grill-me (Matt Pocock)

評測

我們每次都開啟全新的暫存專案，執行 Codex CLI 0.166（模型 gpt-6-astra，低推理），技能分為已安裝與未安裝兩種情況，每個組別各執行 2 次，關閉網路存取。我們用了三個任務：未使用技能的對照組拿到同樣的請求，只是改寫成「Grill me on this」。產出以 0 到 5 分盲評（打亂 ID，不提示所屬組別），評分標準為：它是否以訪談而非直接給建議、問題是否具體、涵蓋範圍是否夠廣、是否容易回答、是否避免直接跳到計畫。

三組對照

以 Codex CLI 執行 18 次，採規則式檢查評分，不經 LLM 評審。總分 20.6 / 30，評級為 視情況推薦。

評定：視情況（20.6 / 30）。 來源：mattpocock/skills，固定於 commit 4ae2317。安裝指令為 npx skills@latest add mattpocock/skills --skill grill-me --skill grilling。

這是什麼

grill-me 的用途是在你下定決心之前，對計畫做壓力測試。打開檔案會發現一件奇怪的事：整個 SKILL.md 只有一行：「Call the Skill tool with grilling.」真正的指示放在一個名為 grilling 的姊妹技能裡。那個技能要求 agent 分回合訪談你。每一回合會問出所有前置條件已確定的問題、為問題編號，並給出措辭設計成回答「是」即可採用的建議答案。如果某個問題需要環境中的事實，agent 應該自己去查，而不是問你。

根據中繼資料，這兩個技能都只能明確叫用（disable-model-invocation、allow_implicit_invocation: false）。你在 Codex 輸入 $grill-me，在 Claude Code 輸入 /grill-me。

我們如何測試

我們每次都在一片全新的臨時專案中執行 Codex CLI 0.166（模型 gpt-6-astra、低推理強度），技能不是安裝就是不安裝，每組執行兩次，關閉網路。我們用了三個任務：

1. 對一個模糊的想法使用 $grill-me（一個減少餐廳食物浪費的應用程式）。
2. 對一份有風險的工程計畫使用 $grill-me（四個人要把 Django 單體拆成 Kubernetes 微服務）。
3. 一個不含技能名稱的白話請求：「用問題毫不留情地壓力測試我的計畫」（辭職去創辦一份付費登山電子報）。

沒有技能的對照組收到同樣的請求，但措辭改成「針對這件事質問我」。輸出以 0 到 5 分盲評（打亂 ID，不提示所屬組別），評分規準為：是訪談而非給建議、問題是否具體、涵蓋範圍是否廣泛、是否容易回答、是否避免直接跳到計畫。

實際情況

技能每次都照它說的做。 六次使用技能組執行中，agent 都依循 stub 的指引，讀取 grilling 檔案，並產出編號的 ❓ 問題區塊與 ➡️ 建議答案（每次執行 3 到 5 個問題）。六次對照組執行都沒產出這種格式。我們的格式檢查在每次使用技能組執行都通過，在每次對照組執行都未通過格式測試。

對照組本來就是還不錯的訪談者。 沒有技能時，Codex 從一、兩個問題（模糊想法任務）到八、九個問題（工程任務）都有，有時用編號清單，而且經常追問同樣的弱點。在工程計畫任務上，對照組其實得分更高（4.5 對 4.0）。它的問題更技術性：「哪個客戶操作會更新多個資料表，當一個服務成功、另一個逾時時會怎樣？」「誰會在凌晨三點除錯 Kubernetes 網路故障？」技能的問題涵蓋面更廣，措辭是「你會……嗎？是，因為……」，回答起來很快，但比較軟。在模糊的餐廳想法上，對照組只問了一、兩個問題（平均 2.75），技能則明顯有幫助（3.5）。所有執行的平均是使用技能 3.83、未使用技能 3.58。每個組合只有兩次執行，這個差距落在雜訊範圍內。

它的觸發範圍比宣稱的更廣。 grill-me 只能明確叫用，但 grilling 不是：它的描述歡迎在「使用者……使用任何『grill』觸發語句」時使用，而且中繼資料沒有任何限制。在白話任務中（沒有 $grill-me），兩次使用技能組執行都讀了技能，還是用 ❓/➡️ 格式回答。如果你兩個都安裝，然後說「壓力測試我的計畫」，就要預期它會觸發。

它會消耗 token。 使用技能組每次執行約用 31,900 token，對照組 14,800（2.15x），時間約 40 秒對 21 秒。多出來的部分主要是 agent 多花一回合讀第二個技能檔案。絕對數量不大，但這個倍數就是效率只拿 1 分（滿分 5 分）的原因。

可攜性說明

stub 指名「Skill tool」，這是 Claude Code 的概念。Codex 沒有這種工具；模型改以路徑讀取檔案，所以在這裡可行，但較弱的 agent 可能做不到。由於 grill-me 依賴 grilling，只裝其中一個，你要嘛得到一個指向虛空的 stub，要嘛得到一個沒有 $grill-me 捷徑的技能。

安全性審查

執行任何東西之前，我們掃描並讀過每個檔案。兩份 SKILL.md 加上小型 agent 中繼資料檔案，沒有腳本、沒有網址、沒有二進位檔、沒有隱藏字元，也沒有要求 agent 讀取機密或對使用者隱瞞任何事。MIT 授權。請見 security.md。掃描乾淨並不代表技能安全，但這裡幾乎沒有能造成傷害的東西。

分數

誰適合使用

如果你喜歡被問幾個編號問題，而且只要回答「是」就能接受合理的預設值，grill-me 能可靠地隨需提供這種體驗。如果你只是想要一個聰明的 agent 挑出計畫的漏洞，像「針對這件事質問我」這樣的單純提示在我們的執行中能達到相當的深度，有時甚至更好，token 還只要一半。把它當成一種格式偏好，而不是能力升級。

這項測試的限制

每個任務的每組兩次執行、一個模型以低推理強度執行、三個單回合任務。真正的 grilling 會進行很多回合，我們只看到第一回合。依本站規則，Codex 等級涵蓋 Codex 與 Claude Code。

更新（2026 年 11 月 2 日）：新增一句話組

第三組：沒有技能，附加一句話（「就這個計畫的每個面向毫不留情地訪談我，一次問一個問題，沿著決策樹的每個分支走，並為每個問題給出你建議的答案……不要開始動手實作。」）。6 次執行，在 Windows 機器上執行，關閉網路，以相同評分規準盲評。

那句話照字面執行：每次執行都只問一個問題並提供建議答案，成本大約和對照組相同（16k token，是技能 32k 的一半）。這也是它的弱點：技能每回合問 3 到 5 個編號問題，涵蓋更多分支；而三次白話執行中有兩次在提問前先給了結論（「把辭職建立在……的條件上」），評分規準會因此扣分。技能相對一句話提示的增益：+0.33，落在雜訊範圍內，token 卻是 2.0 倍。如果你只想要一次一個問題並附建議答案，那句話就夠了。