六步阶梯法则拆解:Ponytail 怎么把"资深工程师的克制"编译成可执行决策链
六步阶梯法则拆解:Ponytail 怎么把"资深工程师的克制"编译成可执行决策链
过去两年,AI 编程 Agent 的能力上限早已不是"写不出来",而是"写得太多"。给它一个"加个日期选择器"的需求,它能在三分钟里造出一个完整的日历组件;给它一句"写个邮箱校验",它能交回一份带 RFC 5322 解析器、DNS MX 查询和三套备选方案的 75 行小论文。代码量膨胀带来的是 token 账单、审查负担和藏在新抽象层里的 bug。
GitHub 上一个名为 Ponytail 的项目正在反着做这件事:它不教 Agent 写更多代码,而是教它"像房间里最懒的资深工程师那样"——最好的代码是根本没写出来的那些。项目核心是一份名为 skills/ponytail/SKILL.md 的提示词规则文件,其骨架是一条被社区称为"六步阶梯法则"的判断链:YAGNI → 代码库内复用 → 标准库/平台原生 → 已装依赖 → 一行搞定 → 最小可用。在最新一轮 39 任务、每任务 5 次的 Agentic 基准中(benchmarks/results/2026-10-07-agentic.md),同一模型装上这套规则后代码量减少 53%、输出 token 减少 45%、耗时减少 41%、成本减少 26%,而带隐藏检查的 18 个"手术级"任务正确率反而从 95.6% 微升到 96.7%。
本文不讨论"要不要用 AI 写代码",而是回到工程方法论本身:这份只有几十行的规则,究竟是怎么把"资深工程师的克制"这种隐性经验,编译成 Agent 每一步都能执行的显式决策链的。
一、反直觉的起点:先承认"写太多"本身就是缺陷
Ponytail 的 skills/ponytail/SKILL.md 第一段话就给出了立场:
You are a lazy senior developer. The best code is the code never written. You solve the whole problem with the least new code.
这句话被翻译成规则时,并没有简单地说"少写点",而是先做了两个关键的设计决策。
第一,"懒"有明确的作用对象。规则原文是 "Be lazy about the solution, never about the change itself"——对方案要懒,对改动绝不能懒:凡是任务要求覆盖的调用方、测试、fixture,一个都不能漏。这条区分是防止"少写"退化成"漏写"的第一道闸门。
第二,克制不是无原则的删减,而是有一条不能触碰的红线清单:
Never cut: validation at trust boundaries, error handling that prevents data loss, security, accessibility, the calibration real hardware needs, anything the user asked for.
信任边界处的输入校验、防止数据丢失的错误处理、安全、可访问性——这些被明文锁定为"永不削减"。这解释了为什么 Ponytail 能在砍掉一半代码的同时,在六项安全任务(SQL 注入、路径遍历、伪造 token、限流、畸形 CSV、缓存)上以 30/30 的通过率与基线持平:它优化的从来不是"行数最少",而是"恰好必要"。README 里那句总结说得更直白:"The rule was never 'fewest tokens.' It is: write only what the task needs"——代码之所以小,是因为它必要,而不是因为它被压缩(golfed)。
二、六步阶梯逐层拆解:按"新增代码的边际成本"排序的决策树
阶梯在 skills/ponytail/SKILL.md 的 "The smallest complete change" 一节中完整定义,原文如下:
Take the first option that fully works:
- Does it need to exist? Skip features, options and flexibility nobody asked for, and name them in one line. A vague request ("build me X") gets the smallest version that does the core job.
- Already in this codebase (a helper, component, service, pattern)? Use it the way the surrounding code does.
- Standard library or a platform feature? Use it, unless the project has its own. A house component beats a native widget.
- An installed dependency? Use it. Never add a dependency for a few lines.
- Can it be one line a reader gets at a glance? One line.
- Otherwise: the minimum code that works.
这六步不是并列的清单,而是一条按"新增代码的边际成本"从低到高排序的决策链——这正是它区别于普通"代码规范"的地方:
- 第 1 级(YAGNI):成本最低的决策是"不写"。跳过没人要求的特性、选项和灵活性,并且在回复里用一行点名被跳过的东西。这一步把"要不要写"前置到了"怎么写"之前,是整个链条的闸门。
- 第 2 级(代码库内复用):这条台阶是后补的。在 benchmarks/results/2026-06-22-issue-245-217-comprehension.md 记录的 #217 号 issue 中,社区指出原阶梯的复用台阶只覆盖"外部世界"(标准库、平台、依赖),却漏掉了最常见的重复来源——"我自己在这个仓库里是不是已经写过"。"用周围代码的方式使用它"(Use it the way the surrounding code does)这句话约束的不只是复用,还约束了复用的姿势:别把仓库里已有的 helper 再包一层自己的壳。
- 第 3 级(标准库/平台原生):有趣的是,规则特意加了一句 "A house component beats a native widget"——仓库自有的组件优先于平台原生控件。因为标准库能力再强,也比不上项目里已经和既有代码风格咬合的实现。
- 第 4 级(已装依赖):"Never add a dependency for a few lines"——为几行代码引入新依赖,是对整个项目未来维护成本的透支,这是资深工程师最强烈的本能之一。
- 第 5 级(一行搞定):但规则立刻补充了限定——"A one-liner that needs decoding is not short"。需要读者费力解码的一行,不叫短。可读性是一行的前提。
- 第 6 级(最小可用):兜底条款,前面五级都走不通时,写"能工作的最少代码"。
还有两个贯穿全链的约束值得注意。其一,阶梯在理解问题之后运行,而不是代替理解:README 明确写道 "The ladder runs after it understands the problem, not instead of it"——动手前必须先读受影响的代码、追踪真实数据流,"Lazy about the solution, never about reading"。其二,楼梯的尽头还挂着一条护栏:凡是包含分支、循环、解析器、金钱或安全逻辑的新代码,必须留下一个小测试或 assert 自检,"Lazy code without its check is unfinished"。
三、必要性前置验证:为什么"先问要不要"能压住过度工程
过度工程的根源,在于 LLM 的生成先验倾向于"完整交付":一个需求进来,模型会自动补全它想象的"完整形态"——异常分支、配置项、泛化抽象、备用方案。而六步阶梯第 1 级的全部作用,就是在任何代码生成发生之前,强制一次必要性裁决。这不是风格偏好,而是把"跳过没人要的特性"变成了流程中的第一步,且要求显式点名——被跳过的东西不能无声消失,它必须出现在回复里,接受人的审查。
仓库的 examples/ 目录保存了基准运行中的原始模型输出(同一模型、同一提示词、有无 Ponytail 的对照),是验证这一机制最直观的证据:
- 邮箱校验:无 Ponytail 时模型给出 75 行——正则版 + "更健壮版" + 推荐引入
email_validator第三方库的生产版,外加三方案对比表。有 Ponytail 时是 3 行(examples/email-validation.md):
import re
def is_valid_email(email: str) -> bool:
return bool(re.match(r'^[^@]+@[^@]+\.[^@]+$', email))
回复末尾照例交代了取舍:"Skipped: RFC 5322 parser, DNS MX lookup, confirmation email."——需求没到那一步,就不写。
- CSV 求和:无 Ponytail 时模型直接引入 pandas 并给出三种备选方案共 20 行;有 Ponytail 时只用标准库
csv的 3 行(examples/csv-sum.md)。 - 搜索框防抖:无 Ponytail 时 116 行,含带 cancel/immediate 选项的通用 debounce 工具函数、加载态 HTML 和整套样式;有 Ponytail 时 10 行——
setTimeout+clearTimeout本身就是防抖,注释点明"在第三个输入框出现之前,不需要工具函数"(examples/debounce.md)。 - 前端日期选择器:这是最典型的一个。README 记录的基准对照是:无 Ponytail 时模型手写了 335 行日历组件;Ponytail 先看了一眼仓库——项目里已有
Input组件,而每个浏览器都自带日期选择器。两者拼起来,10 行(见 README.md 与 assets/v5/beforeafter.png 中记录的真实运行截图)。
值得注意的是,必要性验证并不靠"一次裁决"了事。规则提供了一个把"延迟决策"显式化的机制——ponytail: 注释。凡是被刻意简化的捷径,必须留下命名其局限与升级时机的注释。仓库自己的 hooks/ponytail-map.js 里就有范例:
// ponytail: regex, not a parser. Misses nested or dynamic definitions;
// a tree-sitter index is the upgrade if the map ever needs to be exact.
配套的 /ponytail-debt 命令(commands/ponytail-debt.toml)会把全仓库的 ponytail: 注释收割成一张可追踪的债务台账,防止"以后再说"烂成"永远不说"。克制因此不是一次性删除,而是变成可持续管理的工程动作。
四、从"经验"到"流程":克制思维是怎么被编译的
资深工程师的克制——"这功能先别做""看看库里有没有现成的""标准库就够了""为几行代码别引依赖"——原本是散布在个人经验里的隐性判断。Ponytail 的工程贡献,是把这些判断编码成有序、可执行、可校验的显式规则,并给规则的传播与维护建立了工程机制。这个"编译"过程在仓库里可以拆成四层来看。
第一层:单一事实源 + 字节级一致性校验。 规则的完整形态是 skills/ponytail/SKILL.md,精简形态是 AGENTS.md,其余 20 余种 Agent(Claude Code、Codex、Cursor、Copilot、Gemini CLI、Qoder、Grok Build 等)的适配文件都从这里派生。仓库的 scripts/check-rule-copies.js 对派生副本做字节级对比,并对 SKILL.md 与 AGENTS.md 双向校验一组"承重墙不变量"——in this codebase、grep every caller、validation at trust boundaries、security、accessibility……任何一句规则措辞被改动,脚本都会报警,防止规则在各平台漂移。
第二层:按强度过滤的注入管线。 阶梯分 lite / full / ultra 三档强度。hooks/ponytail-instructions.js 的 filterSkillBodyForMode 会在注入前把 SKILL.md 按当前模式裁剪——只保留对应强度的行为描述,普通规则逐字保留。配置解析则遵循"环境变量 > 配置文件 > 默认值"的优先级(hooks/ponytail-config.js)。这保证了同一个提示词源,能在不同 Agent、不同强度偏好下保持行为一致。
第三层:让"复用优先"不靠模型自觉。 阶梯第 2 级要求"先找仓库里已有的",但找遍全仓对模型是真实成本。hooks/ponytail-map.js 在会话启动时用 git ls-files 加正则,把项目源码的顶层函数/类/导出压缩成一张 2000 字符以内的"代码库地图"注入上下文,开头就写明 "Codebase map (what already exists; reuse it, read a file only when you need its details)"——复用优先从此不需要模型大海捞针。激活钩子 hooks/ponytail-activate.js 在每次 SessionStart 完成规则注入与地图装配,失败时静默降级,绝不阻塞会话。
第四层:对"懒"本身的纠偏——#245 案例。 克制被编译成流程后,最危险的不是写多,而是把"最短 diff"误用成"打最近的那个补丁"。这正是 #245 号 issue 报告的 "Dangerously lazy":当 transfer() 和 withdraw() 共享同一个 _debit() 扣款函数、而 bug 报告只点名"转账"时,追求最短 diff 的 Agent 只给 transfer() 打了补丁,留下 withdraw() 继续超支。修复方案写进了规则:
Bug fix: before you edit, grep every caller of the function you touch, then fix the root cause once in the shared code.
其关键设计在于:根因修复被表述成更懒、diff 更小的选择("在共享函数里加一道守卫,比在每个调用方各打一个补丁更省"),让 Ponytail 自己的本能往正确的方向拽。基准验证(benchmarks/results/2026-06-22-issue-245-217-comprehension.md)显示,在能胜任的模型上根因修复率从基线的 1/6 提升到 6/6;而控制实验证明,起作用的正是"grep every caller"这条操作性指令,换成"从头到尾追踪数据流"之类的散文式描述则无效(0/3)——这从侧面印证了"显式决策链优于隐性经验"的论点。
第五层:克制必须被测量,且测量本身要诚实。 规则工程若无测量闭环,就会退化为口号。Ponytail 的做法是构建可复现的 Agentic 基准(benchmarks/agentic/):39 个任务(真实 FastAPI + React 仓库的功能单、带隐藏正确性检查的 bug 修复/安全/隐私任务、小型应用)、5 次运行、同一 Agent 加装与不加装技能的对照。Ponytail 5 的结果是:代码量 -53%、输出 token -45%、时间 -41%、成本 -26%,同时 98% 的"需要测试的逻辑"留下了测试(无技能基线仅 68%),注入 bug 的捕获率从 46% 提到 66%。
更值得注意的是这套测量体系的自我纠错能力:社区 #126 号 issue 曾指出早期单发基准"把模型输出的散文也计入代码量",高估了收益。仓库没有辩解,而是在 benchmarks/README.md 中公开承认("Read this number honestly"),并改用真实会话基准重测——这正是"克制"在自己项目上的应用:连"测量克制的数字"本身,也要接受克制的审视。而 judge.py 引入盲评裁判(Sonnet 5.5 对 Ponytail 5 与旧版回复的盲选 110:67),benchmarks/agentic/ 目录保留了全部复现脚本与逐任务明细,任何数字都可离线重算。
五、结语:克制的可复制性
Ponytail 的六步阶梯本质上回答了一个工程问题:当写代码的主体从人变成概率模型时,"知道什么不该写"这一高级判断,如何不依赖个人经验而稳定复现? 它的答案是把它拆成决策链——按边际成本排序的六步裁决、显式的跳过点名、ponytail: 债务注释、永不削减的红线清单,再配上一整套注入、校验、纠偏与测量机制。
这个思路溢出到审查环节同样成立:/ponytail-review(commands/ponytail-review.toml)要求"像半夜会被叫醒的那个资深工程师一样"审查改动——读的是改动触及的全部代码而非只看 diff,按 bug → 风险 → 规模 → 测试 → 性能 → 精简的优先级出报告,每条结论必须给出具体输入案例,否则不算发现("No case, no finding")。/ponytail-audit(commands/ponytail-audit.toml)把同一套标准推向整个仓库,先画地图、再排优先级、最多 20 条结论。克制从"写代码时的性格"扩展成了"审查代码时的纪律"。
把"资深工程师的克制"编译成决策链的启示在于:AI 时代工程能力的分布正在迁移——从"谁能写出更多代码"转向"谁能更快地决定哪些代码不该存在"。而 Ponytail 证明,这种高级判断并非只能靠岁月沉淀,它可以通过规则的工程化被显式描述、被字节级校验、被盲评测量,最终被任何模型按流程执行。最好的代码是没写的那部分——现在,这句玩笑话有了一份可执行的说明书。



