代理技能 Ponytail 在贡献者提出质疑后修正了自身的基准测试结果

Ponytail 是一个开源技能，它指导 AI 编码代理像“房间里最懒惰的资深开发者”那样行事。自 6 月 12 日发布以来，该项目在 GitHub 上已经积累了超过 82000 个星标，成为今夏增长最快的存储库之一。该项目解决了几乎所有编程代理用户都曾抱怨的问题：代理会过度实现功能。当你要求一个日期选择器时，代理会安装一个库、编写一个封装组件、添加一个样式表，甚至还会就时区问题展开讨论。Ponytail 的解决方案是 。

其机制是在代理的上下文中注入一套规则，在编写任何代码之前强制执行一套决策流程：这功能是否真的有必要存在？代码库中是否已有现成的实现？标准库是否已提供该功能？平台原生功能是否已覆盖该需求？已安装的依赖项是否能解决该问题？能否用一行代码实现？只有在回答完上述问题后，才编写能正常运行的最小代码量。

规则明确排除了在问题理解、信任边界输入验证、防数据丢失错误处理、安全性和无障碍性方面偷工减料的可能性。任何有意的简化都必须通过注释进行标注，其中需注明上限值和升级路径。该技能可通过技能、插件钩子或规则文件，安装在十余种代理平台上，包括 Claude Code、Codex、Cursor、GitHub Copilot、Gemini CLI 和 Aider。

该项目的基准测试历程与该技能本身同样发人深省。最初的单次基准测试声称代码量减少了 80% 至 94%。 Scott Logic 首席技术官 Colin Eberhardt 对这些数据进行了深入分析 ，发现这个 6232 行的存储库，实质上仅是一个约 100 行的 Markdown 文件，其中重述了 20 世纪 90 年代提出的 YAGNI 原则。他更敏锐地发现：用“遵循 YAGNI 原则，用一行代码解决”这一句话取代 Ponytail，竟在原始基准测试中超越了 Ponytail 的得分。这是因为基准代理比较啰嗦，而且在答案中添加了冗余内容，从而夸大了对比结果。

Hacker News  上有怀疑者得出了类似的结论：

本质上，整个项目不过是这些规则，外加针对特定插件系统的海量模板代码。

另一位评论者质疑该项目是一个“新版 leftpad”——一个为了一句提示语而搞出来的讽刺性巨型存储库。

接下来的发展让 Ponytail 与大多数走红的 AI 项目区分了开来。作者用一个公平的代理型基准重新构建了该基准测试，在一个真实的 FastAPI 和 React 存储库上通过 Claude Code 运行了十二项功能开发任务，并公开修正了此前的主张。 当前的 README 报告显示，代码量平均减少了约 54%，仅在代理过度构建时会达到 94%，而在代码本已极简的情况下则接近于零；同时，成本降低了约 20%，执行速度提高了 27%。该文档还指出，仅使用“编写一行代码”这一简单的提示词会缺少 Ponytail 所保留的安全防护机制，并明确指出，先前的数据是按任务计算的上限值，却被错误地报道为平均值。对于这个回应，Eberhardt 表示：“我很高兴他们对批评做出了积极回应。”

除了星标数量之外，实践者的采用情况也显而易见。红帽公司杰出工程师兼 Quarkus 联合负责人 Max Rydahl Andersen 在 LinkedIn 上 分享了他的工作流程 ：

“使用 Hunk 和 Ponytail 进行代码审查”是我最近最喜欢给编码代理的提示词。Ponytail 是一个编码代理技能，用于审查代码中是否存在过度设计的情况。它会找出这些问题，并提示你或代理将其删除。Hunk 是一款终端差异查看器，可以用于查看代理生成的变更集，以便你可以通过代码的形式提供输入和代理反馈，而非冗长的文本。

他帖子下的讨论指向了一类新兴的代理输出“防护栏”工具，评论者们将 Ponytail 和 hunk 与 herdr 等工具结合使用，以对变更进行群体审查。

Eberhardt 更深层次的观点经受住了基准修正的考验。技能和提示词框架正在大量涌现，却缺乏相应的评估标准。他在 Anthropic 的技能库中提出的问题（即技能作者如何测试并确保质量）是该库中点赞数最高的问题之一，但至今仍未得到维护者的回答。他指出，自己尚未在 GitHub 上看到任何一个拥有全面评估套件的技能库。现在，Ponytail 项目（其基准测试修正是在受到外部批评后才进行的）已经包含行为测试框架和公开的重现路径。这或许才是更具持久价值的贡献：不是 YAGNI 原则，而是期望技能必须证明其主张。

原文链接： https://www.infoq.com/news/2026/08/ponytail-agent-skill-benchmark/