让AI不再”差不多得了”：thorough——一个让Claude Code追着结果跑的交付模式

你有没有这种感觉——让AI写代码，它给你一堆思路；让AI做调研，它给你一份大纲；让AI帮你做点事，它永远在”差不多得了”的边缘徘徊？

不是AI不够聪明，是大多数Skill根本没教它：干完为止。

这就是 thorough：给AI装上一个”不放弃”的内核

thorough 是一个 Claude Code 的交付模式Skill，来自台湾开发者 cablate（就是那个做了 mcp-google-map 和 Claude-Code-Board 的团队）。装上之后，你的AI不再是回答问题的工具，而是一个追着结果跑的执行者。

核心逻辑很反直觉——它给你的第一句话居然是：

“你的 token 预算已经剩 2% 了，这不是演习。”

你没看错，thorough 一上来就告诉你：钱要花在刀刃上。用 Haiku 就能搞定的不许用 Opus，能并行的不许串行，遇到问题先用工具诊断而不是举手问用户。

然后是三条铁律：

• Rule 1：穷尽所有方案——不到山穷水尽不许说”做不到”
• Rule 2：先诊断再提问——别空着手问用户要确认，带着调查结果来
• Rule 3：主动出击——让你看 X，看完顺手查 Y 和 Z，因为那才叫ownership

多线程思维：一次调度7个分身同时干活

thorough 最有意思的设计是强制并行子Agent调度。当你给AI一个复杂任务，它不是傻等着一步步做，而是立刻拆解、同时派出多个”分身”并行处理——代码写一个Agent，调研一个Agent，架构评审一个Agent，各自干完回来汇总。

这就让AI从单线程的”助手”变成了多线程的项目经理。你下指令，它负责到底。

配合 cablate 自带的 analyst/investigator/builder/reviewer 一套 SOP Agent 矩阵，每个角色只干自己最擅长的事——analyst 做架构和规划，investigator 负责调试和溯源，builder 写代码，reviewer 做审查。

为什么这个思路代表了一个方向

我在观察AI Skill发展趋势的时候，有一个很明显的感觉：早期的Skill偏向”让AI更好地回答问题”（比如各种写作助手、翻译助手），这波已经饱和了。

下一波的主流，是让AI更好地完成任务——不问蠢问题、不半途而废、不需要用户盯着。

thorough 就是这个方向的典型案例。它不教你”怎么写更好的提示词”，它直接改变AI的默认行为模式：交付，而不是回答。

配套的 project-docs、vector-memory 等一系列Skill也在做同一件事——让AI的产出能够积累、传承、持续进化，而不是每次新会话都从零开始。

对于把AI当成生产力工具的团队来说，这套思路值得研究。

GitHub：https://github.com/cablate/ai-toolkit

安装方式：git clone 后，把 skills/thorough 复制到 ~/.claude/skills/，重启 Claude Code 即可。配合 cablate 的 agent 矩阵使用效果更佳。

GitHub: https://github.com/cablate/ai-toolkit