GPT-4、Claude 等大模型已经能够根据需求快速生成代码，但真正进入工程环境后，问题往往不在语法，而在输出质量：代码可以运行，却不够优雅；功能能够实现，但边界情况考虑不足。开源项目 Waza 试图解决的正是这类问题。它不是继续训练一个更会写代码的模型，而是把资深工程师长期积累的工程习惯、审查意识和项目规范，整理成 AI 编程助手可以执行的标准化技能。
把隐性工程经验拆成 8 个技能
Waza 的核心理念是把工程师的“隐性知识”显性化。相比单纯生成代码，资深工程师的价值常常体现在代码之外的判断中：什么功能应该做，什么设计更合理，哪些项目约束需要提前检查，哪些变更必须验证。Waza 将这些经验整理为 8 个核心技能，每个技能对应一种关键工程习惯。
项目对技能数量设置了明确上限：8 个是硬上限，不增加第 9 个，也不拆分已有技能。这种设计体现出一种克制思路。技能数量过多可能稀释每个技能的价值，也会增加模型理解成本。Waza 更倾向于保持少量、清晰、可执行的技能，而不是覆盖所有场景的庞大流程库。
Waza 提出了一句核心设计原则：给模型目标，而不是路径。也就是说，它告诉模型需要达到什么结果，以及必须遵守哪些约束，但并不规定每一步如何执行。这一思路与许多传统 AI 工作流不同。很多工具倾向于把流程拆成固定步骤，但模型能力持续变化，今天需要多步完成的任务，未来可能用更少步骤完成。过度规定步骤反而可能限制模型发挥。
为了保持提示词的有效性，Waza 中的每个技能都会经过一种“no-op 测试”：如果删掉某句话后模型行为没有变化，这句话就会被删除。项目认为，没有实际影响的说明只会消耗上下文，不会带来工程价值。
技能链与人工控制：让 AI 按工程流程推进
单个技能之外，Waza 更强调技能之间的串联使用。通过不同技能的组合，开发者可以构建接近真实研发流程的工作流。例如，规划新功能时，可以先使用思考类技能，再经过审批、实现、检查和合并；修复 bug 时，可以先定位问题，再进行修复、检查和发布；研究和写作任务也可以通过资料获取、综合分析和表达润色逐步完成。
- 规划新功能：思考、审批、实现、检查、合并
- 修复 bug：定位、修复、检查、发布
- 研究与写作：获取资料、综合分析、润色表达
- 调试与验证：寻找根因、修复、审查变更
这些流程中，每次技能切换都需要人工触发。一个技能完成后不会自动继续执行全部步骤，而是等待开发者决定下一步动作。这种设计把控制权保留在人类手中，避免 AI 在长流程中持续执行而无法及时纠正错误。
从技术实现看，Waza 的架构也保持轻量。项目主要由 Markdown 文件、共享行为规则、构建验证脚本、测试和插件镜像组成，没有引入复杂框架。目录结构包括 skills、rules、scripts、tests 和 plugins 等部分。安装时可通过一条命令自动适配 Claude Code、Codex、Cursor 等多种 AI 编程工具。
项目还配备了测试和验证机制，包括运行全部测试、重新生成元数据、打包发布等命令，并通过 CI/CD 流程要求每次变更通过测试。这种工程化安排使 Waza 更像一套可维护的开发者工具，而不是一组松散的提示词。
项目级审查、反模式护栏与生态定位
Waza 中的一个典型设计体现在 /check 技能上。该技能会自动读取目标仓库的公开上下文，例如 README、package.json 和 CI 配置，以理解项目自身的约束，再基于这些约束审查代码。这意味着它不是用一套通用标准检查所有项目，而是根据具体项目调整审查重点。
多个技能之间还共享一个“持久化上下文预检”机制。在执行任何技能前，系统会先检查是否具备必要上下文，避免重复加载，也保证不同技能之间的信息连续性。
每个技能都附有“Gotchas”表格，用于记录真实项目中遇到的问题。素材称，这些经验来自 300+ 次会话和 7 个真实项目，并非纯理论推演。项目还在 rules/anti-patterns.md 中定义了跨技能的行为护栏，用于限制 AI 在多个技能中可能出现的自作主张行为。
Waza 也不是孤立项目。它是开发者 tw93 提出的“编程三部曲”之一，另外两个项目分别对应基础代码能力和文档发布能力。三者共同组成一套较完整的 AI 编程工作流。
在当前 AI 编程技能库方向上，Waza、Superpowers 和 mattpocock/skills 是较受关注的三个项目。素材提到，三者各有侧重：Superpowers 更偏向能力集合，mattpocock/skills 也面向特定使用场景，而 Waza 的独特之处在于强调工程习惯、项目上下文和人工控制的结合。它适合已经使用 Claude Code、Copilot 等 AI 编程工具的开发者，也适合希望统一 AI 辅助编程质量标准的技术团队。
不过，Waza 并不追求替代完整开发流程，也不是让模型一次性完成所有工作。它更像是给 AI 编程助手补充一层工程规范，让模型在生成代码之外，学会更接近资深工程师的判断方式和执行习惯。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/ai-bian-cheng-zhu-shou-que-de-bu-shi-dai-ma-neng-li-er-shi
