AI Skill不是提示词，而是可复用的任务方法包
假如我交给AI一批EBSD数据。
我期望它首先核对文件，
随后依据统一参数绘制图像并生成统计表格，
最终将异常数据单独标注。
为了避免它随意发挥，
我还需要附加一连串约束：
不得擅自修改晶粒重构参数，
不得将质量差异的数据直接对比，
更不能仅凭一张伪彩图就擅自总结出一套变形机制。
这一次，它理解了。
但下次换一个新对话、换一组数据，
我很可能还要将这些要求重新描述一遍。
这种感觉，就像课题组每接收一位新成员，
我都得从文件命名规范开始，
再讲一遍后处理流程。
能否将这套反复使用的流程固化保存，
让AI碰到类似任务时直接调用执行？
这正是AI Skill要解决的核心问题。
大多数人与AI的初次交互，都是从提示词开始的。
"帮我概括这篇文献。"
"帮我解析这组EBSD数据。"
"帮我审视这段Results章节的逻辑。"
提示词如同一份临时工单，
告知AI本次需要完成什么。
任务简单时，这已足够。
然而科研任务通常包含多个步骤。
"解析EBSD数据"背后，可能蕴含着一整套隐性规则：
数据从哪个路径读取？
哪些参数允许调整？
需要输出哪些图表？
不同样品如何保持一致性？
何种情况必须中断处理并通知研究者？
这些内容当然可以全部写入一条冗长的提示词。
但反复复制、修改、补充后，
Skill采用了不同的思路。
它将相对固定的流程单独存储，
让AI在遇到匹配任务时自动调用。
我的理解是：
提示词指定当前任务，Skill封存处理这类任务的标准流程。
Skill英文原意是"技能"。
但它并非重新训练模型，
也不会让一个缺乏EBSD知识的模型突然具备材料学博士的判断力。
更精确地描述，
Skill是一套供AI调用的方法集合。
它将完成某类任务所需的指引、素材和工具打包，
让AI明确何时调用、按何种次序执行、以及如何判定完成。
Skill存储的不是模型参数，
而是模型执行任务时可查阅的外部资源。
因此，我们可以更新它、扩展它，
也可以在兼容相同标准的AI系统间共享使用。
不同产品对Skill的文件格式、调用机制和权限管理存在差异。
本文阐述的是它们共同的运行原理，
而非某个特定软件的固定操作方式。
以常见的Agent Skills架构为例，
一个Skill通常对应一个独立目录。
最简版本仅需一个核心说明文件。
任务复杂度提升后，才会逐步加入参考资料、模板和脚本。
一套EBSD Skill可能包含以下结构：
SKILL.md作为入口文件。
它首先声明Skill的名称和功能定位，
相当于贴在档案盒外部的标识：
"我是谁，我能处理什么任务，何种情况下适用。"
随后才是AI必须遵循的操作指引。
以EBSD为例，一份精简后的SKILL.md可参考以下写法：
references/目录存放详细规范，
例如数据质量核查方法、文件命名规则、哪些数据可以合并对比。
templates/和examples/告知AI输出结果的格式规范。
一份标准化的模板，
远比"请生成一份专业报告"这类模糊指令可靠。
scripts/目录存放实际执行计算的程序。
Python可完成文件检查、数据整理，
MTEX可实现晶粒重构、统计分析及可视化。
Skill指导AI何时调用哪个脚本，
脚本负责输出可验证的计算结果。
若当前环境缺少MTEX，
或AI无执行程序的权限，
仅靠一份Skill说明也无法凭空完成计算。
因此，一个可用的Skill至少需清晰阐述用途和步骤。
参考资料、模板、示例和脚本，
则依据任务需求选择性添加。
文件数量多并不代表Skill更优秀。
能用一页文档说明白的事，无需构建复杂的文件体系。
它的执行流程，可分解为五个环节。
第一环节，AI首先识别Skill的标识。
系统将可用Skill的名称和功能概述提供给AI。
此时通常仅传递基础信息，
不会初始就将全部说明一次性加载。
第二环节，Skill被激活调用。
用户可直接指定：
"用EBSD分析Skill处理这个目录。"
AI也可依据任务描述和功能定位进行匹配，
自动定位适用的Skill。
是否允许自动调用，取决于具体产品设置和用户权限。
第三环节，AI读取SKILL.md内容。
此时才获取完整SOP，
确认输入要求、执行步骤、输出格式和中止条件。
若必要信息不完整，
此环节应先进行询问或报错，而非盲目猜测推进。
第四环节，按需查阅资料或调用工具。
执行到质量检查阶段，AI查阅对应规范；
需要计算时，调用相应脚本；
撰写报告时，读取模板和示例。
这种"按需加载"的方式，
通常称为渐进式加载。
第五环节，核查并输出。
AI依据Skill中的验收标准，
确认文件是否完整、脚本是否报错、异常是否被记录，
最终按指定格式交付结果。
若遇到边界情况，
正确的做法可能是暂停执行，
将缺失信息和失败原因反馈给研究者。
整体流程并不复杂：
先匹配任务，再读取流程，
接着调用资料与工具，最后核查交付。
AI无需预先记忆所有SOP。
它只需在接收任务时，
明白应查阅哪份文档、按哪套流程执行。
这三个概念常被同时提及，
也最容易产生混淆。
Skill并非Agent的别称。
它更像是Agent可调用的一种方法集合。
一个Agent可先调用文件整理Skill，
再调用EBSD后处理Skill，
最终用报告Skill汇总输出。
反之，Skill也不一定必须由Agent自动选择。
许多系统支持用户直接指定调用，
相当于告知AI："本次按这份SOP执行。"
我原本以为，
创建Skill是教会AI做事。
真正梳理流程后才发现，
被审视的反而是自己。
我为何先查看这张图？
为何这个参数不可改动？
何种情况下，
一组数据暂时无法对比？
哪些判断源于程序，
哪些只是阶段性的推测？
若这些问题无法清晰回答，
那份所谓的Skill恐怕也只是几句空洞的愿望。
AI可协助执行一套流程。
但在此之前，
我必须先明确自己究竟是如何完成这项工作的。
当前AI已演变为一种新兴生产力，
将自身方法论进行提炼升华，
也是自我迭代和进化的过程。
关于AI大家有何见解，
欢迎在评论区交流探讨。