你的 AI 寫出一段爛 GSAP 程式碼,第一直覺通常是怪它笨。其實它一點都不笨。它只是活在一個 GSAP 還要收錢的過去,而那個世界已經不存在了。

這個區別很重要,因為它決定了你該怎麼修。如果問題是「模型太笨」,那你只能等下一代更強的模型。但如果問題是「它知道的事情過時了」,那解法便宜又直接——把現在正確的事實,遞到它面前就好。GreenSock 官方這個月放出的 gsap-skills,做的就是後者。

先看 AI 到底錯在哪

叫 Claude Code 或 Cursor 幫你寫個捲動動畫,你很可能會收到這幾種「自信的錯誤」:它叫你先去買 Club GSAP 會員才能用 SplitText;它生一個帶著舊 GreenSock auth token 的 .npmrc,指向一個你根本不需要的私有 registry;它直接動畫 widthtopleft 這種一改就觸發 layout reflow 的屬性,動起來卡到你懷疑人生;在 React 裡它用裸 useEffect 硬包 GSAP,忘了 cleanup,記憶體就這樣慢慢洩出去;ScrollTrigger 忘記 registerPlugin(),或是把 markers: true 留到 production,上線後畫面浮一排綠色標記給全世界看。

每一個都是會讓 code review 退件的坑。但你仔細看會發現,這些錯有個共同點:它們在「那個年代」全都是對的。

為什麼再聰明的模型也救不了

GSAP 這兩年發生一件大事:Webflow 收購了 GreenSock,然後 GSAP 變成 100% 免費——連以前要付費會員才能碰的 SplitText、MorphSVG,現在都直接躺在公開的 gsap npm 套件裡。付費牆整個拆了。

問題是,模型的訓練資料停在拆牆之前。它腦海裡的 GSAP,還是那個外掛要錢、要 token、要私有 registry 的舊版本。

這裡藏著一個很多人沒想通的點:這種錯,不是「推理能力」的問題。你給一個再聰明的人一本十年前的旅遊書,叫他規劃行程,他口才再好、邏輯再縝密,還是會很有自信地帶你去一家三年前就倒了的餐廳。不是他笨,是他手上那份資料爛了。模型也一樣。餵它過時的事實,它會用一模一樣的流暢語氣,把錯的東西講得頭頭是道。

所以「等更強的模型」這條路,對這類問題幾乎無效。GPT 升幾代、Claude 換幾版,只要它的世界觀裡 GSAP 還要收費,它就照樣叫你掏錢。

gsap-skills 怎麼補這個洞

它的做法不是讓 AI 變聰明,是把「現在正確的事實」打包好塞給它。

機制其實樸素到有點反高潮。一個 skill 就是一個資料夾,裡面一個 SKILL.md:開頭用 YAML 標好名字、描述和觸發關鍵字,正文寫教學。當你的提問命中關鍵字(像「scroll animation」「useGSAP」),AI 才把對應那份正文載進來,拿到正確 API、推薦寫法,還有一條條「不要這樣寫」的反例。沒命中就不載入,不會白白佔掉 context。

它走的是 agentskills.io 的開放格式,所以同一份知識能跨很多 agent 用,官方說支援 40+ 種——Claude Code、Cursor、Codex、Windsurf、GitHub Copilot、Google Antigravity 都在內。裝法最通用的是一行 npx skills add https://github.com/greensock/gsap-skills,會自動偵測你的 agent;Claude Code 用戶也可以直接 /plugin marketplace add greensock/gsap-skills。Copilot 比較特別,它不吃 skill 檔,得把 repo 裡的 copilot-instructions.md 複製到專案的 .github/

裡面是 8 個模組,按 GSAP 的領域切:核心 API、timeline 時序、ScrollTrigger 捲動、外掛、utils 工具函式、React 整合、效能、其他框架。每個都寫死了該怎麼做。比如要隱藏元素用 autoAlpha(會順手設 visibility: hidden),不要只設 opacity;動位移用 x / y / scale 這些 transform 別名,別去動畫原始字串;React 裡一律走官方 useGSAP() 並帶 scope,自動 cleanup、SSR 不會炸;假水平捲動的 tween 一定 ease: "none"scrubtoggleActions 二擇一。最關鍵的一條被特別標起來:所有外掛都免費了,AI 再敢叫你設 license key 或買會員,那就是它在用過期資訊唬你。

要冷靜看的是,這東西是指導層,不是執行期會跑的套件。它只改變 AI 給你的「建議」,最終 code 還是得寫出來、測過。它能把正確率拉高一大截,但不保證零錯。授權是 MIT,官方把安全風險標成 LOW——畢竟動畫函式庫的攻擊面本來就小。

真正值得記的不是這個工具

把這件事拆開,AI 給你爛建議,背後其實是兩條獨立的線:一條是它夠不夠聰明(推理能力),另一條是它知不知道現在的世界長什麼樣(事實新鮮度)。

整個產業的注意力幾乎全壓在第一條線上——誰家 benchmark 又高了幾分,誰的 SWE-bench 破了多少。但你日常踩到的坑,有一大半其實出在第二條線。模型的權重凍結在某個時間點,而你用的工具、函式庫、API、定價,每天都在往前跑。這條時間差,再強的推理也跨不過去。

gsap-skills 真正示範的,是一個更便宜的解法:與其苦等更聰明的模型,不如把對的事實餵到它面前。知識的價值,正從「藏在模型權重裡」慢慢挪到「能不能在它動手那一刻,被準確地遞上去」。下次 AI 又一臉認真地給你錯答案,先別急著罵它笨——先想想,是不是它手上那本旅遊書,又過期了。


原文來源:gsap-skills repoGSAP 官網Agent Skills 規格