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。