夜雨聆风GitHub：https://github.com/DietrichGebert/ponytail Stars：60.6k | 语言：JavaScript | License：MIT
你见过那种老工程师吗？
马尾辫，椭圆眼镜，在公司待得比版本控制还久。你给他看五十行代码，他看都不看，伸手删掉四十九行，写一行，跑了。你以为他在敷衍，其实他在告诉你：这个问题，根本不是你以为的那个问题。
现在，有人把这个老工程师塞进了你的 AI 代码助手。
这就是 Ponytail——过去两周 GitHub 涨了六万星，MIT 协议，支持 Claude Code、Codex、Cursor、OpenCode、Gemini CLI 在内的 16 种主流 AI 编程工具。它的核心能力只有一个：让 AI 少写代码，而且少得有道理。
这个项目在解决什么问题
你让 AI 写一个日期选择器。它做了什么？装了 flatpickr，写了包装组件，加了样式表，然后开始讨论时区问题。
Ponytail 介入后，同一个请求，只有一行：
<!-- ponytail: browser has one -->
<input type="date">
这不叫偷懒，这叫知道什么已经存在。Ponytail 的核心理念是：写代码之前，先问七层问题——
1. 这需要存在吗？ 不需要就跳过（YAGNI）
2. 代码库里已经有这东西了吗？ 用了，不要重写
3. 标准库有吗？ 用了，不要重写
4. 浏览器 / 平台原生支持吗？ 用了，不要重写
5. 已装的依赖有吗？ 用了，不要重写
6. 一行能解决吗？ 那就一行
7. 上面都没有，才动手写
这七层梯子，是 Ponytail 的精髓所在。它不是简单告诉 AI"少写点"，而是给 AI 一个判断顺序，让 AI 在理解问题的前提下，优先选择复用而不是新建。
实测数据：少了多少，慢了多久
有人在真实环境测过：让同一个 Claude Code 代理去改一个真实的 FastAPI + React 仓库，跑 12 个功能 ticket，同样的代理，有 Ponytail 和没有 Ponytail 各跑四轮，取中位数。
结果：
| 对比无技能基准 | 代码行数 | token 消耗 | 成本 | 时间 | 安全性 |
| Ponytail | -54% | -22% | -20% | -27% | 100% |
| caveman | -20% | +7% | +3% | +2% | 100% |
| "YAGNI + 一行流"提示词 | -33% | -14% | -21% | -30% | 95% |
数据说三件事：
第一，Ponytail 是唯一在所有指标上都降了的选项，没有拆东墙补西墙。
第二，它不是让你少写代码这么简单——token 消耗下降两成，推理成本降了两成，速度还快了近三成。代码少了，AI 反而跑得更快更便宜。
第三，安全底线没有被牺牲。caveman 对照组在安全性上打了平手，但"YAGNI 一行流"对照组的分数掉到了 95%——意味着在边界情况下会跳过该有的校验。Ponytail 的规则里，信任边界验证、数据丢失处理、安全和可访问性，永远不在裁剪范围内。
七层梯子是怎么工作的
光说"少写代码"是片面的。真正的价值在于这七层判断顺序——顺序错了，好的意图也会出事。
比如日期选择器，Ponytail 发现浏览器原生支持 ，直接用原生实现，23 行变成 1 行。颜色选择器，原来 287 行，原生 解决，同样 23 行。AI 没有重蹈"引入依赖解决问题"的覆辙。
但它对已有代码的处理方式更能说明问题：Ponytail 在动手之前会先读一遍这次修改涉及的代码，追踪真实数据流，理解现有逻辑之后再选梯子的哪一层。它不是在 AI 决策之后去砍代码，而是在决策之前就给它划定了复用优先的框架。
懒，但不是忽视——是在理解前提下的懒。
和同类方案的区别
GitHub 上有另一个项目叫 caveman，也是让 AI 少写代码的思路，但它的策略是让 AI 像穴居人一样说话——逼着 AI 简洁，结果是 token 反而多消耗了 7%，成本和耗时也都上升了。Ponytail 没有改变 AI 的语言风格，它改变的是 AI 决策框架。语言风格不变，但判断顺序变了，结果完全不同。
还有一个叫 yagni-oneliner 的提示词策略，代码行数少了 33%，但安全性落到了 95%。这说明光靠"少写"而不给判断框架，AI 会把不该省的也省了。
Ponytail 的设计聪明之处在于：它不改变 AI 的语言表达，它改变的是 AI 在动手之前问自己的问题。这让它能够在不损失任何安全属性的前提下，让代码量腰斩。
安装和支持的平台
支持的平台列表现在有 16 个，还在涨：
Claude Code、GitHub Codex、Cursor、OpenCode、Gemini CLI、Google Antigravity CLI（Gemini CLI 重命名版）、Pi agent harness，以及更多。
以 Claude Code 为例，安装只需要两步：
/plugin marketplace add DietrichGebert/ponytail
/plugin install ponytail@ponytail
（两次独立 prompt 才能完成安装，这是 Claude Code 桌面端的限制，不是 Ponytail 的问题。）
Codex、Copilot CLI、Gemini CLI 等平台各有对应安装方式，GitHub 页面有详细说明。对于 OpenCode，甚至只需要在配置文件里加一行插件引用，然后从项目目录运行，它会自动加载 hooks/ 和 skills/ 目录。
值不值得装
六万星不是白涨的。这个项目解决的是一个真实痛点：AI 编程助手太喜欢"过度建设"——面对一个简单需求，它的第一反应是找最好的库、写最完整的实现，而不是问这个问题本身是不是伪需求。
Ponytail 把老工程师的判断直觉编码成了七层梯子，装进 AI 的推理流程里。54% 的代码减少、20% 的成本降低、27% 的速度提升——这三个数字背后是真实用户在真实 session 里的真实节省。
当然，它不是银弹。如果你面对的是一个真正的复杂系统，需要引入新的抽象和依赖，这时候 Ponytail 的七层梯子会告诉你：跳过前六层，直接写。但如果你的需求本来就是一个 date picker，那 Ponytail 能帮你省掉一整库的依赖。
你要是用 AI 写代码，装一个试试。就一句话的事。
<!-- ponytail: browser has one -->
<input type="date">这个 date picker，是大多数 AI 都会过度建设的东西——而 Ponytail 能让它变回一行。
这个项目给我最大的触动不是数据本身，而是它背后的工程直觉：好代码不是因为写得多而值钱，是因为写在了该写的地方。一个真正的老工程师，二十年积累的判断力，凝结成了七层梯子，装进了任何一个 AI 编程助手的会话里。
· · ·
📌 数据来源：GitHub Trending，2026-06-27；基准测试数据来源：Ponytail benchmarks，2026-06-18
