Waza 是一套为 AI 编程助手设计的技能集合，把资深工程师的「隐性知识」转化成 AI 可以执行的标准化流程。
AI 编程的「最后一公里」问题
GPT-4、Claude 这些大模型，写代码的能力已经相当强了。你给它一个需求，它能噼里啪啦给你敲出一堆代码来。
但问题来了——它写出来的代码，总差那么点意思。
不是说语法错误，而是那种「一看就是新手写的」感觉。代码能跑，但不够优雅；功能实现了，但考虑不周全。
为什么？
因为编程不只是写代码。一个资深工程师的价值，往往体现在那些「不写在代码里」的东西上：
- 需求分析时的压力测试
- 写代码前的架构思考
- 出 bug 时的根因分析
- 代码审查时的细节把控
- 文档写作时的表达打磨
这些能力，我们称之为「工程习惯」或者「肌肉记忆」。它们是工程师多年实战积累下来的直觉，很难用几句话说清楚。
Waza 想做的，就是把这些「隐性知识」显性化，变成 AI 可以执行的技能。
Github:
核心设计：8 个技能，8 种工程直觉
Waza 的核心是 8 个技能，每个对应一种关键的工程习惯：
| 技能 | 触发时机 | 做什么 |
|---|---|---|
/think | 开始新功能前 | 挑战问题本身，压力测试设计方案，生成可执行的计划 |
/ui | 做前端界面时 | 产出有设计感的 UI，而不是千篇一律的默认样式 |
/check | 任务完成后 | 审查代码差异，提取项目约束，处理发布流程 |
/hunt | 遇到 bug 时 | 系统性调试，先找到根因再动手修复 |
/write | 写文档时 | 重写文案，让中英文都读起来自然流畅 |
/learn | 学习新领域时 | 六阶段研究工作流：收集→消化→大纲→填充→精炼→发布 |
/read | 读 URL/PDF 时 | 平台特定的路由处理，智能摘要或转换 |
/health | 审计 Agent 时 | 检查配置、权限、输出质量，给出预算感知的摘要 |
注意：8 个是硬上限。 作者明确说了，不许加第 9 个，也不许拆分现有的。这种克制很聪明——技能太多会稀释每个技能的价值。
设计哲学：给目标，不给路径
Waza 最有意思的设计理念，体现在这句原话里：
"Give the model the target, not the path."
翻译过来就是：告诉模型你要什么结果，但别规定它怎么走。
这和大多数 AI 工具的思路相反。很多工具喜欢写一大堆流程图、步骤说明，恨不得把每一步都规定死。
但 Waza 说：不行。因为——
-
模型在进化。今天需要 10 步才能完成的任务，明天可能 3 步就搞定了。规定太死反而限制了模型发挥。
-
判断力比执行力更重要。写代码是执行，但「该不该写这个功能」「这个设计够不够优雅」是判断。Waza 把判断的责任留给模型，只提供清晰的目标和约束。
-
简洁是硬约束。每个技能都经过「no-op 测试」：如果删掉某句话，模型的行为会变吗？如果不会，那就删。因为「说了等于没说」的废话只会消耗 context，没有任何价值。
技能链：组合使用的威力
单个技能已经很有用，但 Waza 的真正威力在于技能链——多个技能串联使用。
几个典型的工作流：
规划新功能：
/think → 审批 → "实现 X" → /check → 合并
修复 bug：
/hunt → 修复 → /check → 发布
研究并写作：
/read（获取资料） → /learn（综合分析） → /write（润色表达）
调试并验证：
/hunt（找根因） → 修复 → /check（审查变更）
关键是：每次技能切换都是手动触发的。一个技能完成后会停下来，等你决定下一步做什么。
这种设计很聪明。它把控制权留给了人类，避免了 AI 一激动把所有步骤都跑完、中间出错也停不下来的情况。
技术实现：简约而不简单
从技术角度看，Waza 的实现相当克制：
技术栈：
- Markdown（技能定义）
- Shell（辅助脚本）
- Python（验证脚本）
没有花里胡哨的框架，没有复杂的依赖。整个项目就是一堆 Markdown 文件 + 一些轻量脚本。
目录结构：
skills/ # 8 个核心技能
rules/ # 共享的行为规则
scripts/ # 构建和验证脚本
tests/ # 冒烟测试
plugins/ # Codex 插件镜像
安装方式：
npx skills add tw93/Waza -a claude-code codex cursor -g -y
一条命令，自动适配多种 AI 编程工具（Claude Code、Codex、Cursor 等）。
验证机制：
make test # 跑所有测试
make regenerate # 重新生成元数据
make package # 打包发布
有完整的 CI/CD 流程，每次变更都要通过测试。
亮点拆解：几个值得学习的设计
1. 项目感知的代码审查
/check 技能有个很聪明的设计：它会自动读取目标仓库的公开上下文（README、package.json、CI 配置等），理解项目的特定约束，然后基于这些约束来审查代码。
这意味着：它不是用一套通用标准来审查所有项目，而是会根据每个项目的特点调整审查重点。
2. 持久化上下文预检
多个技能共享一个「持久化上下文预检」（Durable Context Preflight）。在执行任何技能之前，先检查是否有必要上下文。这避免了重复加载，也确保了技能之间的信息连贯性。
3. 防抖动设计
每个技能都有「Gotchas」表格，记录真实项目中踩过的坑。这些不是理论推演，而是从 300+ 次会话、7 个真实项目中提炼出来的失败经验。
4. 反模式规则
rules/anti-patterns.md 定义了跨技能的行为护栏：
- 先读再做
- 不要超出范围
- 不要主动总结
这些规则适用于所有 8 个技能，确保 AI 不会「自作主张」。
项目背景：三部曲中的「老二」
Waza 不是孤立存在的，它是 tw93 的「编程三部曲」之一：
| 项目 | 日文 | 含义 | 角色 |
|---|---|---|---|
| Kaku | 書く | 写 | 爸爸（写代码） |
| Waza | 技 | 技巧 | 姐姐（练习习惯） |
| Kami | 紙 | 纸 | 妹妹（发布文档） |
这个拟人化的比喻挺有意思的。写代码是基础（爸爸），练习习惯是进阶（姐姐），发布文档是收尾（妹妹）。
三个项目各司其职，共同构成了一个完整的 AI 编程工作流。
横向对比：三大 AI 编程技能库
AI 编程技能库不只是 Waza 一家。目前最火的三个项目是：Waza、Superpowers 和 mattpocock/skills。它们各有侧重，适合不同场景。
| 维度 | Waza (tw93) | Superpowers (obra) | mattpocock/skills |
|---|---|---|---|
| Stars | 6.9k | 21.8k | 240k |
| 安装量 | - | 100万+ | - |
| 技能数量 | 8 个（硬上限） | 20+ | 15+ |
| 核心理念 | 给目标，不给路径 | 强制 TDD 纪律 | 解决四大失败模式 |
| 技术栈 | Markdown/Shell/Python | Markdown/TypeScript | Markdown |
| TDD 支持 | 无 | 强制（先写测试） | 有（/tdd） |
| 调试能力 | /hunt（根因分析） | 有（系统性调试） | /diagnosing-bugs |
| 代码审查 | /check（项目感知） | 有（子代理审查） | /code-review |
| 需求对齐 | /think（压力测试） | /brainstorm | /grill-me |
| 领域建模 | 无 | 无 | /domain-modeling + CONTEXT.md |
| 前端设计 | /ui | 无 | 无 |
| 学习研究 | /learn + /read | 无 | /research |
| 写作润色 | /write | 无 | 无 |
| 健康审计 | /health | 无 | 无 |
| 安装方式 | npx skills add | Claude Code plugin | Claude Code plugin / npx skills |
| 多工具支持 | Claude/Codex/Cursor/Antigravity | Claude Code 为主 | Claude Code 为主 |
| 项目背景 | 三部曲之一（Kaku/Waza/Kami） | 独立项目 | 个人经验结晶 |
| 适用人群 | 全栈工程师 | 重视 TDD 的团队 | 重视架构设计的团队 |
差异化定位
Waza 的独特价值：
- 唯一支持
/ui（前端设计）和/write（写作润色） - 唯一提供
/health（Agent 健康审计） - 克制的设计：8 个技能是硬上限，拒绝功能膨胀
- 多工具支持最好（Claude/Codex/Cursor/Antigravity）
Superpowers 的独特价值：
- 强制 TDD 纪律：如果先写代码再写测试，它会删掉你的代码
- 子代理架构：每个任务用独立 AI 实例，避免上下文污染
- Anthropic 官方验证，安装量破百万
mattpocock/skills 的独特价值：
- 领域建模能力最强（/domain-modeling + CONTEXT.md）
- 解决「代码库变成泥球」的问题（/improve-codebase-architecture）
- 社区最大（240k Stars），文档最丰富
选择建议
| 你的情况 | 推荐 |
|---|---|
| 想要「少即是多」，不想要太多选择 | Waza |
| 团队代码质量参差不齐，需要强制规范 | Superpowers |
| 项目复杂，需要领域建模和架构治理 | mattpocock/skills |
| 需要前端设计或写作润色 | Waza |
| 需要多工具支持（Codex/Cursor） | Waza |
| 重视 TDD 和子代理协作 | Superpowers |
适用场景：谁会用这个？
最适合的人群：
-
日常使用 AI 编程工具的开发者：如果你已经在用 Claude Code、Copilot 等工具，Waza 能显著提升输出质量。
-
技术团队的负责人：可以作为团队的「AI 编程规范」，统一 AI 辅助编程的质量标准。
-
AI 工具的深度用户：想让 AI 更好地理解工程思维，而不只是当个代码生成器。
不太适合的场景：
- 完全不用 AI 编程的人
- 只需要简单代码生成的场景
- 对 AI 编程输出质量要求不高的项目
Github:
个人评价：克制是最大的美德
看完 Waza 的代码和文档，我最大的感受是：克制。
8 个技能是硬上限，不许加。 每句话都要经过 no-op 测试，没用的就删。 不搞复杂的框架，Markdown + Shell + Python 就够了。 不规定模型的路径，只给目标和约束。
这种克制，反而让 Waza 有了更强的生命力。
因为简洁的东西更容易维护，更容易传播，也更容易被模型理解。
在一个 AI 工具百花齐放的时代，Waza 选择了「少即是多」的路线。它不试图解决所有问题，只专注于 8 个最关键的工程习惯。
这种专注，值得学习。
关注
如果你对 AI 编程、开发者工具、开源项目感兴趣，欢迎关注本公众号。
