เชี่ยวชาญ pstack: การขยายขีดความสามารถด้านวิศวกรรมด้วยทักษะการตรวจสอบของ AI

ในชุดโพสต์นี้ ผมจะมาแสดงให้คุณเห็นว่าผมใช้ pstack ชุดสกิลส่วนตัวของผมสำหรับทำงานวิศวกรรมอย่างเข้มข้นได้อย่างไร ซึ่งทำให้ผมสามารถส่ง PR 2,000 ตัวขึ้นโปรดักชันต่อเดือนได้อย่างมั่นใจ

โดยส่วนตัวแล้ว ผมไม่เคยให้ความสำคัญกับจำนวนบรรดโค้ดหรือจำนวน PR ที่ส่งมากนัก ก่อนยุค AI Agent ไม่มีใครสนใจ และก็สมควรแล้ว เพราะประสิทธิภาพการทำงานดิบๆ ไม่ได้แปลว่ามีคุณภาพหรือสร้างผลลัพธ์ที่ผู้ใช้เห็นได้เสมอไป มันเป็นแค่เมตริกที่ไร้สาระ

แต่ผมค้นพบระหว่างการสร้าง pstack ว่าปริมาณนั้นสำคัญ โดยเฉพาะเมื่อคุณสามารถรักษาหรือเพิ่มระดับคุณภาพของผลิตภัณฑ์ด้วย AI Agent ได้ ตัวอย่างเช่น ผมเริ่มทำงานกับ Grok @Bot เมื่อประมาณ 2 เดือนที่แล้ว ตอนที่มันยังอยู่ในช่วงเริ่มต้นและโค้ดเบสยังใหม่แต่เริ่มขยายตัว แม้ว่าทีมจะเติบโตขึ้นและตอนนี้ส่ง PR หลายร้อยตัวต่อวันเข้าไปในโค้ดเบสของ Grok @Bot แต่ pstack ก็ทำให้ผมรักษาคุณภาพของโค้ดให้สูงสำหรับทุกคนได้ ขณะที่ผมคอยตรวจสอบโค้ด ปรับโครงสร้าง เพิ่ม lint และ check ใหม่ๆ และยังทำงานเกี่ยวกับฟีเจอร์ต่างๆ ไปพร้อมกัน

https://x.com/poteto/status/2090546476464451907

https://x.com/poteto/status/2078527882499150286

การเป็นคนสวนและผู้ดูแล Grok @Bot เป็นสิ่งที่ผมทำได้ก็เพราะ pstack เท่านั้น โมเมนตัมช่วงแรกของเราหลังจากสร้างต้นแบบนั้นสูงมาก และมีคนมากมายเข้าร่วมทีม ผมมีช่วงเวลาสำคัญที่จะปรับโครงสร้างโค้ดเบสทั้งหมด ในขณะที่มันกำลังถูกสร้างและขยาย และไม่มีการหยุดชะงัก ให้กลายเป็นสิ่งที่มีรากฐานที่แข็งแกร่ง โค้ดเบสที่มีคุณภาพสูงที่ขยายได้ไม่ว่าวิศวกร (และที่สำคัญที่สุดคือคนที่ไม่ใช่วิศวกร) จะมีส่วนร่วมมากแค่ไหน งานทั้งหมดนี้ต้องการให้ผมปรับโครงสร้างและปรับปรุงรากฐานของ Grok Bot ในขณะที่มันกำลังถูกสร้างขึ้น และคุณจะทำได้ก็ต่อเมื่อรากฐานนั้นสามารถตามทันจำนวนการมีส่วนร่วมได้

Grok Bot เป็นหนึ่งในแอป AI บนเดสก์ท็อปที่มีประสิทธิภาพและประสิทธิผลสูงที่สุดในตลาด

ข้อพิสูจน์อยู่ที่ Grok @Bot ตัวมันเอง ในอีกไม่กี่สัปดาห์ข้างหน้า ผมจะบอกทุกสิ่งที่คุณจำเป็นต้องรู้เพื่อสร้างและดูแลแอปคุณภาพสูงโดยใช้ pstack

ส่วนที่ 1 – การตรวจสอบคือสิ่งที่คุณต้องการ

สกิลที่สำคัญที่สุดที่คุณต้องมีในชุดเครื่องมือคือสกิลการตรวจสอบที่มีคุณภาพสูง สกิลนี้สำคัญมากจนผมคิดว่ามันเป็นเหมือนโครงสร้างพื้นฐานที่สำคัญ มากกว่าแค่ "สกิล" ทั่วไป สกิลที่ดีจะขยายผลลัพธ์ของทั้งทีมของคุณ รวมถึงคนที่ไม่ใช่วิศวกร ถ้าทำได้ดี คุณจะเพิ่มผลลัพธ์ของทั้งทีมได้ 100-1000 เท่า

ถ้าคุณไม่คุ้นเคยกับคำนี้ การตรวจสอบ หมายความว่า AI Agent สามารถตรวจสอบงานของตัวเองได้ มันสามารถทำงานต่อไปจนกว่าจะสำเร็จ เพราะตอนนี้มันสามารถปิดวงจรได้โดยที่คุณไม่ต้องเป็นคอขวด ถ้าคุณสนใจอยากรู้เรื่องราวเพิ่มเติมว่าผมสร้างสกิลการตรวจสอบแรกสำหรับ Cursor ได้อย่างไร ลองอ่านโพสต์ก่อนหน้าของผม Loops You Can Trust

มาสร้างสกิลการตรวจสอบด้วยกันเถอะ

เริ่มต้นด้วยการติดตั้ง pstack แล้วรัน /create-verification-skill ผมแนะนำให้เพิ่ม Dr Eggbot บอทของผมที่ช่วยคุณสร้างบอทคุณภาพสูง เข้าไปในทีมของคุณด้วย Dr Eggbot มาพร้อมกับ pstack มันจะสอนบอทเขียนโค้ดวิธีใช้มัน และมันยังสามารถสร้างบอทที่ไม่ใช่สำหรับเขียนโค้ดด้วยความเข้มงวดแบบเดียวกันได้

คุณสามารถขอให้ Dr Eggbot สร้างบอทวิศวกรให้คุณ แล้วคุณก็ขอให้มันรัน /create-verification-skill และตั้งค่ารูทีนประจำวันเพื่อรัน /maintain-verification-skill

รัก Dr Eggbot

ระหว่างที่มันทำงาน มาดูกันว่าสกิลนี้ทำอะไรและมันสร้างสกิลการตรวจสอบคุณภาพสูงให้คุณได้อย่างไร

ผมกลั่นกรองสกิลการตรวจสอบทั้งหมดที่เราใช้สร้าง Grok @Bot และ Cursor มาไว้ในสกิลนี้ในรูปแบบของเมตาสกิล มันสอน AI Agent ของคุณถึงวิธีสร้างสกิลคุณภาพสูงสำหรับแอปของคุณเอง

และนี่คือจุดที่การเลือกเทคโนโลยีสแต็คมีความสำคัญ ถ้าคุณกำลังสร้างแอปด้วย Electron หรือสำหรับเว็บ คุณสามารถใช้ประโยชน์จากเครื่องมือดีบักอันหลากหลายที่มีในระบบนิเวศ JS ได้ ตัวอย่างเช่น Chrome DevTools Protocol (CDP) ช่วยให้คุณใช้เครื่องมือเดียวกับที่มีในเครื่องมือนักพัฒนาของเบราว์เซอร์ได้ หรือถ้าคุณกำลังสร้างแอป iOS ก็ให้ใช้ Simulator

ตามหลักการแล้ว คุณต้องการความสามารถในการโต้ตอบกับแอป ดีบักมัน เก็บ perf traces และเครื่องมือดีบักและพัฒนาอื่นๆ ที่คุณอาจใช้ตามปกติถ้าคุณกำลังพัฒนาแอปด้วยตัวเอง ถ้าคุณไม่มี runtime ที่สมบูรณ์ให้ใช้ คุณอาจต้องขอให้ AI Agent สร้างเครื่องมือให้คุณ (เช่น ใช้ lldb หรือแพ็คเกจที่กำหนดเองที่รันเป็น sidecar ในสภาพแวดล้อม dev) หรือแค่ใช้สิ่งที่คุณมีอยู่

ผมรู้สึกว่าการตรวจสอบแบบ Agentic นั้นสำคัญมากจนผมจะแนะนำอย่างจริงจังให้คุณสร้างเครื่องมือดีบักที่สมบูรณ์ของคุณเอง หรือแม้แต่เลือกเทคโนโลยีสแต็คอื่น เพื่อให้ได้เปรียบอย่างไม่เป็นธรรมและมีประสิทธิภาพสูงสุดในการสร้างซอฟต์แวร์ อย่างที่ผมกล่าวไว้ก่อนหน้านี้ การทำให้ AI Agent สามารถตรวจสอบงานของตัวเองได้ จะปลดล็อกให้ทุกคนในองค์กรของคุณสามารถมีส่วนร่วมและตรวจสอบว่าการเปลี่ยนแปลงของพวกเขาใช้งานได้จริง ยิ่งเทคโนโลยีสแต็คของคุณดีบักและควบคุมยากเท่าไหร่ การใช้ AI Agent อย่างมีประสิทธิภาพก็จะยิ่งยากขึ้นเท่านั้น

ทำให้มันทำซ้ำได้

ใน pstack เรามีหลักการที่เรียกว่า "Build the Lever" ซึ่งหมายความว่าในบริบทของการสร้างสกิล เราชอบที่จะให้เครื่องมือแก่ AI Agent มากกว่าแค่ markdown สำหรับสกิลการตรวจสอบ นั่นหมายถึงการสร้าง CLI ขนาดเล็กที่สคริปต์การโต้ตอบและดีบักแอปของคุณในยูทิลิตี้ขนาดเล็กที่เป็นมิตรกับ AI Agent ซึ่งหมายความว่า AI Agent ใช้โทเค็นน้อยลงในการทำงาน (รันคำสั่ง CLI แทนที่จะเขียนสคริปต์ทิ้งขว้างเพื่อคลิกอะไรบางอย่าง) และทำให้สกิลการตรวจสอบของคุณทำซ้ำได้และทดสอบได้มากขึ้น

นี่คือตัวอย่างสมมุติของ CLI ที่ AI Agent ของคุณอาจสร้างให้กับแอป Electron:

bash

1# health
2node .cursor/skills/verify-atlas/control-atlas.mjs doctor
3
4# open a blank thread and send
5node .cursor/skills/verify-atlas/control-atlas.mjs new-session
6node .cursor/skills/verify-atlas/control-atlas.mjs send "list open tasks in this project"
7
8# keyboard path
9node .cursor/skills/verify-atlas/control-atlas.mjs press "Meta+KeyN"
10
11# accessibility snapshot of the live UI
12node .cursor/skills/verify-atlas/control-atlas.mjs snapshot
13
14# screenshot for evidence
15node .cursor/skills/verify-atlas/control-atlas.mjs screenshot /tmp/atlas-proof.png
16
17# wait for streaming / layout to settle
18node .cursor/skills/verify-atlas/control-atlas.mjs wait-settle
19
20# flip a feature flag for the session
21node .cursor/skills/verify-atlas/control-atlas.mjs feature-flag rooms_v2 on

ตอนนี้ AI Agent ทั้งหมดสามารถใช้ CLI นี้เพื่อนำทางและดีบักแอปของคุณได้อย่างรวดเร็ว คุณจะต้องเริ่มคิดถึงประสบการณ์นักพัฒนา (Dev Experience) ในการสร้างแอปของคุณด้วย:

การ seed ฐานข้อมูล dev
วิธีจัดการกับ auth, test users, API calls กับสภาพแวดล้อม test/staging
การติดตั้งและเปิดสภาพแวดล้อม dev ของคุณในวิธีที่สอดคล้องกัน

ทั้งหมดนี้เป็นสิ่งที่คุณอาจต้องคิดอยู่แล้วเมื่อคุณเขียนโค้ดด้วยตัวเอง ดังนั้นให้คิดว่านี่คือยูทิลิตี้หลักของ AI Agent สำหรับทำงาน dev บนแอปของคุณ ดูแลรักษาให้ดีและทดสอบมัน!

ตัวอย่างคำสั่งอื่นๆ ที่คุณอาจต้องการพิจารณา:

markdown

1- **การตรวจสอบ:** `info`, `snapshot`, `screenshot`, `components`
2- **การนำทาง:** `home`, `new-session`, `select-project`, `select-runtime`, `scroll`
3- **การโต้ตอบ:** `send`, `click`, `click-xy`, `aria-click`, `type`, `press`, `eval`, `upload-image`, `add-context`, `feature-flag`
4- **ประสิทธิภาพ:** `trace`, `profile`, `record`, `perf-metrics`, `wait-settle`
5- **สตรีมมิ่ง:** `console`, `network-log`, `network-summary`
6- **สุขภาพและการทำความสะอาด:** `doctor`, `cleanup`, `watch --restart`

เมื่อคุณตั้งค่าพื้นฐานนี้แล้ว คุณควรเริ่มเห็นการปรับปรุงครั้งใหญ่ใน AI Agent ของคุณ พวกมันควรจะสามารถนำทางไปรอบๆ และดีบักแอปของคุณได้อย่างง่ายดาย

ผมแนะนำให้ใช้เวลาที่นี่เพื่อทำให้ CLI นี้ดีและไม่มีข้อผิดพลาดก่อนที่จะทำอะไรที่ซับซ้อนกว่านี้ คุณจะต้องคิดถึง (หรือขอให้ AI Agent ของคุณ) ออกแบบ CLI ที่เป็นมิตรกับ AI Agent มีแหล่งข้อมูลมากมายบนอินเทอร์เน็ตที่คุณสามารถชี้ให้ AI Agent ของคุณไปดูได้ แต่คุณสมบัติหลักที่ผมชอบคือ:

API ที่ประกอบกันได้ง่าย - คิดถึงปรัชญา Deep Modules ของ John Ousterhout
คำสั่งใดๆ ที่มีผลข้างเคียงที่อาจก่อให้เกิดความเสียหายควรมีตัวเลือก --dry-run
ใช้ subcommands เพื่อเปิดเผยฟังก์ชันการทำงานทีละน้อย แทนที่จะทั้งหมดในคราวเดียว
ข้อความแสดงข้อผิดพลาดควรมีคำอธิบายที่ละเอียดและบอก AI Agent ว่าควรทำอะไรแทน
ข้อความ --help ที่สมบูรณ์
ผลลัพธ์ที่ส่งคืนในรูปแบบที่เครื่องอ่านได้ (เช่น JSON)

เพิ่มความเร็วด้วยความขนานกับ Cloud Agents แทนที่จะใช้ worktrees

เมื่อคุณประสบความสำเร็จในการใช้สกิลการตรวจสอบเพื่อส่ง PR สองสามตัว คุณอาจเริ่มสงสัยว่าคุณสามารถทำแบบขนานได้มากขึ้นหรือไม่ ตัวอย่างเช่น ถ้า AI Agent สามารถรับ prompt ของคุณและขับเคลื่อนมันไปจนถึงสถานะที่สามารถ merge ได้ นั่นไม่ได้ทำให้คุณมีอิสระที่จะรัน AI Agent เพิ่มขึ้นอีกหรือ?

สัญชาตญาณแรกของคุณคือการเพิ่มการรองรับ worktree ซึ่งหมายความว่า AI Agent ของคุณสามารถใช้ git เพื่อสร้างสำเนาที่ติดตามของ repo ที่พวกเขาสามารถทำการเปลี่ยนแปลงแยกจาก main checkout ได้ ในทางทฤษฎี สิ่งนี้ช่วยให้คุณรัน AI Agent หลายตัวพร้อมกันได้โดยไม่ให้การเปลี่ยนแปลงของพวกมันทับซ้อนกัน

ผมขอแนะนำให้ไม่ทำเช่นนี้ ประการแรก มันใช้พื้นที่จัดเก็บและทรัพยากรบนเครื่องของคุณมาก คุณอาจจะรัน AI Agent ได้สูงสุด 10 ตัวพร้อมกันด้วย worktrees ขึ้นอยู่กับขนาดของ repo และประสิทธิภาพของเครื่องของคุณ แต่มันมีวิธีที่ดีกว่ามาก!

cloud agents ของ Cursor คือ AI Agent ที่ทำงานบนคลาวด์ บนโครงสร้างพื้นฐานของ Cursor AI Agent เหล่านี้สามารถเข้าถึงคอมพิวเตอร์จริง ซึ่งหมายความว่าพวกมันสามารถติดตั้ง dependencies รันแอปของคุณ ถ่ายวิดีโอและภาพหน้าจอ และโต้ตอบกับแอปของคุณเหมือนผู้ใช้จริง ถ้าคุณลงทุนมากพอในขั้นตอนก่อนหน้าเพื่อทำให้ประสบการณ์ dev ของคุณดี มันไม่ควรเป็นงานใหญ่ในการตั้งค่า cloud agents เมื่อคุณตั้งค่าสภาพแวดล้อมคลาวด์ครั้งแรก เราจะส่ง AI Agent ไปช่วยคุณตั้งค่าและทำให้มันทำงานได้อย่างถูกต้อง หลังจาก build ครั้งแรก เราจะทำ snapshot ซึ่งหมายความว่าการรัน cloud agent ในครั้งต่อๆ ไปจะเริ่มต้นได้อย่างรวดเร็วเสมอ

ผมขอแนะนำอย่างยิ่งให้ใช้เวลาตั้งค่า cloud agents เพราะมันปลดล็อกการเพิ่มประสิทธิภาพอย่างมหาศาลในด้านความขนาน ในโพสต์ถัดไป ผมจะแสดงให้คุณเห็นว่าผมรัน subagents หลายร้อยตัวแบบขนานบนคลาวด์ได้อย่างไร! แต่สำหรับตอนนี้ ให้ตั้งค่าสภาพแวดล้อมของคุณและทำให้มันอยู่ในสถานะที่คุณเริ่มมั่นใจในการรัน AI Agent ทั้งหมดของคุณบนคลาวด์

ทำให้ AI Agent ฉลาดด้วย Feature Maps

เมื่อแอปของคุณซับซ้อนขึ้น AI Agent ต้องการคำแนะนำมากขึ้นเพื่อให้สามารถค้นหาฟีเจอร์และโต้ตอบกับพวกมันได้ เพื่อการนี้ ผมได้คิดค้นสิ่งที่เรียกว่า Feature Map ตามชื่อ มันคือแผนที่ที่ค้นหาได้ง่ายของฟีเจอร์ทั้งหมดที่มีในแอปของคุณ มันทำอะไร และวิธีเข้าถึงจากมุมมองของผู้ใช้

นี่คือ ตัวอย่าง Feature Map ที่ผมเตรียมไว้สำหรับแอปสมมุติชื่อ Atlas มันเป็นไฟล์ markdown สองสามไฟล์ที่ถูกกล่าวถึงใน SKILL.md ของสกิลการตรวจสอบ

คุณสามารถวางไฟล์นี้ไว้ที่ไหนก็ได้ แต่ใน /create-verification-skill เราจะสร้างไดเรกทอรี references/features พร้อมกับ README.md โดยอัตโนมัติ readme คือแผนที่本身: ภาพรวมระดับสูงของฟีเจอร์หลักทั้งหมดที่มี พร้อมลิงก์ไปยังรายละเอียดเฉพาะ ตัวอย่างฟีเจอร์มีลักษณะดังนี้:

markdown

1# การตั้งค่า (Preferences)
2
3โอเวอร์เลย์การตั้งค่าแบบเต็มหน้าจอและชุดแท็บของมัน
4
5## ฟีเจอร์ย่อย
6
7- settings-overlay: โอเวอร์เลย์เต็มหน้าจอที่เปิดจากเฟืองหรือ Cmd/Ctrl+,
8- settings-nav: แถบนำทางด้านซ้ายของแท็บ (ทั่วไป, รูปลักษณ์, โมเดล, แผนและการใช้งาน, ...)
9- settings-search: การค้นหาภายในโอเวอร์เลย์ (Cmd/Ctrl+K ขณะที่การตั้งค่าเปิดอยู่)
10- theme-picker: การควบคุมธีมด่วนบนรูปลักษณ์
11
12## วิธีเข้าถึง (มุมมองผู้ใช้)
13
14คลิกเฟืองข้างอวาตาร์บัญชี หรือกด Cmd/Ctrl+, เลือกแท็บจากแถบนำทางด้านซ้าย พิมพ์ในช่องค้นหาการตั้งค่าเพื่อข้ามไป Escape หรือปุ่มปิดจะปิดโอเวอร์เลย์
15
16## การขับเคลื่อนด้วย control-atlas
17
18bash
19node .cursor/skills/verify-atlas/control-atlas.mjs press "Meta+Comma"
20node .cursor/skills/verify-atlas/control-atlas.mjs snapshot
21node .cursor/skills/verify-atlas/control-atlas.mjs press "Escape"
22
23- รากของโอเวอร์เลย์: มองหา dialog/region ที่ชื่อ Preferences ใน a11y tree
24- แท็บ: คลิกตามชื่อที่เห็น Plan & Usage อาจไม่มีสำหรับบางสถานะบัญชี
25- ในขณะที่การตั้งค่าเปิดอยู่ Cmd/Ctrl+K คือการค้นหาการตั้งค่า ไม่ใช่ palette ทั่วโลก (ดู `multi-surface-journeys.md`)
26
27## ข้อควรระวัง
28
29- การปิดการตั้งค่าระหว่างกลางชุดคำสั่งอาจทำให้โฟกัสไม่อยู่ในที่ที่มีประโยชน์ `new-session` หรือ `home` จะกู้คืนได้
30- บางแท็บถูกจำกัดด้วยสิทธิ์ ให้ข้ามไปพร้อมกับระบุเหตุผลของบัญชีอย่างชัดเจน

ไม่ต้องกังวลกับการเขียน这些东西ด้วยตัวเอง! เมื่อคุณรัน /create-verification-skill AI Agent ของคุณจะตรวจสอบแอปของคุณโดยอัตโนมัติและจัดทำรายการ这些东西และสร้างข้อมูลอ้างอิงเหล่านี้ให้คุณ

Feature Map เมื่อรวมกับ CLI เป็นหนึ่งในเหตุผลหลักที่ทำให้สกิลการตรวจสอบของ pstack ดีมาก ตอนนี้ AI Agent มีบริบทเกี่ยวกับทุกฟีเจอร์และวิธีเข้าถึงมัน ประหยัดโทเค็นอันมีค่าในหน้าต่างบริบทของมัน และสอนมันอย่างชัดเจนว่ามันมีไว้เพื่ออะไรและจะไปถึง那里ได้อย่างไร

คุณสามารถคิดถึง Feature Map ว่าเป็นรูปแบบหนึ่งของ "ความทรงจำที่ถูกทำให้เป็นรูปธรรม" ถ้าคุณใช้ AI Agent มาระยะหนึ่งแล้ว คุณอาจคุ้นเคยกับแนวคิดเรื่องความทรงจำ - โดยทั่วไปแล้วสิ่งเหล่านี้อาจถูกจัดเก็บเป็นไฟล์ markdown ธรรมดา (เช่น Obsidian vault) หรือแม้แต่สิ่งที่ซับซ้อนกว่าเช่นฐานข้อมูลเวกเตอร์ โดยส่วนตัวแล้ว ผมคิดว่าโค้ดเบสของคุณคือรูปแบบสูงสุดของความทรงจำ โค้ดคือการฉายภาพของการตัดสินใจที่คุณและทีมของคุณได้ทำ และแสดงถึงแหล่งความจริงของสิ่งที่เกิดขึ้นและสิ่งต่างๆ ทำงานอย่างไรจริงๆ Feature Map เป็นเพียงรูปแบบที่กะทัดรัดกว่าของสิ่งนั้น ซึ่งออกแบบมาเพื่อประหยัดโทเค็น และเนื่องจากมันเป็นแค่ markdown ภายในสกิล ทุกคนที่มีส่วนร่วมในโค้ดเบสของคุณจึงได้รับประโยชน์จากความทรงจำที่ใช้ร่วมกันนี้

ซึ่งหมายความว่าการบำรุงรักษาสกิลการตรวจสอบนั้นสำคัญมาก ผมแนะนำให้รัน /maintain-verification-skill อย่างน้อยวันละครั้งเพื่อให้แน่ใจว่า AI Agent ของคุณมีรายละเอียดล่าสุดเกี่ยวกับการควบคุมแอปของคุณเสมอ คุณอาจพบว่า เมื่อคุณใช้สกิลการตรวจสอบมากขึ้น AI Agent จะอัปเดต它们โดยอัตโนมัติขณะที่它们ทำงานบนแอปของคุณ /maintain-verification-skill จะจับสิ่งที่พลาดไป

วิธีใช้สกิลการตรวจสอบของคุณ

สำหรับการอ้างอิง นี่คือตัวอย่างสกิลการตรวจสอบที่สร้างขึ้นสำหรับแอปสมมุติ: https://github.com/poteto/verification-skill-example เพื่อเป็นการเตือนความจำ ให้รัน /create-verification-skill เพื่อสร้างมัน ซึ่งรวมถึง CLI พื้นฐานและ Feature Map

นี่คือวิธีที่ผมมักจะใช้มันกับ pstack

อย่างแรก แน่นอนคือเริ่ม prompt ของคุณด้วย /poteto-mode ถ้าคุณใช้ pstack ผ่าน Cursor คุณยังสามารถกด Opt + Enter แทน Enter เมื่อคุณ autocomplete /poteto-mode - สิ่งนี้จะเพิ่มสกิลเป็น Custom Mode ซึ่งปักหมุดสกิลเพื่อให้ AI Agent ของคุณได้รับการเตือนให้ใช้สกิลในทุกเทิร์นใหม่

พิมพ์ /poteto-mode แล้วกด Opt + Enter เพื่อปักหมุดเป็น Custom Mode

ใน Grok @Bot ให้ติดตั้ง the plugin จากนั้นพิมพ์ /poteto-mode

คุณสามารถใช้ pstack ใน Grok Bot ได้เช่นกัน!

ตัวอย่าง: การสร้างฟีเจอร์ใหม่

สำหรับการสร้างฟีเจอร์ใหม่ ผมมักจะใช้สกิลการตรวจสอบควบคู่กับ /poteto-mode เพื่อให้ AI Agent ตรวจสอบงานของมัน ตัวอย่างเช่น ผมอาจ prompt ประมาณนี้:

/poteto-mode build <คำอธิบายฟีเจอร์, บริบทที่มีประโยชน์ใดๆ>. ใช้ /control-app เพื่อตรวจสอบการเปลี่ยนแปลงของคุณและแสดงวิดีโอและภาพหน้าจอเป็นหลักฐานให้ฉันดู

โดยที่ /control-app เป็นผลลัพธ์ของ /create-verification-skill ใน Grok @Bot ผมจะ prompt ประมาณนี้:

สร้าง cloud agent เพื่อใช้ /poteto-mode เพื่อ build <คำอธิบายฟีเจอร์, บริบทที่มีประโยชน์ใดๆ>. ใช้ /control-app เพื่อตรวจสอบการเปลี่ยนแปลงของคุณและแสดงวิดีโอและภาพหน้าจอเป็นหลักฐานให้ฉันดู

ความแตกต่างเล็กน้อยตรงนี้คือใน Grok @Bot คุณบอกให้บอทของคุณสร้าง cloud agent แทนที่จะทำงานเอง เหตุผลหลักที่ผมชอบทำแบบนี้คือ因为它ช่วยให้บอทของคุณว่างที่จะทำอย่างอื่นและทำให้หน้าต่างบริบทของมันสะอาด ในแง่นั้น ผมคิดว่าบอทของผมเป็นเหมือนผู้ประสานงานที่จัดการและดูแล cloud agents มากกว่า Cloud agents ยังหมายความว่าคุณสามารถใช้ประโยชน์จากโมเดลที่มีอยู่ทั้งหมดใน Cursor ซึ่งมีเครื่องของตัวเองแยกต่างหาก ดังนั้นคอมพิวเตอร์ของบอทของคุณจึงว่างสำหรับสิ่งอื่น

ตัวอย่าง: งานด้านประสิทธิภาพ

สร้าง cloud agent เพื่อใช้ /poteto-mode เพื่อปรับปรุงเวลาโหลดเริ่มต้นของแอปของเรา ขั้นแรกให้ใช้ /control-app เพื่อเก็บ trace ของสถานะปัจจุบัน และระบุโอกาสในการปรับปรุง จากนั้นทำการแก้ไขตามเป้าหมายและใช้ /control-app +
/swarm เพื่อยืนยันชัยชนะ

/swarm เป็นหนึ่งในสกิลที่ดีที่สุดที่จะใช้ร่วมกับสกิลการตรวจสอบของคุณ มันกระจาย cloud agents จำนวนเท่าใดก็ได้เพื่อรันสกิลการตรวจสอบของคุณ ดังนั้นคุณสามารถทำสิ่งต่างๆ เช่น ยืนยันชัยชนะด้านประสิทธิภาพด้วยกลุ่มตัวอย่างที่ใหญ่พอ หรือ fuzz แอปของคุณเพื่อให้แน่ใจว่าคุณไม่ได้ทำอะไรพังหรือถดถอย

ตัวอย่าง: การจำลองรายงานผู้ใช้โดยอัตโนมัติ

เมื่อคุณพอใจกับสกิลการตรวจสอบของคุณแล้ว คุณสามารถใส่它们ไว้ในรูทีนของ Grok @Bot หรือ Cursor Automations รูทีนและ automations ช่วยให้คุณรันสิ่งต่างๆ ตามกำหนดเวลา หรือทริกเกอร์เมื่อมีเหตุการณ์เกิดขึ้น

ตัวอย่างเช่น ถ้าคุณส่งข้อเสนอแนะของผู้ใช้เข้าไปใน Slack และ/หรือมีช่องทางข้อเสนอแนะภายในของคุณเอง คุณสามารถให้บอทของคุณฟังทุกๆ รายงานและพยายามจำลอง它们โดยอัตโนมัติด้วย cloud agent ถ้าสกิลการตรวจสอบและ Feature Map ของคุณดีพอ คุณอาจตัดสินใจแก้ไขปัญหาอัตโนมัติได้เช่นกัน

มีเหตุผลที่ผมบอกก่อนหน้านี้ว่าการตรวจสอบเป็นหนึ่งในสกิลที่สำคัญที่สุดในชุดเครื่องมือของคุณ มันทำให้คุณมีรากฐานในการสร้างสกิลและรูทีนใหม่ๆ ต่อยอด และที่สำคัญที่สุด ทุกคนในทีมของคุณได้รับประโยชน์

ลงทุนในสกิลการตรวจสอบของคุณ

เมื่อคุณสร้างสกิลการตรวจสอบของคุณแล้ว ให้รักษามันให้คมอยู่เสมอด้วย /maintain-verification-skill พัฒนา CLI อย่างต่อเนื่องและลงทุนในสกิลเหมือนกับที่คุณทำกับโครงสร้างพื้นฐานที่สำคัญ คุณอาจถึงขั้นต้องการตั้งค่า oncall rotation ให้กับมัน - นั่นคือความสำคัญของมันในการปลดล็อกประสิทธิภาพ 100-1000 เท่าสำหรับทีมของคุณ

สกิลนี้เป็นรากฐานสำหรับสกิลอื่นๆ อีกมากมายที่เราจะกล่าวถึงในคู่มือ pstack และมันประกอบเข้าด้วยกันได้อย่างสวยงามกับ它们ทั้งหมด

pstack: https://x.ai/bot/plugin/9717366 (ลิงก์ github
Dr Eggbot: https://x.ai/bot/93gOz3op1UQdBdbekQFLK

ผมแนะนำให้เพิ่ม Dr Eggbot บอทของผมที่ช่วยคุณสร้างบอทคุณภาพสูง เข้าไปในทีมของคุณ Dr Eggbot มาพร้อมกับ pstack มันจะสอนบอทเขียนโค้ดวิธีใช้มัน และมันยังสามารถสร้างบอทที่ไม่ใช่สำหรับเขียนโค้ดด้วยความเข้มงวดแบบเดียวกันได้

ขอบคุณที่อ่าน และโปรดติดตามตอนที่ 2!