一、为什么你的 AI 助手总像个“健忘的实习生”？

你有没有遇到过这种情况：

你花了半小时，用精心设计的提示词，让 ChatGPT 或 Claude 帮你生成了一份完美的项目周报。格式清晰、重点突出、数据齐全。你很满意，保存了提示词。

一周后，你准备生成新周报。打开之前保存的提示词，复制粘贴，输入新数据……结果出来的报告，格式变了，重点偏了，甚至连你上次特别强调的“不要用术语堆砌”都忘了。

你只好重新调整提示词，再试一遍。又花了二十分钟。

这就是传统“提示词工作流”的问题：每次都是新开始，没有记忆，没有积累。

就像你每周都要给同一个实习生重复一遍同样的工作要求，而他永远记不住你的风格、你的标准、你的偏好。

但现在，这个问题有了新的解决方案——Skills（技能）。

2024 年 10 月，Anthropic（Claude 的开发公司）发布了一个功能：Agent Skills。他们用一句话概括了它的价值：

“教会 Claude 你的工作方式”

这不是一个噱头。它真正改变的，是你和 AI 协作的方式。

从“每次都要手把手教”，变成“教一次，用一辈子”。

二、用人话说，什么是 Skills？

如果只用一句话解释，Skills 就是：

把你的工作方法、专业知识和判断标准，打包成 AI 可以反复调用的“能力包”。

听起来很抽象？我们换个角度理解。

你可以把 Skills 想象成给 AI 安装的“专业模块”。就像你在手机上安装 App 一样：

  • 安装“美图秀秀”，你的手机就会美颜修图

  • 安装“支付宝”，你的手机就能扫码支付

  • 安装一个“财务分析 Skill”，你的 AI 就学会了按你公司的标准做财报分析

区别在于：这个“App”是你自己定义的。你教它一次怎么做，它就永远按这个标准做。

比如，你可以创建一个“品牌文案 Skill”，把你们公司的品牌调性、禁用词表、常用句式都写进去。之后每次让 AI 写文案，它自动按这个标准输出，不用你每次重复交代。

再比如，你可以创建一个“代码审查 Skill”，把你团队的代码规范、常见坑点、命名习惯都总结进去。之后每次让 AI 帮你 review 代码，它就像一个熟悉你们团队风格的老员工。

这就是 Skills 和传统提示词的核心区别：

提示词是一次性的指令，Skills 是可复用的能力。

提示词像是你每次都要口头描述需求；Skills 像是你把需求写成了一份“岗位说明书”，之后只要说“按那个标准来”就行。

三、为什么 Skills 比“保存提示词”更强？

你可能会想：我把好用的提示词保存到文档里，需要时复制粘贴，不也能复用吗？

表面上看，是的。但实际用起来，你会发现三个问题：

问题 1：提示词会“失效”

同样的提示词，换个场景、换个数据，输出质量就不稳定。因为提示词本质是“一次性描述”，它无法应对复杂的上下文变化。

而 Skills 可以。它可以包含判断逻辑、分支处理、多步骤流程。比如一个“客户邮件回复 Skill”可以这样设计：

  • 如果是投诉邮件 → 先道歉，再给解决方案

  • 如果是咨询邮件 → 先确认需求，再推荐方案

  • 如果是合作邮件 → 先表达兴趣，再约时间详谈

这种“根据情况自动调整”的能力，单纯的提示词很难做到。

问题 2：提示词无法“组合”

假设你有 5 个好用的提示词，分别用于数据清洗、图表生成、趋势分析、报告撰写、格式排版。

当你需要完成一个完整的分析报告时，你得手动把这 5 个提示词依次喂给 AI，中间还要自己衔接上下文。

而 Skills 可以互相调用。你可以创建一个“分析报告 Skill”，让它自动依次调用其他 5 个 Skills，一气呵成完成整个工作流。

AI 会在需要时自动激活相应的能力，你只需要说“帮我做个本月销售分析报告”，剩下的它自己搞定。

问题 3：提示词难以“积累”和“分享”

你辛苦总结的提示词，保存在自己电脑里，只有你能用。新同事想用，你得把文档发给他，他还得自己理解、调整、试错。

而 Skills 是标准化的能力包。一个团队可以共享同一套 Skills：

  • 市场部用“品牌文案 Skill”

  • 财务部用“财报分析 Skill”

  • 技术部用“代码审查 Skill”

新人入职第一天，就能用上团队沉淀的专业能力。不需要老员工手把手教，不需要重复造轮子。

这才是真正的“组织知识沉淀”。

四、真实场景：Skills 能帮你做什么？

说了这么多理论，我们来看三个具体的使用场景。

场景 1：管理会计的“一小时革命”

张三是一位管理会计。他的日常工作是这样的：

每月月底，他要处理十几个 Excel 表格，对比预算和实际支出，找出异常数据，生成一份管理报告。这个流程固定，但细节繁琐：哪些科目需要重点关注？异常阈值是多少？报告格式有什么要求？

以前，这套流程要花他一整天。

后来，他创建了一个“管理会计报告 Skill”，把这些规则都写进去：

  • 哪些科目属于“关键监控项”

  • 异常波动超过多少百分比需要标注

  • 报告的固定格式和段落结构

  • 常见的解释口径和判断依据

现在，他每月只需要把新数据上传，告诉 AI“按管理会计报告 Skill 生成本月报告”，一个小时就能完成。

而且，输出的报告质量稳定，格式统一，领导看着舒服，他自己也省心。

这就是使用技能的方式：先做一遍，总结规律，再抽象成可复用的方法。

张三第一次做报告，是具体的、琐碎的。但他没有停留在“重复劳动”阶段，而是把这个过程中的判断标准、处理逻辑、格式要求，提炼成了一个 Skill。

从此，每次做报告，都是在“调用”这个 Skill，而不是“重新发明”一遍流程。

场景 2：技术团队的“代码规范守护者”

一个 10 人的开发团队，每个人代码风格不同。有人喜欢长变量名，有人喜欢缩写；有人喜欢写详细注释，有人觉得“代码即文档”。

团队 leader 想统一代码规范，但人工 review 太耗时，而且标准很难量化。

他们创建了一个“代码审查 Skill”，把团队约定的规范写进去：

  • 变量命名规则（驼峰命名，禁用单字母变量）

  • 注释要求（每个函数必须有功能说明）

  • 常见的性能坑点（避免循环内调用接口）

  • 团队的技术栈偏好（优先用 TypeScript 而非 JavaScript）

之后，每次有人提交代码，AI 自动用这个 Skill 做初审，标注出不符合规范的地方。

人工 review 的时间省了一半，团队的代码质量也更稳定了。

这个案例展示了使用技能的另一个思路：从个别案例中，归纳出通用规则。

刚开始，可能只是 leader 在 review 时发现了几次“循环内调用接口”的问题。他总结一次，记录一次，慢慢地，这些个案就变成了“团队级的代码规范 Skill”。

场景 3：个人知识管理的“笔记系统”

很多人用 AI 帮忙做笔记，但遇到的问题是：AI 做的笔记总是“它觉得重要的”，而不是“你觉得重要的”。

有个用户创建了一个“个人笔记 Skill”，定义了他自己的笔记风格：

  • 用 Cornell 笔记法的格式（左侧关键词，右侧内容，底部总结）

  • 重点关注“可执行的行动项”和“值得深入的问题”

  • 尽量用自己的话转述，而不是照搬原文

  • 每条笔记末尾加一句“这对我意味着什么”

之后，无论是看文章、听播客、还是开会，他都让 AI 按这个 Skill 生成笔记。

笔记风格统一，查找方便，重读时也能快速唤起当时的思考脉络。

这个例子体现了使用技能的第三个层次：把个人经验，固化成可迁移的方法。

这个用户第一次尝试用 Cornell 笔记法时，可能是手写的，摸索的。但他没有停留在“每次现场发挥”，而是把这套方法抽象出来，变成了一个可以自动执行的 Skill。

五、为什么 Skills 能做到这些？

讲到这里，你可能会好奇：Skills 到底是怎么实现的？为什么它比提示词更“聪明”？

从技术角度看，Skills 本质上是一种结构化的能力封装。

传统提示词，是一段自然语言描述。AI 每次都要重新理解你的意图，推测你的标准，猜测你的偏好。这个过程充满不确定性。

而 Skills，是把这些“意图、标准、偏好”明确写成了规则。AI 不需要猜，直接按规则执行。

更重要的是，Skills 可以包含多步骤的工作流。

比如一个“竞品分析 Skill”可以这样设计：

  1. 第一步：收集竞品的公开信息（网站、社交媒体、新闻报道）

  2. 第二步：提取关键数据（产品功能、定价策略、用户评价）

  3. 第三步：对比自己产品的优劣势

  4. 第四步：生成结构化的分析报告

AI 会依次执行这四步，每一步都调用相应的判断逻辑。你不需要手动衔接，不需要反复提醒，它自己就知道“下一步该干什么”。

这种能力，单靠提示词很难做到。因为提示词是“一次性指令”，而 Skills 是“可编排的流程”。

从更深的层面看，Skills 代表了一种新的人机协作模式：

从“你说，AI 做”到“你教，AI 学”。

以前，我们把 AI 当工具用。每次使用，都要重新描述需求、解释背景、调整输出。

现在，我们开始把 AI 当“可培养的助手”用。你教它一次你的工作方式，它就能在未来的每次任务中，自动应用这套方法。

这不是技术的炫技，而是工作方式的升级。

六、Skills 的边界：它不是万能的

说了这么多 Skills 的好处，我们也要清醒地看到它的局限。

局限 1：创建 Skills 本身需要时间

Skills 不是魔法。你需要花时间总结自己的工作方法，明确判断标准，写清楚执行逻辑。

对于只用一两次的任务，创建 Skill 可能不划算。直接用提示词更快。

Skills 的价值，体现在重复性、标准化的工作上。

如果一个任务你每周都要做，或者团队里很多人都要做，那创建 Skill 就值得。前期投入的时间，会在后续的使用中成倍回收。

局限 2：Skills 依赖你的专业判断

AI 再聪明，也只是执行你定义的规则。如果你的规则本身有问题，Skills 只会“稳定地输出错误结果”。

比如，你创建了一个“客户邮件回复 Skill”，但规则写得太生硬，每次回复都像机器人。这不是 AI 的问题，而是你的规则设计问题。

所以，创建 Skills 的过程，其实是倒逼你梳理自己的工作方法。

这个过程本身就有价值。它让你反思：

  • 我到底是怎么做判断的？

  • 哪些标准是固定的，哪些需要灵活调整？

  • 我的工作流程中，哪些是核心步骤，哪些是冗余环节？

这种思考，就是使用技能的核心：从具体经验中，提炼出可迁移的规律。

局限 3：Skills 无法替代“创造性判断”

Skills 擅长处理“有标准答案”的工作：格式化报告、代码审查、数据清洗、流程执行。

但对于需要创造性、需要临场判断、需要综合权衡的工作，Skills 的帮助有限。

比如，你可以创建一个“品牌文案 Skill”，让 AI 按你的品牌调性写文案。但“这条文案是否真的打动人心”，还是需要你自己判断。

再比如，你可以创建一个“项目风险评估 Skill”，让 AI 按固定框架分析风险。但“这个项目到底该不该做”，还是需要你综合各种软性因素做决策。

所以，Skills 的定位，不是“替代你思考”，而是“解放你的重复劳动，让你有更多时间做真正需要判断的工作”。

七、技能时代意味着什么？

聊了这么多，我们回到最开始的问题：为什么 Skills 值得你花时间学习和使用？

因为它代表了一种新的能力积累方式。

以前，我们积累能力，靠的是“经验”和“肌肉记忆”。你做得越多，越熟练，越快。但这种能力很难转移：你的经验，别人用不了；你离职了，公司的损失很大。

现在，我们可以把能力“外化”成 Skills。你的工作方法、判断标准、专业知识，可以沉淀下来，可以复用，可以分享，可以迭代。

对个人来说，这意味着：你的价值不再只是“我能做”，而是“我能教会 AI 怎么做”。

你从一个“执行者”，变成了一个“方法设计者”。

对团队来说，这意味着：组织的知识可以真正沉淀下来。

新人不用花三个月摸索，老员工离职不会带走关键经验。团队的专业能力，可以像代码库一样，不断迭代、不断积累。

对整个行业来说，这意味着：专业能力的门槛在降低，但对“好的方法”的需求在提高。

以前，做一份好报告，需要你有丰富的经验。现在，只要有人把“做好报告的方法”写成了 Skill，新人也能做出专业级的输出。

但这不意味着“专业经验不重要了”。恰恰相反，能够总结出“好方法”的人，价值反而更高了。

因为别人可以用你的 Skill，但只有你知道“为什么要这样做”、“什么情况下例外”、“如何持续改进”。

这就是使用技能的最高层次：不仅自己能做，还能把方法抽象出来，教给别人（或 AI），让这个方法产生更大的价值。

八、你可以从哪里开始？

如果你想开始使用 Skills，可以从这三个方向入手：

1. 从重复性工作开始

找出你每周都要做的、流程相对固定的工作。可能是周报、数据分析、邮件回复、代码审查……

试着把这个工作的“标准流程”写下来，然后创建一个 Skill。

第一个 Skill 不用完美。先能用，再优化。

2. 使用现成的 Skills

如果你不想从零开始，可以去 Skills 社区（如 ClawHub、SkillsMP）找现成的 Skills。

很多人已经分享了他们的工作流：财务分析、PPT 制作、代码生成、文档整理……

先用起来，再根据自己的需求调整。这也是一种学习：看看别人是怎么设计 Skills 的。

3. 在团队内推广

如果你是团队 leader，可以组织一次“Skills 工作坊”：

  • 让每个人分享一个“自己觉得有价值的工作流”

  • 一起讨论“哪些环节可以标准化”

  • 共同创建团队级的 Skills

这个过程本身，就是一次很好的知识管理实践。

结语：从“用 AI”到“教 AI”

很多人把 AI 当成“更快的搜索引擎”或“更强的写作工具”。

但 Skills 的出现，让我们看到了另一种可能：

AI 不仅可以帮你做事，还可以“学会”你的做事方式。

这个转变，听起来很小，但意义很大。

因为它意味着：你和 AI 的关系，从“一次性的对话”，变成了“持续的协作”。

你教它一次，它记住。下次再用，它已经懂了。

这种感觉，就像你终于有了一个“记性好、学得快、不抱怨”的助手。

而你要做的，就是把你的专业经验、工作方法、判断标准，一点点教给它。

从今天开始，试着问自己一个问题：

“我今天做的这个工作，有没有可能变成一个 Skill？”

如果答案是“有”，那就花十分钟，把它记录下来。

也许某一天，你会发现：你的工作方式，已经变成了一套可以复用、可以分享、可以持续迭代的“能力库”。

那时候，你就不只是一个“会用 AI 的人”，而是一个“会教 AI 的人”。

这，才是 AI 时代真正值钱的能力。

参考资源：

  • Anthropic Agent Skills 官方文档：https://claude.com/skills

  • OpenClaw 技能仓库：https://clawhub.ai

  • Skills 社区：https://skillsmp.com

推荐行动：

  • 找出一个你每周都要做的重复性工作，试着创建你的第一个 Skill

  • 加入 Skills 社区，看看其他人都在用什么工作流

  • 如果你是团队 leader，组织一次“知识沉淀工作坊”，把团队经验变成 Skills