開發 AI Agent 時，你有冇試過 agent 完全唔聽指令，生成一堆無用輸出？定係 code 寫得出嚟但 run 唔到，搞到 codebase 亂晒龍？呢啲係真實工程師每日面對嘅痛點，尤其用 Claude 等 LLM 建 agent 嗰陣。mattpocock/skills 就係一個 GitHub repo，直取作者 .claude directory 入面嘅實戰 skills，專為 real engineers 設計。呢度唔係泛泛理論，而係針對 agent 開發常見問題嘅具體解決方案，讓你快速 debug 同優化，適用於任何用 LLM 建 agent 嘅開發者。
解決 Agent 唔跟指令嘅 #1 痛點
最常見嘅問題就係 agent 完全唔做你想要嘅事。skills repo 入面嘅 #1 部分直指呢個痛點，提供系統性嘅 prompting 技巧。唔使再亂試 prompt，你可以學會用結構化指令，例如明確定義 role、task 同 constraints，讓 agent 精準執行。例如，指定「只生成 JSON 格式，唔好加解釋」，agent 就唔會再亂加 verbose 文字。呢個方法源自作者日常 Claude workflow，簡單直接，幾分鐘內見效。
#2 壓制 Agent 過度冗長輸出
agent 回覆成頁文字，但你只想要簡潔結果？#2 技能專門教你點樣令 agent 變得精簡。repo 分享咗 token budget 管理技巧，例如用「concise mode」指令，強制 agent 限制輸出長度。同時，引入 intermediate steps 檢查，確保每步都必要。呢個喺生產環境特別有用，避免 API 成本爆表。作者強調，呢類微調可以將輸出長度減半，同時保持準確度。
實際應用上，打開 repo 之後，你會見到範例 prompt template，直接 copy paste 就用得。比起一般 prompting guide，呢度更注重 engineering mindset，例如 integrate error handling 同 retry logic，確保 agent 穩定。
#3 同 #4 修復 Code 錯誤同避免 Mud Ball
#3 針對「code 唔 work」嘅常見挫敗，提供 debug workflow：先讓 agent self-review code，再用小步迭代生成。repo 示範咗點樣用 test-driven prompting，讓 agent 先寫 unit tests 再 implement。呢樣令 code 可靠度大增，尤其喺 complex logic。
至於 #4「built a ball of mud」，skills 教你 modularize agent 架構，從 monolith 分拆成 sub-agents，每個負責單一 task。呢個 engineering 最佳實踐，避免 codebase 變得難維護。Summary 部分總結晒所有技巧，並延伸到 broader engineering principles，如 version control 同 CI/CD integration。
整體嚟講，mattpocock/skills 唔單止係 cheat sheet，更係 real-world playbook。無論你係 junior dev 學 agent，定 senior engineer 優化 workflow，都值得 fork 落嚟用。repo 持續 update，follow 最新 LLM 發展。
產品名稱：skills (mattpocock)
官方網站：https://github.com/mattpocock/skills
