2026年3月23日晚上9点，我正对着一个刚生成的 Python 脚本发呆。这本来是个简单的数据清洗任务，但我手滑多问了一句 Claude：“能不能加个重试机制和日志追踪？”结果它给我吐出了 300 行代码，引入了三个我不认识的库，还顺手设计了一套看起来很美但完全用不上的配置系统。这感觉就像你只想下楼买瓶酱油，结果被推销了一套海景房。就在我准备删库跑路的时候，GitHub 热榜第三个项目救了我——slavingia/skills，一个只有一千多星的小仓库，却干了一件反直觉的事：它不教 AI 怎么写更多代码，而是教 AI 学会“拒绝”。

为什么现在值得写？因为 AI 编程已经到了一个分水岭：我们不再缺“能写代码”的工具，缺的是“懂不写什么”的合伙人。这个项目把 Sahil Lavingia 的《The Minimalist Entrepreneur》（小而美）哲学喂给了 Claude，试图解决当下 AI 编程最大的痛点——过度工程化。如果你也受够了 AI 生成的“屎山”，这篇文章就是你的解药。

把“极简主义”刻进 AI 的脑子里

大多数 AI 编程助手就像一个急于表现的实习生，你说要加个功能，它恨不得把设计模式全集都给你塞进去。slavingia/skills 的核心逻辑，就是给这个实习生塞一本《小而美》，告诉它：少即是多。

这个项目本质上是一套精心设计的 Prompt 规则库。它没有复杂的架构，核心就是一个 CLAUDE.md 文件。这个文件就像 Claude 的“大脑植入物”，定义了它作为“极简主义工程师”的行为准则。我花了一晚上读完了它的源码，发现它只做三件事：

1. 质疑需求：在动手前，先问“这个功能真的必须现在做吗？”

2. 拒绝过度设计：默认不引入新依赖，优先使用标准库。

3. 只写必要代码：如果 10 行代码能解决，绝不写第 11 行。

这听起来简单，但在 LLM 的世界里，这简直是“逆天改命”。大模型的天性是发散，你问 A，它能给你扯到 Z。而这个项目强行把它的思维收敛回来。这就像给一个喋喋不休的话痨嘴里塞了个袜子，虽然粗暴，但确实管用。

实战：驯服你的 AI 合伙人

光说不练假把式。我决定拿我那个被“过度设计”的数据清洗脚本开刀。

首先，我 clone 了 slavingia/skills 仓库，并在 Claude Code 中加载了这个技能包。加载过程非常简单，只需要在项目根目录下配置好环境变量，或者在 Claude Code 的上下文中引入 CLAUDE.md。

接着，我重新发起了那个让我翻车的需求：“写一个数据清洗脚本，处理 CSV 文件。” 这次，加载了极简技能包的 Claude 没有直接甩给我一堆代码，而是先反问了一句：

“这个脚本是一次性任务还是长期服务？如果是前者，我建议不引入 logging 库，直接 print 输出即可。是否需要处理异常数据类型？”

你看，它学会思考了。它不再是一个只会执行命令的机器，而开始像一个真正的工程师一样评估 ROI（投入产出比）。

我回答：“是一次性任务，不需要复杂日志。”

几秒钟后，我拿到了一段 35 行的 Python 代码。没有花哨的装饰器，没有多余的类定义，甚至没有那个让我头疼的 tenacity 重试库。它只用了标准库 csv 和 pandas（因为我环境里本来就有），逻辑清晰得像刚洗过的盘子。

# 它甚至在这个位置给了我一个注释：
# 核心逻辑：只处理必要字段，不做过度防御
import csv
import sys

def clean_csv(input_file, output_file):
    with open(input_file, 'r') as f:
        reader = csv.DictReader(f)
        # 极简主义：直接在内存处理，适合小文件，大文件请用 pandas chunk
        rows = [row for row in reader if row['status'] == 'valid']

    with open(output_file, 'w', newline='') as f:
        writer = csv.DictWriter(f, fieldnames=reader.fieldnames)
        writer.writeheader()
        writer.writerows(rows)

if __name__ == '__main__':
    clean_csv(sys.argv[1], sys.argv[2])

⚠️ 踩坑提醒：虽然极简主义很爽，但千万别无脑照搬。这个技能包默认你的环境是受控的。如果你的数据源非常脏，或者是在生产环境运行，记得在 Prompt 里追加一条规则：“保留必要的异常捕获，但不要引入 try-except 嵌套地狱。”

为什么“拒绝”比“顺从”更贵？

在 AI 圈子里，大家都在卷谁的 Token 更多，谁的上下文更长。但 slavingia/skills 给了我当头一棒：未来的 AI 竞争，可能不是比谁生成得快，而是比谁删得多。

这让我想起《重构》里那句老话：“最好的代码，是不写代码。” 以前我们靠自律，现在我们靠 AI 的“他律”。这个项目最值钱的不是那几行 Prompt，而是它把“商业思维”注入了“技术实现”。Sahil Lavingia 在书里说：“Start with the smallest possible thing.” 这个项目就是把这句话变成了代码约束。

当然，这种“极简”是有代价的。它要求你作为开发者，必须非常清楚自己要什么。如果你自己都是一团浆糊，AI 的“极简”只会让你更懵——因为它不会帮你脑补那些你没说出来的复杂逻辑了。这就像你以前带了一个什么都帮你干好的保姆，现在换成了一个只听指令的特种兵，如果你指令不对，他可能直接把墙拆了而不是开门。

别让 AI 成为你的借口

slavingia/skills 这个项目，本质上是在对抗一种新的技术懒惰：因为 AI 能写，所以我就让它随便写。

这种懒惰正在制造大量的“AI 遗产代码”——看起来能跑，但没人敢动，没人敢改。这个项目是一个信号，提醒我们：AI 可以是倍增器，也可以是稀释剂。如果你不加干预，它稀释的就是代码质量和工程纪律。

我现在的判断是，这类“哲学驱动型 Prompt”会成为下一个热点。我们不再需要 AI 教我们写 for 循环，我们需要 AI 教我们如何像架构师一样思考。

如果你也对这种“极简主义 AI”感兴趣，或者你有更好的“驯服” AI 的招数，欢迎在评论区聊聊。毕竟，在 AI 时代，学会如何让机器闭嘴，可能比学会如何让它说话更重要。

本文首发于我的 Hashnode 博客，这里会同步更新更多关于 AI 工程化、架构思考的硬核内容。如果你觉得这篇有点意思，可以去我的公众号「计算机魔术师」逛逛，那里有更多不方便公开讲的实战踩坑记录。