的 AI 可能会直接开始设计数据库表结构。但 Grill Me 会这样推进：

Q1/∞： 你的订单系统需要支持哪些支付方式？推荐答案：先支持微信支付和支付宝，覆盖国内 95% 以上的场景，后续再扩展。你觉得呢？

你说：“同意，先这两个。”

Q2/∞： 订单状态机怎么设计？推荐答案：待支付→已支付→已发货→已完成→已取消，加上退款流程。需要我画个状态图吗？

你说：“需要支持部分退款吗？”

它会继续追问：库存扣减时机？并发订单处理？订单超时自动取消？物流对接？每一个决策点都被逐一展开、讨论、确认。

一场 Grill Me 对话通常持续 30-45 分钟。 结束时，你手上有一份完整的决策记录——每个选择背后的理由、被排除的替代方案、遗留的开放问题。

不只是写代码

Matt Pocock 本人说过，Grill Me 远不止用于编程。他用它来：

  • 规划课程内容 —— 通过 AI 的追问，理清课程的目标受众、知识深度、教学节奏
  • 做商业决策 —— 让 AI 从不同角度质疑你的商业假设
  • 设计系统架构 —— 在动手之前，把所有边界条件和权衡点想清楚
  • 个人规划 —— 甚至用它来探索职业方向

本质上，Grill Me 是一个结构化思考的外部工具。它把"想清楚再动手"这个老生常谈的原则，变成了一套可执行的交互流程。

更高级的玩法：社区增强版

社区对 Grill Me 做了很多扩展。比如 Satya Janghu 的增强版加入了：

增强特性说明
多维度思维透镜第一性原理、预验尸分析（pre-mortem）、钢铁人论证（steelman）、可逆性评估、五问法（5 Whys）等，隐藏在对话背后，用户感受不到"在被框架分析"
模糊回答检测如果你的回答含糊不清，它会 push back，而不是礼貌性地接受
半答案稻草人对不完整的回答，先构建一个"稻草人版本"让你反驳，比从零描述容易得多
会话日志对话结束后自动生成结构化摘要：意图、约束、关键决策、暴露的假设、待解决问题、明确排除的范围

我的实战经验：在 WorkBuddy 中使用 Grill Me

读完那篇文章后，我也在 WorkBuddy 中配置了 Grill Me 技能。经过几天的实际使用，这里分享几点真实体感：

最直接的效果：返工大幅减少

以前我让 AI 写一篇博客、搭一个功能模块，经常是"写出来→不满意→改→还不对→再改"的循环。用了 Grill Me 之后，AI 会在开始之前先追问关键决策点，一轮 2-3 个问题，几轮下来需求就清晰了。返工次数从平均 3-4 轮降到 1 轮以内。

6W2H 框架特别适合复杂任务

我配置的版本采用了 6W2H 追问框架（Why/What/Who/When/Where/Which/How/How much），比原始版的"无限追问"更有结构感。对于涉及多个模块、有截止时间、技术方案不明确的任务，这套框架能把模糊的"我想做 X"拆解成可执行的决策清单。

一次只问 2-3 个问题是关键设计

原文提到的"一次只问一个问题"是核心原则，但在实际使用中，我发现一次问 2-3 个关联问题效率更高——既不会让用户感到信息过载，又不会把对话拖得太长。关键是每个问题都要附带推荐答案，这样用户只需要做判断题而非填空题。

风险确认和验收标准容易被忽视，但价值最大

6W2H 问完之后，Grill Me 还会追问"最坏情况是什么？有没有 Plan B？“以及"怎么算完成？哪些情况算失败？"。这两个步骤在日常工作中经常被跳过，但恰恰是它们防止了"做完了才发现方向不对"的灾难。

如何在 WorkBuddy 中配置

如果你也在用 WorkBuddy，可以直接创建一个 Skill：

文件路径：~/.workbuddy/skills/grill-me/SKILL.md

核心内容（精简版）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

# grill-me

> 重要任务开始前，用系统化追问确认清楚再动手。
> 核心理念：30 分钟的追问可以节省 8 小时的返工。

## 触发条件
- 用户说"开始做"、"开始吧"、"go"、"执行"
- 任务涉及多个模块/团队协作
- 技术方案不明确或有多种实现路径

## 追问流程
1. 6W2H 清单（一次问 2-3 个最重要的问题）
2. 风险与备选方案确认
3. 明确验收标准
4. 输出结构化确认清单

## 规则
- 一次只问 2-3 个问题，附带推荐答案
- 深度优先：沿着一条分支问到底再切换
- 能自己查的就不问，先做功课再确认

配置完成后，当你在对话中说"开始做"或"执行”，AI 就会自动进入追问模式。

为什么它能火？

回到最初的问题：一个只有 20 个词的技能，凭什么火遍开发者圈？

因为它触及了人机协作的本质矛盾：AI 可以执行任何指令，但前提是你给出正确的指令。而大多数人，在"搞清楚自己到底想要什么"这件事上，需要帮助。

Grill Me 不是让 AI 变得更聪明，而是让你想得更清楚。

在 AI 能力爆炸的今天，真正的瓶颈从来不在机器那边。它在你这边。

参考文章：热门Skill研究：Grill-Me，凭什么火遍整个开发者圈？，作者杜倬

本文结合参考文章与个人在 WorkBuddy 中的实战经验写成，所有使用体感均为真实记录。