https://jiajia.fun/qa/beb8b510-%E9%9A%8F%E4%BE%BF%E7%9C%8B%E7%9C%8Bpotato%E7%9A%84pstack-%E5%88%86%E6%9E%90%E4%B8%A4%E8%80%85%E7%9A%84%E6%80%9D%E8%B7%AF%E5%92%8C%E6%96%B9%E6%B3%95%E7%9A%84%E5%BC%82%E5%90%8C-%E7%BB%99%E6%88%91%E4%BB%AC%E4%BB%80%E4%B9%88%E5%90%AF%E7%A4%BA

# https://claude.dev/blog/how-the-claude-code-team-thinks-about-verification/随便看看potato的pstack，分析两者的思路和方法的异同，给我们什么启示

两篇我都读了。这俩表面在讲同一件事——让 agent 自己证明改对了——但底层是两套不同的哲学，差异比我预想的要大。 Claude Code 团队那篇（Addy Osmani，11 月 16 号发的）前提很硬：他们团队近 90% 的代码由 Claude 写和审。在这个规模下，人不可能读每个 diff，于是验证层变成了组织的基础设施——它的作用不是"提高质量"，而是"决定你能并行开几个 agent"。没验证闭环，人力上限是一两个；有了，几十上百。 pstack 是 poteto 的个人插件，但他也是拿它在一个每天几百个 PR 的 codebase 上当 gardener 的。他的开篇那句话几乎是对着"AI 写得太多烂代码"的焦虑说的：不追求 LOC，反着来，写得更少但更对。 几个关键异同： 一、都认为"跑真应用"高于"跑测试"，但落到工具上是两个方向。 Claude Code 团队写 verify skill，塞在.claude/skills/ 里，按平台选驱动力：web 用 Chrome 扩展，移动用 iOS/Android MCP，桌面用 computer use。pstack 更狠，直接要求把交互脚本化成一个小 CLI（doctor / snapshot / screenshot / trace / wait-settle / feature-flag 这种子命令），理由是"给 agent 工具而不是给 markdown"——跑一条 CLI 命令，比让模型每次现写个临时脚本点按钮省 token 也可复现。他甚至说不ironically地建议：如果你的技术栈难以调试，就为 agent 可验证性换个技术栈。 这是第一处分歧：Anthropic 的做法是"复用已有生态工具"，pstack 的做法是"为本项目造一把专用扳手"。后者工程更重，但可复现性和 token 效率是数量级差别，而且这把扳手本身是 reviewer 能重跑的产物。 二、记忆的落点不一样。 Claude Code 那边叫 feature map 只出现在测试类型的说明里，真正的知识沉淀是 REVIEW.md、CLAUDE.md 和那张 39 项的 reliability checklist——按 diff 触发，通常只匹配到 3 到 10 条，靠 trigger 而不是靠全量喂。pstack 把 feature map 抬成了核心概念，还给它起了个名字叫"物化记忆"（materialized memory）：代码是团队决策的投影，feature map 是它的紧凑版，塞进 skill 里所有人共享，还得每天跑 /maintain-verification-skill 修漂移。 这里有个共同判断值得记：两边都不约而同把"文档"重新定义成了索引和触发条件，而不是叙事。Anthropic 用 trigger 精准唤起 3 到 10 条检查项，pstack 用文件结构让模型按需翻。这跟我们一直说的"能写成一个清晰 Markdown 就别上 RAG"是一路的。 三、最本质的分歧：评判者与被评判者的隔离，Anthropic 做了制度设计，pstack 只做了人员分工。 Anthropic 那条我认为是全文最有价值的一句话——改动如果能修改评判它的检查，这个检查就是废的。所以 Code Review 只读 base 分支的 REVIEW.md，绝不读 PR 里的改动，门禁规则放在改动碰不到的分支上。配套还有：失败三轮就交人、提交必须带验证戳（包括"none"）、门禁先跑 observe 收误报再切 enforce、同一个 session 被拦两次后放行避免卡死。 pstack 这边对应的做法是 /interrogate：多个不同模型一起试着打穿同一个 diff，加上严格的代码质量视角。这是"用视角多样性对抗模型自洽"，有用，但它没解决"agent 能不能自己改掉它要过的门禁"这个问题，靠的是 playbook 约束和人工把关。所以 pstack 更适合个人和小团队，Anthropic 那套是能扛住几十人、几百 PR/天的组织级护栏。 四、两边对"规则会腐化"的态度都很清醒，但清理机制不同。 Anthropic 说测试集、验证步骤和.md 文件只会越长越多，所以要定期修剪；flaky test 不许 skip、不许加 sleep，找不到根因就删掉并写明原因。pool 那边是 /reflect，任务做完把这一次的教训写成 skill 或 lint 的改动。注意 pstack 那条原则名字叫 encode-lessons-in-structure——把规则编码成 lint、运行时检查、脚本，而不是再多写几段文本。这点和 Anthropic 的"把 miss 转成 REVIEW.md 的规则"其实是同一个结论的两种表达，只是 pstack 更偏好落到代码而不是文档。 五、并行策略正面冲突了。 Claude Code 那句"没有验证你只能跑一两个，有了能跑几十上百"是纯结果。pstack 给了具体路线且明确反对 worktree：worktree 吃磁盘、吃机器，一般顶到 10 个；正解是把 agent 丢到云上的真机里，第一次 build 完拍快照，后续启动很快，机器人留在本地当协调者，主线程上下文保持干净。这个和"常驻 agent 是状态归属问题"其实接得上——谁持有环境、谁持有证据，就决定了你能否并行。 对我们最有用的启示，我挑三条： 第一，验证层的投入回报是非线性的，但它必须被当成基础设施而不是一次性 prompt。先花时间把那条 CLI 或 verify skill 磨到极少报错，再谈并行。顺序反了，你只是更快地产生更多你读不完的 diff。 第二，门禁要能扛住"改动改自己"的诱惑。这是绝大多数自建 harness 最容易漏的地方：你的 lint 配置、你的 review 规则、你的测试，如果和业务代码在一个可以被 agent 随手改的分支上，那这套验证在压力下会静默失效。 第三，别急着叠 reviewer，先把主 reviewer 调准。Anthropic 明确说加第二个更贵的 reviewer 往往不如调优第一个；然后用回滚率、误报率、以及"只有正确描述这次 bug 才得分"的评测集去验证检查器本身，而不是只看它报了多少条。pstack 那边对应的是 eval skill，做盲测看 prompt 改动对行为的真实影响。 如果你在动手，我建议的落地顺序是：先跑 /create-verification-skill 或手写一个最小控制 CLI，把三五个核心用户流程串成可脚本化的冒烟路径；接着把 lint、类型检查、测试挂成确定性的 Hook，跑不过就不让合，并且把这些钩子放在 agent 改不到的地方；最后才开始加并行度。到那一步你会发现自己忙的不是审 diff，而是在定义"什么叫做完了"。
