🎯 О чём этот конспект: Разбор методологии «программирования через процессы», где AI рассматривается как «инженер без памяти». Автор делится пятью конкретными навыками (skills) для Claude Code, которые превращают хаотичную генерацию кода в предсказуемый инженерный процесс: от глубокого интервьюирования до TDD и архитектурного рефакторинга.

👤 Кому будет полезно: Вайбкодерам и разработчикам, использующим Claude Code, Cursor или Windsurf, которые столкнулись с «потолком» сложности проектов и хотят повысить качество кода через строгие протоколы.

✨ Что получите: Готовые промпты-навыки для внедрения в свои AI-агенты, методику декомпозиции крупных фич через PRD и технику «вертикальных срезов» (tracer bullets) для минимизации рисков.

1. Навык «Grill Me»: Достижение общего понимания

Контекст: Главная проблема при работе с AI — преждевременное начало кодинга. Claude часто предлагает план до того, как полностью осознает контекст или зависимости. Навык «Grill Me» (Допроси меня) основан на концепции «дерева дизайна» (Design Tree). Он заставляет модель задавать десятки уточняющих вопросов, проходя по каждой ветке логики, прежде чем будет написана хоть одна строка кода. Это исключает ситуацию, когда через 2 часа работы выясняется, что фундаментальное решение было ошибочным.

Выгода: Экономия часов переписывания кода за счет 15-30 минут интенсивного обсуждения архитектуры на старте.

Как применить:

• Шаг 1: Создание навыка — Claude Code — Добавьте следующий промпт в системные инструкции вашего агента или в файл .claudecode/skills/grill-me.md.
• Шаг 2: Запуск — Введите команду grill me, когда описываете новую фичу.

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. 
Finally, if a question can be answered by exploring the codebase, explore the codebase instead.

Результат: AI выдаст список из 10-20 глубоких вопросов (UI, lifecycle, зависимости, edge-cases), пока не «синхронизируется» с вашим видением.

2. Навык «Write a PRD»: Формализация целей

Контекст: После «допроса» необходимо зафиксировать договоренности. PRD (Product Requirements Document) служит «точкой истины». Если код начнет отклоняться от логики, PRD поможет вернуть агента в русло. Важно, чтобы PRD содержал User Stories и конкретные решения по реализации, но оставался достаточно гибким, чтобы не устареть при первых же изменениях в коде.

Выгода: Создание долгосрочной памяти для проекта. PRD используется как контекст для всех последующих подзадач.

Как применить:

• Шаг 1: Генерация документа — Используйте навык после сессии «Grill Me».
• Шаг 2: Публикация — Автор рекомендует сохранять PRD как GitHub Issue для удобной ссылки из коммитов.

# Skill: Write a PRD
1. Ask the user for a long detailed description (if not provided).
2. Explore the repo to verify assertions.
3. Interview the user relentlessly (invoke Grill Me logic).
4. Sketch out major modules to build/modify.
5. Use the template to write the PRD and submit it as a GitHub issue.

Результат: Структурированный документ с Problem Statement, User Stories и Implementation Decisions, сохраненный в вашей системе контроля версий.

3. Навык «PRD to Issues»: Декомпозиция на вертикальные срезы

Контекст: Большая задача пугает AI и ведет к галлюцинациям. Навык переводит PRD в набор конкретных GitHub Issues. Ключевой принцип — Vertical Slicing (Трассирующие пули). Вместо того чтобы делать сначала «весь бэкенд», а потом «весь фронтенд» (горизонтальные слои), нужно делать тонкий срез через все слои, который решает одну маленькую подзадачу. Это позволяет сразу проверить работоспособность интеграций.

Выгода: Быстрое обнаружение «неизвестных неизвестных» (unknown unknowns) на ранних этапах.

Как применить:

• Шаг 1: Анализ зависимостей — Попросите AI выявить блокирующие задачи (Blocking Relationships).
• Шаг 2: Создание задач — Используйте промпт для нарезки задач.

# Skill: PRD to Issues
1. Locate the PRD in the context or fetch it.
2. Draft vertical slices: each issue must be a thin slice cutting through all integration layers.
3. Establish blocking relationships (e.g., Issue #3 is blocked by Issue #1).
4. Create GitHub issues with references to the parent PRD.

Результат: Канбан-доска в GitHub с четкой последовательностью действий, где каждая задача проверяема и автономна.

4. Навык «TDD»: Гарантия качества через Red-Green-Refactor

Контекст: Test-Driven Development (TDD) — самый стабильный способ улучшить выдачу AI. Агент заставляется сначала писать падающий тест (Red), затем минимальный код для его прохождения (Green), и только потом проводить рефакторинг. Это предотвращает регрессии и заставляет AI задумываться об интерфейсах модулей.

Выгода: Код, который гарантированно работает согласно спецификации; автоматическая документация в виде тестов.

Как применить:

• Шаг 1: Определение интерфейса — Заставьте AI сначала описать interface или сигнатуры функций.
• Шаг 2: Цикл разработки — Используйте инструкцию для запуска цикла.

# Skill: TDD (Test Driven Development)
1. Confirm interface changes with the user.
2. Design interfaces for testability (Deep Modules principle).
3. Loop: 
   a. Write ONE failing test.
   b. Write minimal code to make it pass.
   c. Refactor (check for duplication, naming, clarity).
4. Repeat until all acceptance criteria from the PRD are met.

Результат: Модульный код с высоким покрытием тестами (в примере автора — 28 тестов на один модуль), который легко поддерживать.

5. Навык «Improve Architecture»: Борьба с энтропией

Контекст: Со временем кодовая база «протухает»: появляются слишком мелкие файлы или излишне связанные модули. Этот навык заставляет AI критически взглянуть на архитектуру, используя принципы «глубоких модулей» (Deep Modules — простые интерфейсы при сложной внутренней логике).

Выгода: Упрощение кодовой базы, что делает её более «понятной» для AI в будущих сессиях (меньше затрат токенов, выше точность).

Как применить:

• Шаг 1: Поиск «болей» — AI ищет места, где понимание одной концепции требует прыжков по 10 файлам.
• Шаг 2: Параллельное проектирование — AI генерирует 3-5 радикально разных вариантов рефакторинга.

# Skill: Improve Codebase Architecture
1. Explore codebase to find "shallow modules" and tight coupling.
2. Present a numbered list of deepening opportunities.
3. For a chosen candidate, spawn sub-agents to produce 3 radically different interface designs.
4. Recommend the strongest design (or hybrid) and explain why.
5. Create a Refactor RFC as a GitHub issue.

Результат: План по оздоровлению архитектуры, одобренный человеком и готовый к реализации через цикл PRD -> Issues.

FAQ

В: Почему AI-агентов называют «инженерами без памяти»?

О: Каждая новая сессия или очистка контекста (clear context) стирает «воспоминания» модели о принятых решениях. Именно поэтому автор настаивает на записи всех решений в PRD и GitHub Issues — это внешняя память, которую агент может прочитать в любой момент.

В: Что такое «вертикальный срез» (Vertical Slice) и почему он лучше горизонтального?

О: Горизонтальный срез — это когда вы делаете всю базу данных, потом все API. Ошибка в архитектуре БД всплывет только в конце. Вертикальный срез — это реализация одной маленькой функции (например, «сохранение черновика») от кнопки на фронте до таблицы в БД. Это позволяет протестировать всю цепочку сразу.

В: AI неохотно рефакторит свой собственный код. Как это решить?

О: Автор заметил, что если код находится в текущем контексте, Claude «дорожит» им. Решение: либо использовать специальный навык архитектурного улучшения, либо очистить контекст и дать агенту задачу отрефакторить уже существующий (как бы «чужой») код.

В: Какое количество вопросов в сессии «Grill Me» считается нормальным?

О: Для сложных фич это может быть от 15 до 50 вопросов. Автор приводит пример, где для простой функции редактирования документов Claude задал 16 вопросов. Это нормально — чем больше уточнений на берегу, тем меньше багов в коде.

В: Можно ли использовать эти навыки в Cursor или других IDE?

О: Да, эти навыки — по сути структурированные промпты. Вы можете добавить их в .cursorrules или системный промпт любого AI-агента. Claude Code просто делает их вызов более удобным через CLI.

Конспект создан на основе видео «My 5 Most Powerful Claude Code Skills» канала Charlie Holtz. Все права на оригинальный материал принадлежат авторам. Источник: https://youtu.be/EJyuu6zlQCg