shaping-skills
shaping-skills 是一套专为 Claude Code 设计的技能包,旨在将 Basecamp 著名的"Shape Up"产品开发方法论适配到大模型协作场景中。它主要解决了在利用 AI 进行项目从 0 到 1 构建时,如何系统化地定义问题、规划方案以及保持文档一致性的难题。
这套工具特别适合希望规范开发流程的软件工程师、产品设计师及技术负责人使用。它包含两类核心能力:一是“协作文档技能”,能将真实的对话记录自动整理为结构清晰的“问题框架文档”和“项目启动文档”,确保团队共识可执行;二是“单人探索技能”,支持用户在编码前通过 /shaping 迭代需求与方案,或利用 /breadboarding 直观映射系统界面与底层逻辑的关联,从而更精准地划分工作范围。
其独特亮点在于引入了“涟漪检查(Ripple Check)”机制。当用户修改标记为 shaping 的文档时,该钩子会自动触发检查清单,提醒更新相关的功能表、适配性检查及工作流,有效防止因局部改动导致的整体逻辑脱节。虽然文档类技能高度依赖输入质量(即“垃圾进,垃圾出”),但在高质量的思考与对话基础上,shaping-skills 能显著节省整理时间,让 AI 辅助开发更加条理清晰。
使用场景
某初创团队的产品负责人正与工程师协作,试图在两周内从零构建一个最小可行产品(MVP),需要将模糊的会议讨论转化为可执行的开发方案。
没有 shaping-skills 时
- 漫长的需求讨论会后,关键决策和排除的替代方案散落在聊天记录中,难以整理成结构化的“框架文档”,导致后续开发方向频繁摇摆。
- 开发人员启动项目时缺乏统一的“启动文档”,只能依靠口头传达或零散笔记,常因理解偏差而构建了错误的功能范围。
- 在定义问题与设计方案时容易混淆,未经验证就直接编码,结果发现核心痛点未被解决,造成大量返工。
- 系统架构与用户界面操作之间缺乏直观映射,难以划分垂直切片范围,导致前后端开发进度不同步。
- 修改需求文档时经常遗漏关联更新,如更新了功能描述却忘记调整对应的接口定义或检查清单,引发一致性错误。
使用 shaping-skills 后
- 利用
/framing-doc技能将会议录音转录稿瞬间转化为标准的框架文档,清晰锁定值得解决的问题及选择理由,确保全员对齐目标。 - 通过
/kickoff-doc技能把定稿的讨论记录自动生成为开发者的参考手册,明确已确定的形状和约定,让工程师能立即准确开工。 - 借助
/shaping技能在编码前独立迭代“问题定义”与“解决方案”,并进行适配性检查,确保只构建真正需要的功能。 - 运用
/breadboarding技能在同一视图中映射用户操作、代码能力与连接逻辑,轻松切割出垂直交付范围,提升协作效率。 - 配置 Ripple Check 钩子后,每次编辑带标记的文档都会自动触发检查清单,强制同步更新相关表格和工作流,杜绝文档不一致。
shaping-skills 将 Basecamp 的"Shape Up"方法论无缝融入 AI 工作流,把混乱的创意讨论高效转化为可落地的工程蓝图。
运行环境要求
- macOS
- Linux
未说明
未说明

快速开始
塑形技能
用于塑形和面包板设计的 Claude Code 技能——源自 Shape Up 的方法论,并针对与大型语言模型协作进行了调整。
案例研究: 使用 Claude Code 进行 0-1 塑形 详细介绍了如何利用这些技能从零开始构建一个项目。该项目的源代码位于 rjs/tick。
技能
文档类技能——适用于协作工作
这些技能可以将真实的对话记录转化为结构化的塑形文档。它们在实际生产项目中非常有用,尤其是在与他人合作时,能够将讨论内容以可执行的格式记录下来。
这些技能极度依赖输入质量(GIGO,即“垃圾进,垃圾出”)。 它们不会评估输入内容是否有意义或合理性,只会进行格式化和提炼——仅此而已。当输入是高质量、富有逻辑的对话时,它们可以节省大量时间;但如果输入本身存在问题,最终得到的也只是一个格式精美的错误文档。
/framing-doc — 将对话记录转化为框架文档,明确需要解决的问题以及为何选择该问题而非其他替代方案。
/kickoff-doc — 将塑形后的项目启动会议记录转化为一份供开发人员参考的文档,记录下已确定的塑形结果和共识。
单人技能——更具实验性
这些技能直接用于与 Claude 进行塑形和设计工作。相比文档类技能,它们的实战经验较少,仍处于实验阶段。
/shaping — 在正式进入实现之前,对问题(需求)和解决方案(形态)进行迭代优化。它将“需要什么”与“如何实现”分开,并通过适配性检查来确认哪些部分已经解决,哪些尚未解决。
/breadboarding — 将系统映射为用户界面操作、代码功能接口以及系统间的连接方式。在一个视图中清晰展示用户可执行的操作及其底层实现逻辑,非常适合用于划分垂直功能范围。
安装
# 克隆仓库,然后将每项技能创建符号链接到你的 Claude Code 技能目录
git clone https://github.com/rjs/shaping-skills.git ~/.local/share/shaping-skills
ln -s ~/.local/share/shaping-skills/framing-doc ~/.claude/skills/framing-doc
ln -s ~/.local/share/shaping-skills/kickoff-doc ~/.claude/skills/kickoff-doc
ln -s ~/.local/share/shaping-skills/breadboarding ~/.claude/skills/breadboarding
ln -s ~/.local/share/shaping-skills/shaping ~/.claude/skills/shaping
每项技能必须位于 ~/.claude/skills/ 的直接子目录中,这样 Claude Code 才能识别并加载它们。通过符号链接的方式,你可以随时使用 git pull 来更新这些技能。
钩子:涟漪检查
该仓库包含一个钩子,可在编辑塑形文档时提醒 Claude 检查潜在的连锁影响。当 Claude 编写或编辑带有 shaping: true 前置元数据的 .md 文件时,钩子会触发一个检查清单——更新操作表、适配性检查、工作流等。
设置步骤
- 创建钩子脚本的符号链接:
mkdir -p ~/.claude/hooks
ln -s ~/.local/share/shaping-skills/hooks/shaping-ripple.sh ~/.claude/hooks/shaping-ripple.sh
- 将钩子添加到你的
~/.claude/settings.json中:
{
"hooks": {
"PostToolUse": [
{
"matcher": "Write|Edit",
"hooks": [
{
"type": "command",
"command": "~/.claude/hooks/shaping-ripple.sh",
"timeout": 5
}
]
}
]
}
}
此钩子会在每次调用 Write 或 Edit 工具后触发。它仅对塑形文档(即带有 shaping: true 前置元数据的文件)生效,其他文件则会直接跳过,不会有任何提示。
本 README 由 Claude Code 编写。
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
gemini-cli
gemini-cli 是一款由谷歌推出的开源 AI 命令行工具,它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言,它提供了一条从输入提示词到获取模型响应的最短路径,无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点,让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用,还是执行复杂的 Git 操作,gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口,具备出色的逻辑推理能力;内置 Google 搜索、文件操作及 Shell 命令执行等实用工具;更独特的是,它支持 MCP(模型上下文协议),允许用户灵活扩展自定义集成,连接如图像生成等外部能力。此外,个人谷歌账号即可享受免费的额度支持,且项目基于 Apache 2.0 协议完全开源,是提升终端工作效率的理想助手。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备