Обзор навыков ИИ от Мэтта Покока и Potato¶
7.0/10
Тео (Theo - t3.gg) протестировал и проверил репозитории AI-скиллов Мэтта Покока и Potato (Лорен, бывший участник React core team, теперь в Cursor). Репозиторий Покока набрал более 200 000 звёзд на GitHub и входит в десятку самых звёздных проектов, хотя состоит из простых markdown-файлов. Тео выделил скиллы grill, teach, ask Matt, triage и unslop; особенно полезным оказался unslop, который изменил его готовность читать ответы агентов. Он предупреждает, что большинство подобных репозиториев — «слоп», и советует не устанавливать чужие наборы вслепую, а читать markdown, редактировать файлы и собирать собственный набор скиллов.
Контекст¶
AI-скиллы — это markdown-файлы с инструкциями, которые подключаются к ИИ-агентам (например, Claude) и задают поведение или рабочие процессы. Репозиторий Мэтта Покока стал популярным примером курируемого набора таких инструкций; Potato создала собственный набор, который Тео называет неожиданно мощным. Контекст важен, потому что Тео сравнивает два подхода: готовые «наборы навыков» и ручную настройку.
Влияние¶
Разработчикам, использующим ИИ-агентов для кодинга, стоит не копировать чужие конфигурации целиком, а вручную отбирать и редактировать скиллы; как минимум unslop может заметно улучшить читаемость ответов агента.
Детали¶
В ходе проверки Тео обнаружил, что grill требует от агента самостоятельно искать факты о репозитории, а в режиме high/fast запускает субагентов для сбора данных и выдаёт быстрые ответы. Скилл teach — «stateful»: он использует текущую директорию как учебное пространство и хранит состояние обучения в нескольких файлах, запускается командой /teach. Также в наборе есть ask Matt для подбора подходящих скиллов и triage для перемещения issues. Тео советует сначала установить unslop, затем попросить агента изучить оба репозитория и историю пользователя, а после — читать markdown перед установкой и не бояться редактировать файлы в директориях Claude/agents. Он шутит, что теперь открывает редактор кода только для правки markdown и переменных окружения, и связывает с этим рост числа параллельных PR с меньшим количеством поломок.