Grilling是什么？

很多人使用AI做网站、写代码或设计产品时，会直接告诉AI“帮我做一个功能”。AI通常会马上开始执行，但真正的问题往往出现在后面：需求没说清楚、关键条件被忽略、功能边界存在歧义，最后做出来的东西虽然“能用”，却不是你真正想要的。

Grilling解决的就是这个问题。

它是一款用于方案审查、需求澄清和决策压力测试的AI Skill。它不会急着执行任务，而是先围绕你的计划进行一轮轮深入追问，把一个模糊的想法拆成多个决策分支，找出隐藏的假设和没有解决的问题。

简单来说，Grilling的工作方式就是：

先问清楚 → 再拆解方案 → 找出漏洞 → 确认决策 → 最后执行。

目前公开的Grilling Skill主要由Matt Pocock的Skills项目推动，并已经被多个AI Agent生态收录。它本质上是一组指导AI如何进行“严苛访谈”的指令，而不是一个传统意义上的独立软件。

Grilling的核心功能

Grilling最重要的价值并不是“多问几个问题”，而是让AI改变工作顺序。

普通AI往往是：

你的想法 → AI猜测需求 → AI开始执行。

Grilling则更接近：

你的想法 → AI拆解决策 → AI寻找未知条件 → 你确认方案 → AI执行。

这种方式尤其适合开发网站、设计产品、制定业务方案等需要大量决策的任务。

🔍 1. 压力测试方案

你可以把一个还没有完全想清楚的计划交给Grilling，让AI从功能、用户、流程、技术实现、异常情况等多个角度进行检查。

它不会简单地告诉你“这个方案很好”，而是主动寻找方案中可能产生问题的地方。

🧩 2. 拆解决策树

Grilling会把复杂任务看成一棵设计树。

一个决定可能会影响后面的多个决定，因此它会先解决当前最关键的问题，再继续深入下一层，而不是一次性抛出几十个问题。

例如你准备做一个AI工具导航网站，AI可能需要先确认目标用户，再确认网站定位，然后继续讨论收录规则、排行榜机制、内容策略和商业模式。

前面的决定发生变化，后面的方案也可能随之改变。

🎯 3. 给出推荐答案

Grilling并不是把问题全部丢给用户。

它的一个重要特点是，在提出问题的同时，可以给出自己的推荐方案，让你快速判断“接受”还是“修改”。这样可以减少毫无意义的来回沟通。

🧠 4. 区分事实与决策

如果某个问题可以通过项目代码、文档或已有资料直接确认，Grilling的设计理念是优先查找事实，而不是不断询问用户。

真正需要用户做决定的部分，才交给用户确认。

这种机制能够减少AI反复询问已经可以自己验证的问题。

📝 5. 在执行前形成共识

Grilling的核心原则之一，是在双方真正达成共识之前，不应该急着执行方案。

这对于AI编程尤其重要，因为AI一旦开始修改大量代码，后面再发现需求理解错误，返工成本通常远高于前期多花几分钟确认需求。

第一次使用Grilling怎么安装？

Grilling属于Agent Skill，可以安装到支持Skills机制的AI编程工具中。

目前公开资料显示，它可以用于Claude Code、Cursor、Codex等支持Agent Skill的工具；由于Skill本质上是开放格式的指令文件，因此其他能够读取Skill的AI Agent也可能支持。

如果你使用的是支持Skills CLI的环境，可以使用下面的安装命令：

npx skills add https://github.com/mattpocock/skills --skill grilling

也可以根据你使用的AI工具选择对应的Skill安装方式。

安装完成后，重新启动对应的AI Agent，让它重新加载Skills即可。

需要注意的是，不同AI工具对Skill的加载方式并不完全一样，因此安装前最好确认当前工具支持哪一种Skills目录结构和安装方式。

Grilling具体应该怎么使用？

安装完成后，不建议把它当成普通聊天机器人使用。

它最适合在你已经有一个初步想法，但还没有完全确定方案的时候使用。

例如你准备开发一个网站，可以直接告诉AI：

我准备做一个AI工具导航网站。

目标是收录全球AI工具，并提供中文、英文、
日文和西班牙语版本。

在开始开发之前，请使用Grilling帮我彻底检查这个方案，
找出所有重要的决策和隐藏问题。

接下来，Grilling会围绕这个计划进行深入讨论。

你回答一个问题之后，它再根据你的回答继续往下一层走，而不是一次性给你生成一份看起来完整、实际上可能存在大量假设的方案。

这也是Grilling与普通“帮我规划一下”提示词最大的区别之一。

Grilling最适合哪些应用场景？

① AI编程和网站开发

这是Grilling非常适合的使用场景。

例如准备让Claude Code、Codex或Cursor开发一个新功能时，可以先让Grilling检查需求。

特别是涉及数据库、用户权限、支付、SEO、多语言、后台管理等复杂功能时，提前发现需求漏洞，可以明显减少后面的返工。

② 产品设计

如果你准备开发一个AI产品，不要一开始就让AI写代码。

可以先让Grilling帮你梳理目标用户、核心需求、产品边界、关键功能以及异常情况。

它更像一个严格的产品经理，而不是一个只负责执行命令的AI助手。

③ 创业项目和商业计划

一个创业想法最危险的地方，通常不是没有想法，而是创始人已经相信自己的想法，却没有认真检查其中的假设。

Grilling可以用于检查目标客户、竞争优势、获客方式、成本结构和商业模式等关键决策。

④ 网站改版

如果你准备对已有网站进行大规模修改，可以先让Grilling检查：

现有网站解决什么问题、哪些页面不能删除、哪些SEO数据需要保留、URL是否需要改变、哪些功能必须兼容旧用户等。

这种场景尤其适合先做方案压力测试，再让AI开始修改网站。

⑤ 复杂任务执行前的需求确认

凡是“做错以后很贵”的任务，都适合使用Grilling。

如果一个任务只需要几分钟就能重做，那么没必要过度使用它；但如果一次错误会导致大量代码、设计或数据返工，提前进行一次Grilling通常更加划算。

一个实际案例：让AI开发网站

假设你准备开发一个AI工具排行榜。

直接让AI开发，很可能得到这样的结果：

用户：帮我做一个AI工具排行榜。

AI：好的，我会创建排行榜页面、分类筛选、
搜索功能和评分系统。

问题在于，很多关键事情根本没有确定。

例如：

排行榜按照什么排序？

用户评分占多少权重？

网站数据从哪里获取？

多久更新一次？

新工具如何进入排行榜？

工具自己刷评分怎么办？

一个工具同时属于多个分类怎么办？

不同国家用户看到的排行榜是否一样？

这些问题如果没有提前确定，AI就只能自己猜。

而Grilling的价值，就是把这些隐藏决策提前暴露出来。

最终得到的不是一句“可以做”，而是一套经过讨论的明确方案。

Grilling和普通AI提示词有什么区别？

很多人可能会认为：“我直接告诉ChatGPT，让它不断问我问题，不就可以了吗？”

理论上可以。

但Grilling的价值在于，它把这种工作方式固化成了一个可重复使用的Agent Skill。

它强调的是连续访谈、设计树、决策依赖和执行前共识，而不是简单地让AI“多问几个问题”。

因此，它更适合成为AI开发工作流中的一个固定环节：

想法
  ↓
Grilling
  ↓
需求澄清
  ↓
方案确认
  ↓
AI开发
  ↓
测试
  ↓
上线

如果项目比较复杂，这种流程通常比“想到什么就让AI做什么”更加稳定。

使用Grilling时的几个实用技巧

第一，不要一开始就要求AI写代码。

如果你自己都没有想清楚需求，越早写代码，越容易把错误的想法变成大量代码。

第二，回答问题时不要敷衍。

Grilling的效果高度取决于你的回答。如果你只是不断回复“都可以”“你决定”“随便”，那么它最终还是只能替你猜测。

第三，让AI给出推荐方案。

当你不了解某个技术决策时，不要只回答“我不知道”。可以让AI给出推荐方案，并说明为什么，然后再决定是否接受。

第四，复杂项目尤其值得使用。

简单的修改按钮颜色、调整文字或者修复一个小Bug，没有必要启动完整的需求访谈。

但涉及产品架构、数据库、用户系统、商业模式和大规模网站改版时，Grilling的价值会明显提高。

第五，确认结束后再执行。

不要把Grilling当成聊天游戏。它真正的目的，是让你和AI在开始执行之前，对重要决策形成明确共识。

Grilling适合哪些AI工具？

Grilling不是传统的浏览器插件，而是面向AI Agent工作流的Skill。因此，选择AI工具时，重点不是“有没有Grilling按钮”，而是这个工具能不能加载和运行Agent Skill。

目前公开资料中明确提到或提供安装方式的工具包括：

  • Claude Code：非常适合软件开发和复杂项目规划。
  • OpenAI Codex：适合在AI编程工作流中先进行需求压力测试。
  • Cursor：适合开发者在开始修改代码之前梳理需求。
  • Gemini及其他Agent：部分Skills安装工具也提供兼容方式。

不同平台的支持程度会随着Skill生态发展而变化，因此实际安装时，应以当前工具的Skills支持情况为准。

Grilling值得安装吗？

如果你只是让AI写几句话、改一段文案或者处理简单任务，Grilling没有太大必要。

但如果你经常使用AI开发网站、做产品、修改代码，或者经常发现“AI做出来的东西不是我想要的”，那么Grilling值得加入你的工作流。

它解决的并不是AI不会写代码的问题，而是AI在没有完全理解你的情况下就开始写代码的问题。

真正高效的AI协作，不是让AI更快地开始执行，而是让它在执行之前把最容易出错的地方找出来。

这也是Grilling最值得使用的地方：把返工成本最高的问题，尽可能解决在代码产生之前。