Claude Code进阶：用Grill Me打造增强版Plan Mode

为什么原版Plan Mode还不够？

Claude Code的Plan Mode是很多开发者的必备工具——在实现较大功能时，先让AI制定计划再逐步执行，能显著提升代码质量和开发效率。

Plan Mode是Anthropic为其命令行AI编程助手设计的一种工作模式，它将复杂的编程任务分解为「规划」和「执行」两个阶段。在规划阶段，AI会分析代码库结构、理解依赖关系，然后生成一份分步骤的实施方案；在执行阶段，AI按照计划逐步修改代码。这种模式借鉴了软件工程中「先设计后编码」的经典方法论，避免了AI在面对复杂任务时的「一步到位」倾向——后者往往会导致遗漏边界条件或产生架构不一致的问题。

这种两阶段设计的深层逻辑与认知科学中的「双系统理论」不谋而合：Daniel Kahneman提出人类思维分为快速直觉的系统1和慢速分析的系统2。大语言模型在单次生成时更接近系统1——快速但容易遗漏细节；而Plan Mode强制引入了系统2式的结构化思考过程。在实际开发中，这意味着AI不会在看到「实现用户登录」这样的需求后就直接开始写代码，而是先梳理出数据库设计、API接口、前端交互、安全策略等多个维度的实施步骤，从而降低各模块之间出现不一致的风险。

但原版Plan Mode有一个明显短板：计划完全由AI自主决策。它靠「猜」来推断你的需求，猜你想要什么功能、猜你期望怎么实现。当需求描述不够精确时，AI的猜测往往会偏离你的真实意图，导致生成的计划和代码需要反复修改。

Grill Me是什么：让AI学会「追问」的Skill

Grill Me是一个拥有120K star的热门开源项目，它的核心理念很简单但很有效：在制定计划之前，让Claude Code像一个严谨的产品经理一样，一步步追问和拷问你，直到彻底搞清楚你的真实需求。

从技术实现角度看，Grill Me是Claude Code的一个Skill——一种可扩展的自定义命令机制，允许开发者通过Markdown文件定义特定的工作流程和提示词模板。Skill本质上是预设的system prompt片段，当用户通过斜杠命令调用时，这些指令会被注入到Claude的上下文中，从而改变AI的行为模式。这种设计让社区可以共享和复用最佳实践，而不需要每次都手动输入复杂的提示词。

具体来说，Claude Code的Skill系统基于项目根目录下的 .claude/ 文件夹运作。开发者可以在其中创建Markdown格式的指令文件，定义特定场景下的行为规则、输出格式和交互流程。当用户通过斜杠命令触发某个Skill时，对应的Markdown内容会作为额外的上下文指令注入到当前会话中。这种机制类似于ChatGPT的Custom Instructions，但更加模块化和可组合——你可以为代码审查、测试编写、文档生成等不同场景分别创建Skill，甚至可以将多个Skill串联使用。Grill Me正是利用了这一机制，通过精心设计的提示词模板，将Claude的默认行为从「直接回答」切换为「先追问再回答」。

这种方式的优势在于：

• 不再依赖AI的「猜测」，而是通过结构化提问获取精确需求
• 帮助开发者自己也理清思路——很多时候我们对需求的理解也是模糊的
• 最终生成的计划更贴合实际，减少返工

Grill Me采用的追问模式在软件工程中有深厚的理论基础。需求工程领域的研究表明，约60%的软件缺陷源于需求阶段的模糊或遗漏。传统的需求获取技术包括访谈法、原型法、用例分析等，而Grill Me将这些方法论自动化——它通过预设的问题框架，引导开发者从功能范围、技术约束、异常处理、性能要求等多个维度完整描述需求，本质上是将产品经理的需求分析能力嵌入到了开发工具链中。

这种自动化需求获取的思路并非Grill Me首创。在企业级软件开发中，IBM的Rational RequisitePro、Jama Connect等工具早已提供了结构化的需求管理流程。但这些工具通常面向大型团队，流程繁重。Grill Me的创新之处在于将这种严谨的需求分析方法压缩到了一次对话交互中，让个人开发者也能以极低的成本享受到专业需求分析的好处。从提示词工程的角度看，Grill Me的核心技巧是「角色扮演+结构化输出」——它让Claude扮演一个经验丰富的技术产品经理角色，按照预定义的问题维度逐一展开追问，而不是一次性抛出所有问题。

Grill Me安装与使用方法

安装过程非常简单：

1. 复制Grill Me项目的GitHub地址
2. 直接丢给Claude Code，让它自动完成安装
3. 安装完成后，使用斜杠命令 /grill-me 即可启动

安装的本质是将Grill Me的Markdown指令文件放置到项目的 .claude/ 目录中。Claude Code在启动时会自动扫描该目录，注册所有可用的Skill命令。这意味着Grill Me是项目级别的配置——不同项目可以安装不同的Skill组合，互不干扰。如果你在团队中使用，可以将 .claude/ 目录纳入版本控制，这样团队成员克隆项目后就能直接使用相同的Skill配置，确保开发流程的一致性。

实战演示：用Grill Me实现OAuth登录功能

灵魂拷问式需求澄清

以实现一个「Boss授权登录」功能为例，当你输入 /grill-me 并描述需求后，Claude Code不会立即开始规划，而是进入一轮深度追问：

• 你需要支持哪些OAuth提供商？
• 登录后的用户信息需要存储在哪里？
• 授权失败时的回退逻辑是什么？
• 是否需要token刷新机制？
• 前端交互流程是怎样的？

这些问题层层递进，就像一场「灵魂拷问」，迫使你把每个细节都想清楚。

值得注意的是，OAuth（Open Authorization）本身就是一个涉及多个技术决策点的复杂协议。OAuth 2.0是目前最广泛使用的版本，其核心流程包括：授权请求、用户同意、获取授权码、交换访问令牌等步骤。实现OAuth登录需要考虑选择授权码模式还是隐式模式、token存储策略（内存、Cookie还是数据库）、刷新机制设计、多提供商适配等问题。这正是为什么它特别适合用Grill Me来澄清需求——如果这些决策点没有在编码前明确，AI很可能会做出与你预期不符的技术选型。

更具体地说，OAuth 2.0定义了四种授权模式：授权码模式（Authorization Code）、隐式模式（Implicit）、密码模式（Resource Owner Password Credentials）和客户端凭证模式（Client Credentials）。对于Web应用的用户登录场景，授权码模式是最安全也最推荐的选择，因为它通过后端服务器交换token，避免了将敏感凭证暴露给浏览器。但如果你的应用是纯前端SPA（单页应用），可能需要考虑使用PKCE（Proof Key for Code Exchange）扩展来增强安全性。此外，不同的OAuth提供商（如Google、GitHub、微信）在标准实现上存在细微差异——例如微信的OAuth接口使用的参数命名和标准RFC 6749有所不同。这些细节如果不在编码前明确，AI可能会生成一个看似正确但实际上无法与特定提供商对接的实现方案。

从模糊到精确的计划生成

经过一轮完整的问答之后，Claude Code已经掌握了你的真实意图——不是靠猜，而是靠你亲口确认的每一个细节。在此基础上生成的执行计划，精确度远超直接用一句prompt描述需求的方式。

这个流程的价值在于：

• 对AI而言：获得了足够的上下文信息，不需要做假设
• 对开发者而言：在编码前就完成了需求分析，避免了「写到一半发现方向错了」的情况

从信息论的角度理解，这个过程实质上是在减少「信息熵」。开发者最初的需求描述通常是高熵的——一句「实现OAuth登录」可能对应数百种不同的具体实现方案。每一轮追问和回答都在消除不确定性，将可能的实现空间逐步收窄。当所有关键决策点都被明确后，剩下的实现路径几乎是唯一确定的，AI生成的代码自然就能精准命中目标。这也解释了为什么Grill Me在复杂任务上的效果远好于简单任务——简单任务本身的信息熵就很低，追问带来的边际收益有限。

Grill Me vs 原版Plan Mode：为什么追问模式更高效？

表面上看，Grill Me增加了一个问答环节，似乎拖慢了开发节奏。但实际上，它把「需求不清导致的返工成本」前置化了。

软件工程中有一个经典的「1-10-100法则」：在需求阶段发现并修复一个问题的成本为1，在开发阶段为10，在上线后为100。Grill Me的设计哲学正是基于这一原则——通过在编码前投入少量时间进行需求澄清，避免后续数倍的修改成本。这在AI辅助编程场景中尤为重要，因为AI生成的代码往往具有内部一致性，一旦方向错误，修改起来可能需要推翻整个实现方案，而不是简单地调整几行代码。

这个「1-10-100法则」最早由Barry Boehm在1981年的《Software Engineering Economics》中提出，后来被NASA、IBM等机构的实证研究反复验证。在AI编程的语境下，这个成本比例可能更加极端。传统开发中，开发者对自己写的代码有完整的心智模型，修改时知道哪些部分可以动、哪些不能动。但AI生成的代码对开发者来说是「半黑盒」的——你可能理解它的整体逻辑，但对具体实现细节的掌握远不如自己手写的代码。这意味着当AI基于错误假设生成了一套完整实现后，开发者要么花大量时间理解并修改AI的代码，要么干脆推翻重来。无论哪种方式，成本都远高于在需求阶段多花5分钟回答几个问题。

传统流程： 模糊需求 → AI猜测 → 生成计划 → 执行 → 发现偏差 → 修改 → 再执行

Grill Me流程： 模糊需求 → 结构化追问 → 精确需求 → 生成计划 → 一次性执行到位

对于简单的小功能，直接用Plan Mode足够了。但当你面对复杂业务逻辑、多模块协作的场景时，Grill Me这种「先问清楚再动手」的方式，能帮你节省大量调试和重构时间。

值得一提的是，这种「追问优先」的理念正在成为AI工具设计的一个重要趋势。除了Grill Me，我们还能在其他领域看到类似的设计思路：Cursor的「Ask」模式会在执行前确认关键决策，GitHub Copilot Workspace会在生成代码前展示实施计划供用户审核，甚至ChatGPT也在最新版本中增加了主动澄清模糊指令的能力。这些趋势共同指向一个认知：AI辅助编程的瓶颈不在AI的代码生成能力，而在人机之间的需求传递效率。

小结

Grill Me本质上是对Claude Code工作流的一个重要补充——它解决的不是AI能力问题，而是人机沟通效率问题。好的AI工具不仅要能力强，还要懂得「问对问题」。如果你经常使用Claude Code进行较复杂的开发任务，这个Skill值得一试。

从更宏观的视角来看，Grill Me代表了AI编程工具演进的一个重要方向：从「被动执行」走向「主动协作」。早期的代码补全工具（如GitHub Copilot的初始版本）是纯粹的被动模式——你写一行代码，它补全下一行。Plan Mode将AI提升到了「主动规划」的层次。而Grill Me则更进一步，让AI具备了「主动沟通」的能力。这三个阶段分别对应了AI在软件开发中扮演的三种角色：打字员、架构师和产品经理。随着大语言模型能力的持续提升，我们有理由期待AI在开发流程中承担更多「上游」工作——不仅帮你写代码，还帮你想清楚该写什么代码。

核心要点

核心要点