# pstack 深度拆解！怎麼讓 AI 全自動完成你的工作？

- Channel: [Gary Chen](https://www.youtube.com/channel/UC9C3t-3ocL0LiwGRD0gBJ8A)
- Published: 2026-10-31
- Source video: [Watch on YouTube](https://youtube.com/watch?v=l_xDqUm0MDQ)
- Read on ReadTube: https://www.read.tube/p/videos/l_xDqUm0MDQ
- Language: Simplified Chinese

## Summary

**让人工智能真正放手工作**

视频的核心观点是，人工智能能够全自动完成工作，靠的不是更强的提示词，而是逐步建立验证、审查和防错环境。Lauren 的 pstack 通过多模型分工、深入理解代码历史、测试驱动开发、交叉审查和独立验收，把人类从持续盯梢逐渐移到事后抽查。她还用自动派工、问题复现和环境改造，让错误尽量在系统层面被阻止，而不是反复依赖文字提醒。普通人应从单个模型和可验证证据开始，逐步提高信任程度，不能在基础设施尚未成熟时贸然开启全自动合并。

Lauren 的高产核心不是单纯让人工智能多写代码，而是建立一套可验证、可复盘、可持续改进的工作系统。她开源的 pstack 将近六十个技能分成底层工程原则与任务工具，并用 /poteto-mode 统一调度；初始化时还会按任务类型分配不同模型，让便宜快速的模型处理编码、测试和资料搜集，把更强的模型留给架构设计和关键判断。

pstack 把开发流程分为规划、实施和验收三部分，目标是让人工智能尽量一次做对，并减少人类返工。规划阶段通过 /how 理解系统当前如何运作，通过 /why 追溯历史设计与旧问题的成因，再用 /sharpen 把模糊需求改写成有边界、有验收条件的专业任务；实施阶段先用 /architect 设计整体结构，用 /arena 汇集多个模型的方案，再以测试驱动开发确保测试先于代码建立，避免人工智能为错误实现编造“通过”的测试。

真正支撑自动合并的是后期验证，而不是写代码本身。/create-verification-skill 会让人工智能生成像真实用户一样操作应用的检查流程，并提交截图或视频证据；/blast-radius 评估改动可能影响的范围；/interrogate 则让不同模型交叉审查代码，减少单一模型的共同盲点。全自动模式下，编写代码的人工智能不能批准自己的合并请求，系统会派出约十个没有参与开发的独立验收代理进行实际操作，全部通过后才允许自动合并；/show-me-your-work 记录失败尝试和决策过程，帮助 Lauren 第二天快速定位高风险任务。

Lauren 的方法还包括并行派工、自动接收任务和持续改造环境。项目总管人工智能负责拆分任务，外部机器人从 Slack、X 和电子邮件中提取并复现模糊问题，内部巡逻代理则收集重复出现的代码缺陷；发现同类错误后，/correct 会把经验转化为统一范式、代码检查器和持续集成闸门，而不是只写进容易被遗忘的说明文件。她强调这套能力必须循序渐进：先观察人工智能的常见错误，再把纠正变成规则，要求交件附证据，逐步平行运行多个任务，之后尝试让人工智能在夜间完成但暂不合并，最后才开放独立验收后的自动合并。pstack 适合已有大量历史代码、需要频繁修复和重构的项目；Matt Pocock 的工作流更重视前期澄清需求和合并前的人类确认，适合目标尚不明确的新功能，两者也可以先后结合使用。