AI效率提升——技能篇：让你的经验沉淀为AI可调用的资产

他的学习能力不错，交给他的事务，通常很快就能拿到反馈。

然而合作几轮之后，你会察觉到一个现象：事情推进得很快，但类似的问题却总在反复出现。

症结并不在于他能力欠缺，也不在于他不够用心。

而是他还没熟悉你的工作风格、评判尺度，以及团队中默契遵循的行事逻辑。

每布置一项任务，你都得再讲一遍：先做什么、再做什么；什么情形需要核实；成果要按什么样式输出。

如果把这名实习生替换为 AI，我们当下所处的境况其实大同小异。

AI 已经能够撰写文案、处理数据、编辑文档、绘制图像。

但每回面对同类任务时，我们依然在一遍遍输入雷同的提示词，纠正类似的偏差。

症结不在于 AI 不够强，而在于我们尚未把自身的工作方式沉淀下来。

当你浏览越来越多 AI 产品的功能面板，会察觉到一个愈发高频出现的概念——Skill（技能）。

常规提示词解决的是“这一次如何做”，Skill 解决的则是“往后遇到此类任务，应当依照什么方法做”。

它让 AI 不再仅仅是一个临时应答的对话框，而是慢慢演变为一个可安装、可组合、可复用工作方法的伙伴。

用通俗的话讲，Skill 就是一份交给 AI 的“标准化作业指南”。

它一般会向 AI 说明：

为了便于理解，可以把 AI 想象为一名能力突出、刚到岗的同事：

因为它主要削减了三类重复。

其一是说明重复。你无需每次重述背景、偏好和工作要求。

其二是纠偏重复。常见失误、核查方式和质量准则，可以预先写入 Skill。

其三是流程重复。资料调取、内容梳理、格式生成和结果复核，可以依照一套固定环节推进。

并非所有工作都适合封装为 Skill。

一项任务如果同时满足以下三条标准，就很值得沉淀出来：

比如：将会议纪要整理成项目周报、审核公众号推文、提取采购订单、解析月度销售报表、依据岗位需求筛选简历，都比“帮我想一个从没见过的点子”更适合封装为 Skill。

不要去打造一个“全能 Skill”。任务越具体，越容易写明白，也越容易校验。

假设你每周都要把会议速记整理成项目纪要。你真正沉淀的经验或许是：

使用场景：当用户提供会议录音转写、聊天截屏或手写笔记，并要求生成会议纪要时启用。

输入材料：会议主题、与会人员、原始记录；若缺少会议时间，需明确标注。

处理步骤：先抽取已经确认的结论，再梳理待办事项，最后识别风险和悬而未决的问题。

输出格式：会议结论、行动项、责任人、截止日期、风险、待核实事项。

质量标准：每个行动项必须能回溯到原始记录；无明确负责人或日期时写“待核实”，不得擅自补全。

异常处理：不同发言产生冲突时，分别保留原意并标注冲突，不替参会人做选择。

这段内容的意义，不在于它写得多精妙，而在于它把你平时凭经验完成的判断，转化成了一套 AI 可以反复遵循的流程。

不同AI平台搭建 Skill 的入口和路径并不一致。下面阐述的是通用逻辑，具体操作以你使用的agent为准。

简单 Skill 的核心是“指令”。它只需告知 AI 在何种情境下启用，以及依照什么步骤完成任务。通常一份 SKILL.md 文件即可讲清楚。

复杂 Skill 除了作业流程，还可能涉及模板、参考资料或脚本。此时可以以 SKILL.md 为入口，再把其余内容分别放入 references、assets、scripts 等目录。

这背后是一种普遍的设计思路：渐进式披露（Progressive Disclosure）。

这样既能保持 Skill 结构清晰，也能降低无关内容对上下文的挤占。需留意的是，不同平台的具体加载和触发机制可能存在差异。

你不必从空白文件起步。可以先把自身的任务、环节、准则和异常情形告诉 AI，让它生成初版，再通过真实任务持续迭代。

以 WorkBuddy 一类支持技能市场和技能创建的平台为例，通常可以进入“技能”页面，点选“添加技能”或“创建技能”，然后用自然语言阐述需求。

与其只说：

帮我创建一个旅游攻略 Skill。

不如讲得更具体：

帮我创建一个家庭出游攻略 Skill。家中包含老人和小孩，需优先考虑交通便捷、步行距离、休息时段和饮食忌口。行程不宜排得过紧，每天最多安排两个主要景点；费用和营业时间需联网核实并标注查询日期；无法核实的信息不得臆测。

如果平台支持 Plan（计划）模式，先在计划模式下和AI商讨 Skill 的边界和架构，再生成文件。

创建完毕后，不要立刻投入使用。最好先自行输入问题验证一遍。

一个好用的 Skill，往往不是一次成型的，而是在真实使用中逐步打磨出来的。

市面上已经有不少成熟或可借鉴的 Skill，你不必每一个都从零制作。

可以从以下渠道发现 Skill 并安装使用：

这些渠道适合“发现”Skill，但不意味着其中每个 Skill 都通过了安全和品质核验。特别是社区上传的内容，安装前仍需自行把关。

可以重点关注六个维度：

归结为一句话：

优秀的 Skill，应当具备精准的使用场景、清晰可落地的流程、必要的品质准则、明确的权限边界，以及可校验的成果。

Skill 可以让 AI 更稳定地运转，但它并非魔法按钮，也不会自动消解模型和工具本身的局限。

Skill 规范的是工作方法，无法从根本上消除模型幻觉、错误数据和过时信息。

涉及关键数据和结论时，你仍然需要：

第三方 Skill 还可能嵌入恶意提示词、越权操作或后门脚本。涉及发送消息、公开发布、付款、删除文件、修改权限等外部动作时，应保留人工确认，并先在小范围验证。

Skill 中可能涉及数据、政策、价格、要求和规范等变动要素，这些要素变化后，即便 Skill 仍可运行，结果也可能已经失准。因此，Skill 不是一次制作、永久生效的文件，而是需要你持续维护的数字资产。

目标是否值得做、结论是否可信、表达是否恰当、作品是否有美感，仍然依赖人来判断。真正有意义的协作，不是把决策权全盘托付给 AI，而是让 AI 承担可重复的环节，把人的精力留给判断与创造。

如果你想起步，不妨从一个小任务切入：

真正的 AI 效率提升，不只是更快地敲出提示词，而是让经过验证的方法可以被反复调用。

当你的经验开始被保存、测试和复用，它就不再仅仅藏于你的脑海中，而会慢慢演变为你的数字能力资产。

最后希望这篇文章能给你带来启发，如果觉得还行，顺手点个赞、在看、转发三连吧。

关注AI数字航海公众号，交流AI提效心得，我们下期再会。