AI 改完代码,最慢的一步往往是验证:它说「做好了」,你得自己打开应用点一遍。作者在官方指南里说,整套指南里回报最高的,就是给项目配一个验证技能。
道理很简单:能自己检查的 AI,会一直改到检查通过;不能的,只能把结果交回给你查。验证这一步不用等人,你就不再是瓶颈。反过来,开再多 AI,也只是多出一堆没人查过的结果。
先照抄
在项目文件夹里打开 AI,发:
/pstack:create-verification-skill装 pstack 时跑的 /pstack:setup-pstack,最后也会问一次「要不要生成验证技能」。选「要」,就是在跑这个。
它主要读你的代码,自己弄清这五件事,代码里看不出来的才问你:
- 用户碰的是什么:网页、命令行、桌面应用、接口,还是手机应用。有好几种的话,挑最主要的那个。
- 怎么启动:优先用项目自己写好的命令(
package.json里的脚本、Makefile、README),还有端口、环境变量、测试数据、登录。 - 怎么操作:先找项目里现成的(Playwright、Cypress 这类测试脚本、调试端口),没有才用通用办法:网页和 Electron 用浏览器自动化,命令行用虚拟终端,接口直接发请求。
- 能留下什么证据:截图、终端记录、接口返回、日志、退出码、数据库里的数据。
- 能不能同时开两个:端口、数据目录能不能分开。不能的话,它会在技能里写明,宁可不测,也不去碰你正在用的那一个。
项目本身跑不起来,它会先修好,或者把卡在哪说清楚,再往下做。照着一个坏掉的项目写出来的步骤,只会教错。
你会得到什么
项目里多一个文件夹。Claude Code 里是 .claude/skills/,Cursor 里是 .cursor/skills/:
verify-<应用名>/
├── SKILL.md 启动、体检、操作、证据、收拾,还有附带的脚本怎么用
└── features/ 功能清单:一个功能一个文件
├── README.md 清单的目录,加上所有功能共用的规矩
├── create-note.md
└── search.md- 1启动从空数据起到真能用
- 2体检这个实例值不值得测
- 3像用户一样操作点真按钮,打真命令
- 4留证据截图、录屏、存下的数据
- 5收拾只关自己开的,证据留下
SKILL.md 是写给下一个 AI 看的,不是写给你的:一个从没见过这个应用的 AI,干到一半翻开它,也能照着做。里面每一节都用你项目里真实的命令和按钮名,不留「在这里填」:
| 一节 | 写的是什么 |
|---|---|
| 启动 | 用哪条命令启动,看到什么才算准备好。要从空数据开始,跑完数据库迁移、灌好测试数据,真能用才算好 |
| 体检 | 一条只读的检查:进程在不在、版本对不对、端口是不是自己的、登录还有效没。一有不对劲就先跑它 |
| 操作 | 用哪个工具、点哪个按钮、打哪条命令。认按钮靠名字、标签这类稳定的东西,不靠坐标 |
| 证据 | 拍什么、存到哪,以及什么才算数(见下一节) |
| 收拾 | 关掉这次自己开的东西,不按进程名乱杀。证据留下,放在写明的位置 |
| 脚本 | 附带的脚本都能直接运行,用法写在正文里 |
features/ 是功能清单。开头先挑最主要的三到五个功能,一个功能一个文件,每个文件都是同样四部分:
- 有哪些小功能:比如「新建笔记」分成从按钮打开、保存、取消、从命令行新建。
- 用户怎么走到这里:每个入口都列出来。按钮、快捷键、命令行都算。
- 怎么操作:每一步写成「做什么 → 打哪条命令 → 应该看到什么」。
- 坑:会让验证白跑或者看错的地方。比如「只看到『已保存』的提示不够,要回到列表重新打开这条」。
测试数据里缺了某个功能要的前提,它会如实报「这条走不通」,把原因记进「坑」里,不会为了通过把步骤改简单。清单里列了几个入口,就都要走到;只挑一个顺手的入口测,不算验证完。
交给你之前,它自己先跑一遍
生成完,它会照着自己写的技能完整跑一次:启动、体检、操作清单里的一个功能、留证据、收拾,最后确认收拾完证据还在。中间哪步不通,它就修,每次失败后也会把自己开的东西关掉。
以后怎么用
在任务里点名它,再说清要什么证据。下面两句是官方指南里的写法:
/pstack:poteto-mode 做批量归档功能。用 /verify-<应用名> 验证你的改动,给我录屏和截图当证据。/pstack:poteto-mode 用 /verify-<应用名> 复现这个问题。在 main 上能复现的话,修好它,给我录屏当证据。一个 Chrome 插件的例子:
/pstack:poteto-mode 收藏列表刷新后偶尔会重复。用 /verify-bookmarks 复现:连点十次「收藏」,再刷新侧边栏。
修好的标准:列表里只有一条,chrome.storage 里也只有一条。
给我看修之前和修之后的截图,和 storage 里的实际内容。验证技能能用以后,还可以让好几个 AI 一起测。/pstack:swarm 能按功能清单分工,每个 AI 测几个功能,最后汇总。合并前用它把所有功能过一遍,或者对一个性能改进多测几轮,样本够了才算数。
证据要什么样才算数
生成的技能里会写明这几条标准,你看它交上来的证据时也按这个查:
- 走用户真走的路:点真按钮、打真命令。不调内部函数,也不用只给测试开的后门接口。
- 拍下动作和结果:不只是最后一屏,要能看出它做了什么、之后变成了什么样。
- 看副作用:写出的文件、数据库里多的那一行、发出去的消息,和界面上看到的一起查。
- 能不假就不假:只有在线上本来就隔开的外部系统那里(比如付款),才用模拟的。
- 「试运行」也要看:有些 dry-run 照样会联网、开浏览器。它跳过了什么,要亲眼看,不能只看名字。
把它当成项目的基础设施
- 提交进仓库。这样团队里每个人、每个 AI 都用同一套方法测应用。
- 给它做一个小命令行。AI 老是临时写一次性的点击脚本,就让它做一个小控制工具,验证技能直接调用它。省 token,每次跑的结果也能重复。好用的控制工具通常是:命令不多但每个都干实事;会删东西的都有
--dry-run;子命令一层层展开;报错时说该怎么办;--help写得详细;输出能给机器读,比如 JSON。 - 让环境一条命令就能起来:固定的测试数据、测试账号,每次起来都一样。
应用变了:用 /pstack:maintain-verification-skill 复查
应用一改,功能清单就开始过时。官方建议至少每天跑一次,最好设成定时任务,免得要人记着:
/pstack:maintain-verification-skill它这样查:
- 先整理清单的目录:缺的、多的、重复的、死链接。
- 每个功能派一个只读的 AI 去读源码,说清这个功能现在怎么工作,指出清单里可能过时的地方。
- 再由一个 AI 把应用真开起来,把每个功能都实际操作一遍。源码看着没问题,也要真跑。
- 最后分清三种情况:清单写错了,就改清单;功能是好的但工具操作不了,就修工具;应用真坏了,就报给你。
结果只有三种:clean(全查过,没什么要改)、changed(交一个 PR,里面只有验证过的修正)、blocked(说清卡在哪)。它只改验证技能自己的文件夹,从不改产品代码。应用真出了回归,它会报出来,不会改文档把问题盖过去。
作者自己怎么用
pstack 的作者 poteto 在 2026 年 8 月写过一篇长文,讲自己怎么用 pstack(The Complete Guide to pstack,第一部分)。验证是其中分量最重的一块:
- 作者说,验证是自己和 AI 协作的地基,该当成关键的基础设施,而不只是一个技能。
/pstack:create-verification-skill是作者把自己工作里一直在用的验证技能提炼出来,做成的「生成技能的技能」:教 AI 给你的应用也做一套。- 作者把功能清单叫作「物化的记忆」:写成文件、省 token 的记忆,项目里每个人、每个 AI 都能读。
- 做新功能,作者让 AI 做完后用验证技能验证,要录屏和截图。查性能,先让 AI 测出慢在哪、对症修,再用
/pstack:swarm派一批 AI 确认真的变快了。 - 作者还把验证放进定时任务,比如让机器人把用户在 Slack 里反馈的 bug 自己复现一遍。
- 复查,作者建议至少每天一次。AI 平时干活会顺手更新验证技能,复查负责补上它们漏掉的。
延伸阅读
- 官方指南:Verify and ship:本页的出处,英文。
/pstack:create-verification-skill原文和译文、/pstack:maintain-verification-skill:本站的技能页,可以对照着读。- Building verification loops in Claude Code with skills:Anthropic 讲同一个思路,让 AI 交差前先自己检查,英文。
- Flavio Copes: A deep dive into pstack:一篇第三方的完整介绍,英文。
卡住了?
它说项目启动不了,停下来了。
这是对的:照着跑不起来的项目写步骤,只会教错。按它说的先把启动问题修好(缺环境变量、缺测试数据、端口被占),或者直接让它修,再重新跑 /pstack:create-verification-skill。
有些功能要登录或者付费账号,它测不到。
它会把这个功能标成「走不通」,并写明缺什么前提、试了哪条路。给它准备一个测试账号,或者在测试数据里加上需要的状态,写进项目的测试数据文件,不要把真账号密码贴进对话。
它写的步骤靠坐标点按钮,换个窗口大小就失灵。
回它:「按钮用名字或者 data 属性认,不要用坐标和 Tab 顺序。」生成规则里本来就要求用稳定的认法,它没做到就让它改。
我的项目是命令行工具,没有界面。
一样能用。它会用虚拟终端(比如 tmux)一次开一个干净的会话,打命令、记下输出和退出码。没有常驻的服务要开,「启动」就是先编译好或者装好依赖。
两个 AI 同时验证,结果互相打架。
看技能的「启动」那节有没有写怎么隔开:不同端口、不同数据目录。没写的话,让它补上;实在隔不开,技能里应该写明「一次只能一个」。
测试碰不到的问题,比如两个重试撞在一起,它也能查吗?
验证技能证明的是它实际走过的那几条路。并发、重试这种要把所有先后顺序都查到的,用形式化验证。