pstack 完全指南(一)

---
title: "pstack 完全指南(一)"
author: "lauren (@poteto)"
source_url: "https://x.com/poteto/status/2094457600259842065"
published_at: "2026-08-31T16:09:39.000Z"
fetched_at: "2026-10-30T16:09:04Z"
updated_at: "2026-10-31T08:23:27Z"
language: "zh"
review_status: "draft"
---

![](https://pbs.twimg.com/media/HQ_0MA_aMAA9zMt.jpg)

# pstack 完全指南(一)

在这一系列文章中,我会介绍自己如何使用 [**pstack**](https://x.ai/bot/plugin/9717366)。它包含我个人用于严谨开展工程工作的一组 skill,让我能够有充分把握地每月将 2,000 个 PR 合入生产环境。 

![](https://pbs.twimg.com/media/HRD9GflbQAAKEXZ.jpg)

我个人从来没有太看重自己写了多少行代码、合入了多少个 PR。在 agent 出现之前,没人关心这些指标,这是有道理的,因为单纯的产量并不总能转化成质量,也不一定能给用户带来肉眼可见的成果。它只是一项虚荣指标。

但在构建 **pstack** 的过程中,我发现产量确实很重要,尤其是使用 agent 后,如果你还能维持甚至提高产品质量,产量就更有意义。例如,我大约两个月前开始参与 Grok @Bot,当时项目还处于早期,代码库很新,但已经开始增长。如今团队规模扩大,每天有数百个 PR 合入 Grok @Bot 代码库;而借助 **pstack**,我一边持续监控代码、重构、增加新的 lint 和检查、开发功能,一边还能让所有人提交的代码都保持高质量。 

<figure class="external-embed" data-embed-provider="x" data-embed-id="2090546476464451907">
  <a href="https://x.com/i/status/2090546476464451907">https://x.com/i/status/2090546476464451907</a>
</figure>

只有借助 **pstack**,我才能担当 Grok @Bot 的园丁和维护者。原型完成后,项目早期发展势头很猛,很多人陆续加入团队。当时有一个关键窗口期:趁代码库仍在不断构建和扩展,在服务不停机的情况下重构整个代码库,为它打下坚实基础。这样,无论有多少工程师——更重要的是,无论有多少非工程师——参与贡献,代码库都能在扩展过程中保持高质量。所有这些工作都要求我在 Grok Bot 的开发过程中同步重构和改善基础,而要做到这一点,基础建设就必须跟得上贡献数量的增长。

![](https://pbs.twimg.com/media/HRACOM4awAAPxUR.jpg)

Grok @Bot 本身就是最好的证明。接下来的几周里,我会告诉你使用 **pstack** 构建和维护高质量应用所需的一切。

# 第一部分——有验证就够了

工具箱里最重要的 skill,是一套高质量的验证 skill。它的重要程度和维护要求,让我更愿意把它看作关键基础设施,而不“只是”一个 skill。一套优秀的验证 skill 会放大整个团队的产出,包括非工程师的产出。做得好,可以把整个团队的产出提升 100 到 1000 倍。 

如果你不熟悉这个术语,*验证*是指 agent 能够验证自己的工作。它可以不断尝试,直到任务成功,因为它现在能自己完成闭环,你不再是瓶颈。如果你想进一步了解我如何为 Cursor 创建第一套验证 skill,可以阅读上一篇文章 [*Loops You Can Trust*](https://x.com/poteto/status/2069824386283319343)。

## 一起创建一套验证 skill

首先安装 pstack,然后运行 [/create-verification-skill](https://github.com/cursor/plugins/blob/main/pstack/skills/create-verification-skill/SKILL.md)。我还建议把 [Dr Eggbot](https://x.ai/bot/93gOz3op1UQdBdbekQFLK) 加入你的 bot 阵容;这是我用来帮助大家创建高质量 bot 的 bot。Dr Eggbot 随 [**pstack**](https://x.ai/bot/plugin/9717366) 提供。它会教编程 bot 如何使用 pstack,也能用同样严谨的方式创建非编程 bot。

你可以让 Dr Eggbot 创建一个工程师 bot,再让这个 bot 运行 /create-verification-skill,并设置每日运行 /maintain-verification-skill 的例程(routine)。 

![](https://pbs.twimg.com/media/HRBrZTOagAET8Vw.jpg)

趁它运行时,我们来看看这个 skill 做了什么,以及它如何为你创建一套高质量的验证 skill。

我把团队用于构建 Grok @Bot 和 Cursor 的所有验证 skill 提炼成了这个 skill,相当于做成了一套元 skill。它会教你的 agent 如何为自己的应用创建一套高质量的验证 skill。 

技术栈的选择在这里非常重要。例如,如果你在构建 Electron 应用或 Web 应用,就可以利用 JavaScript 生态中丰富的调试工具。[Chrome DevTools Protocol(CDP)](https://chromedevtools.github.io/devtools-protocol/) 可以让你使用浏览器开发者工具里的同一套能力。如果构建的是 iOS 应用,则可以利用模拟器。

理想情况下,你应该能与应用交互、调试应用、采集性能轨迹,并使用平时手工开发应用时会用到的其他调试和开发工具。如果没有功能丰富的运行环境可用,可能需要让 agent 为你创建工具,例如使用 lldb,或制作一个在开发环境中以伴随进程(sidecar)形式运行的自定义包;也可以充分利用手头已有的工具。

我真心认为,agent 自验证非常重要。为了获得别人难以复制的优势和极高的软件开发效率,我会认真建议你构建自己功能丰富的调试工具,甚至选择不同的技术栈。正如前文所说,让 agent 能够验证自己的工作,就能让组织中的每个人都参与贡献,并确认自己的改动确实有效。技术栈越难调试和控制,就越难高效使用 agent。

**让过程可复现**

在 **pstack** 中,我们有一条名为[“打造杠杆”](https://github.com/cursor/plugins/blob/main/pstack/skills/principle-build-the-lever/SKILL.md)的原则。放在创建 skill 的语境里,它意味着我们更愿意给 agent 提供工具,而不只是一份 Markdown。对于验证 skill,这意味着创建一个小型 CLI,把应用的交互和调试操作封装成一个轻量、适合 agent 使用的工具。这样,agent 完成任务时会消耗更少的 token——运行一条 CLI 命令,而不是临时写脚本去点击界面元素——也能让验证 skill 更容易复现和测试。 

下面是一个假想示例:agent 可能会为 Electron 应用创建这样的 CLI:

```shell
# health
node .cursor/skills/verify-atlas/control-atlas.mjs doctor

# open a blank thread and send
node .cursor/skills/verify-atlas/control-atlas.mjs new-session
node .cursor/skills/verify-atlas/control-atlas.mjs send "list open tasks in this project"

# keyboard path
node .cursor/skills/verify-atlas/control-atlas.mjs press "Meta+KeyN"

# accessibility snapshot of the live UI
node .cursor/skills/verify-atlas/control-atlas.mjs snapshot

# screenshot for evidence
node .cursor/skills/verify-atlas/control-atlas.mjs screenshot /tmp/atlas-proof.png

# wait for streaming / layout to settle
node .cursor/skills/verify-atlas/control-atlas.mjs wait-settle

# flip a feature flag for the session
node .cursor/skills/verify-atlas/control-atlas.mjs feature-flag rooms_v2 on
```

现在,所有 agent 都可以使用这个 CLI 快速操作和调试应用。你还需要开始考虑应用的开发体验: 

- 为开发数据库填充初始数据
- 如何处理身份验证、测试用户,以及针对测试或预发布环境的 API 调用
- 如何以一致的方式安装并启动开发环境

这些事情,大概也是你亲自写代码时迟早要考虑的。因此,可以把它视为 agent 在应用上完成开发工作的主要工具。务必好好维护和测试它!

你可能还会考虑加入下面这些命令: 

```markdown
- **Inspection:** `info`, `snapshot`, `screenshot`, `components`
- **Navigation:** `home`, `new-session`, `select-project`, `select-runtime`, `scroll`
- **Interaction:** `send`, `click`, `click-xy`, `aria-click`, `type`, `press`, `eval`, `upload-image`, `add-context`, `feature-flag`
- **Performance:** `trace`, `profile`, `record`, `perf-metrics`, `wait-settle`
- **Streaming:** `console`, `network-log`, `network-summary`
- **Health & cleanup:** `doctor`, `cleanup`, `watch --restart`
```

完成这些基础设置后,你应该已经能看到 agent 的表现明显改善。它们应该可以轻松操作和调试应用。

我建议先花时间把这个 CLI 打磨好、尽量消除错误,再尝试更高级的东西。你还需要思考——或者让 agent 思考——怎样设计一个适合 agent 使用的 CLI。网上有很多资料可以交给 agent 参考,而我看重的关键特性包括:

- API 容易组合——可以参考 John Ousterhout 的深模块理念
- 任何可能产生破坏性副作用的命令都应该提供 --dry-run 选项
- 通过子命令逐步开放功能,而不是一次性全部暴露
- 错误信息应该非常具体,并告诉 agent 应该改做什么
- 提供丰富的 --help 文本
- 以机器可读的形式返回输出,例如 JSON

**不用 worktree,改用 [Cloud Agents](https://cursor.com/docs/cloud-agent) 并行提速**

当你成功使用验证 skill 合入几个 PR 后,可能会开始考虑能否进一步并行。例如,如果 agent 现在拿到 prompt 后,基本能独立推进到可以合入的状态,你是不是就有余力运行更多 agent? 

你的第一反应可能是增加 worktree 支持,让 agent 使用 Git 创建一份受版本控制的仓库副本,在与主工作目录隔离的环境中修改代码。理论上,这样可以同时运行多个 agent,而不会让它们的改动相互覆盖。

我不建议这样做。首先,它会占用本机大量存储空间和资源。根据仓库大小和机器性能,你也许最多能通过 worktree 并行运行 10 个 agent。但还有一种好得多的办法! 

Cursor 的 [Cloud Agents](https://cursor.com/docs/cloud-agent) 运行在 Cursor 的云基础设施上。这些 agent 可以使用一台真实机器,因此能够安装依赖、运行应用、录制视频和截图,并像真实用户一样与应用交互。如果你在上一步已经充分改善了开发体验,设置 Cloud Agents 应该不会太费力。首次设置云环境时,我们会派一个 agent 帮你正确完成配置并运行起来。第一次构建完成后,我们会创建一个[快照](https://cursor.com/docs/cloud-agent/builds),这样之后每次运行 Cloud Agent 都能快速启动。

我强烈建议花时间设置 Cloud Agents,因为它能大幅提高并行工作的效率。在后续文章中,我会展示自己如何在云端并行运行数百个 subagent!不过现在,先把环境设置好,让它达到可以放心在云端运行所有 agent 的状态。

**用功能地图(Feature Map)让 agent 保持聪明**

随着应用变得越来越复杂,agent 需要更多指引,才能找到各项功能并与之交互。为此,我设计了一个叫功能地图的东西。顾名思义,它是一张容易搜索的地图,列出应用中的所有功能、每项功能的作用,以及用户如何找到它。 

这是我为虚构应用 Atlas 准备的一个[功能地图示例](https://github.com/poteto/verification-skill-example/blob/main/.cursor/skills/verify-atlas/references/features/README.md)。它只是几个 Markdown 文件,验证 skill 的 SKILL.md 会引用这些文件。 

你可以把这些文件放在任何地方,不过 /create-verification-skill 会自动创建 references/features 目录,并在其中放置 README.md。README 本身就是地图:它概述所有主要功能,并链接到各项功能的详细说明。某项功能的示例大致如下:

```markdown
# Preferences

Full-screen preferences overlay and its tab set.

## Sub-features

- settings-overlay: full-screen overlay opened from the gear or Cmd/Ctrl+,
- settings-nav: left nav of tabs (General, Appearance, Models, Plan & Usage, ...).
- settings-search: in-overlay search (Cmd/Ctrl+K while settings is open).
- theme-picker: quick theme control on Appearance.

## How to get to it (user POV)

Click the gear next to the account avatar, or press Cmd/Ctrl+,. Pick a tab from the left nav. Type in the preferences search box to jump. Escape or the close control dismisses.

## Driving it with control-atlas

bash
node .cursor/skills/verify-atlas/control-atlas.mjs press "Meta+Comma"
node .cursor/skills/verify-atlas/control-atlas.mjs snapshot
node .cursor/skills/verify-atlas/control-atlas.mjs press "Escape"


- Overlay root: look for a dialog/region named Preferences in the a11y tree.
- Tabs: click by visible name. Plan & Usage may be absent for some account states.
- While settings is open, Cmd/Ctrl+K is preferences search, not the global palette (see `multi-surface-journeys.md`).

## Gotchas

- Closing settings mid-suite can leave focus nowhere useful. `new-session` or `home` recovers.
- Some tabs are entitlement-gated. Skip with an explicit account reason.
```

不用担心要自己编写这些内容!运行 **/create-verification-skill** 后,agent 会自动遍历应用、整理所有内容,并为你创建这些参考资料。 

功能地图与 CLI 结合,是 pstack 验证 skill 表现出色的主要原因之一。agent 现在知道每项功能是什么、该怎么进入,既节省 context window 中宝贵的 token,也能准确理解每项功能的用途。

你可以把功能地图看作一种“物化的记忆”。如果使用 agent 已有一段时间,你大概很熟悉记忆这个概念:这些记忆通常会存成简单的 Markdown 文件,例如 Obsidian 仓库,也可能采用向量数据库之类更复杂的形式。我个人认为,代码库是记忆的终极形态。代码是你和团队一系列决策的投影,既记录了发生过什么,也是系统实际如何工作的事实依据。功能地图只是这种记忆的浓缩版,目的是节省 token。由于它只是 skill 内部的 Markdown,所有为代码库做贡献的人都能受益于这份共享记忆。 

这意味着维护验证 skill 非常重要。我建议每天至少运行一次 **/maintain-verification-skill**,确保 agent 始终掌握控制应用的最新细节。随着验证 skill 使用得越来越多,你也可能发现 agent 在开发应用时会自动更新相关内容;/maintain-verification-skill 则负责补上所有遗漏。 

# 如何使用验证 skill

这里有一个为虚构应用创建的验证 skill,可以作为参考:[https://github.com/poteto/verification-skill-example](https://github.com/poteto/verification-skill-example)。再提醒一次,运行 **/create-verification-skill** 即可创建一套验证 skill,其中包括基础 CLI 和功能地图。

下面是我通常如何配合 **pstack** 使用它。 

首先,prompt 当然要以 **/poteto-mode** 开头。如果通过 Cursor 使用 pstack,在自动补全 /poteto-mode 时,还可以按 Opt + Enter,而不只是 Enter。这样会把该 skill 添加为 [Custom Mode](https://cursor.com/changelog/08-19-26#custom-modes),将其固定下来,让 agent 在每一轮新交互中都收到使用该 skill 的提醒。 

![](https://pbs.twimg.com/media/HRAqVoyb0AEwvnc.png)

在 Grok @Bot 中安装[该插件](https://x.ai/bot/plugin/9717366),然后输入 /poteto-mode。

![](https://pbs.twimg.com/media/HRArLIFa4AApHT3.png)

**示例:构建新功能**

构建新功能时,我通常会把验证 skill 与 /poteto-mode 搭配使用,让 agent 验证自己的工作。例如,我可能会这样写 prompt:

> /poteto-mode build \<description of feature, any useful context\>. use /control-app to verify your changes and show me a video and screenshots as proof

其中,/control-app 是 /create-verification-skill 的产物。在 Grok @Bot 中,我会这样写:

> spawn a cloud agent to use /poteto-mode to build \<description of feature, any useful context\>. use /control-app to verify your changes and show me a video and screenshots as proof

这里有一点小区别:在 Grok @Bot 中,你让 bot 启动一个 Cloud Agent,而不是让 bot 自己完成工作。我偏爱这种方式,主要是因为它能让 bot 腾出手做其他事情,同时保持 context window 干净。从这个角度看,我更愿意把自己的 bot 当作协调者(coordinator),由它管理和监督 Cloud Agents。借助 Cloud Agents,你还可以使用 Cursor 提供的全部模型;每个 Cloud Agent 都有自己独立的机器,因此 bot 所在的计算机仍能腾出来处理其他任务。

**示例:性能优化**

> spawn a cloud agent to use /poteto-mode to improve the initial loading time of our app. first use /control-app to take a trace of the status quo, and identify opportunities for improvement. then do a targeted fix and use /control-app + a [/swarm](https://github.com/cursor/plugins/blob/main/pstack/skills/swarm/SKILL.md) to confirm the win

[/swarm](https://github.com/cursor/plugins/blob/main/pstack/skills/swarm/SKILL.md) 是最适合与验证 skill 搭配的 skill 之一。它可以并行派出任意数量的 Cloud Agents 来运行验证 skill,因此你能用足够大的样本量确认性能提升,也可以对应用做模糊测试,确保没有破坏任何功能或造成回归。

**示例:自动复现用户报告的问题**

验证 skill 达到满意水平后,可以把它放进 Grok @Bot 例程或 [Cursor Automations](https://cursor.com/docs/cloud-agent/automations)。例程和自动化任务可以按计划运行,也可以在事件发生时触发。 

例如,如果你把用户反馈接入 Slack,或者设有内部反馈频道,就可以让 bot 监听每一条报告,并自动尝试用 Cloud Agent 复现问题。如果验证 skill 和功能地图足够完善,甚至可以进一步决定自动修复问题。

我之前说验证是工具箱里最重要的 skill 之一,是有原因的。它为构建其他 skill 和例程打下了基础。最重要的是,团队中的每个人都能从中受益。 

# 投资你的验证 skill

创建验证 skill 后,继续使用 /maintain-verification-skill 打磨它。不断改进 CLI,像对待关键基础设施一样持续投入这套 skill。你甚至可以为它安排值班轮换——为了让团队实现 100 到 1000 倍的生产力提升,它就是如此重要。

这套 skill 是我们之后会在 **pstack** 指南中介绍的许多其他 skill 的基础,也能与它们很好地组合使用。

- pstack:https://x.ai/bot/plugin/9717366 ([GitHub 链接](https://github.com/cursor/plugins/tree/main/pstack))
- Dr Eggbot:https://x.ai/bot/93gOz3op1UQdBdbekQFLK

我建议把 [Dr Eggbot](https://x.ai/bot/93gOz3op1UQdBdbekQFLK) 加入你的 bot 阵容;这是我用来帮助大家创建高质量 bot 的 bot。Dr Eggbot 随 pstack 提供。它会教编程 bot 如何使用 pstack,也能用同样严谨的方式创建非编程 bot。

你可以让 Dr Eggbot 创建一个工程师 bot,再让这个 bot 运行 /create-verification-skill,并设置每日运行 /maintain-verification-skill 的例程。

感谢阅读,第二部分敬请期待!