Skill——提示词的系统化封装

你跟 AI 的每一次对话，都是在临时培训一个新员工——教会了，下次又得重来。Skill 就是把"培训手册"固定下来，让 AI 每次上岗都知道按你的方法来。它不只是省时间，更关键的是它的结构会逼你把"说不清楚的要求"一条条补齐。这篇讲清楚 Skill 是什么、为什么它比 Prompt 多了一层价值，以及怎么开始拥有自己的 Skill。

你每周要写周报，每次都让 AI 总结润色。

AI 写出来可能是陈词滥调"持续推进""深度赋能""形成闭环"。你反复改了几周，AI 终于懂你风格了——量化放前面、不说套话、问题要写原因。

但这个默契只在当前对话有效。下周新开对话，一切归零。

你用 AI 准备面试，去市场找了一个"分析 JD"的高分 Skill。用完之后发现，它面向的是应届生——分析维度是"公司知名度""岗位匹配度"，但一个资深产品经理关心的明明是"这个团队对 AI 的理解到什么程度""我进去能做什么""业务线是核心还是边缘"。

不是 Skill 不好，是它基于别人的方法。你得改。

这两件事指向同一个问题：你跟 AI 之间有个隐形成本，每次对话都在重复交学费。

一、Prompt 做不到的事

Prompt 是一条指令。你说"帮我润色周报"，AI 根据这一刻的上下文做出回应。但下一轮对话、下一个人用，又回到默认状态。

Skill 不是一条更长的 Prompt。它是把"做事的方法"打包成一个容器。这个容器里装着：

• 步骤：先做什么，再做什么
• 规则：什么能做，什么不能做
• 格式：输出长什么样
• 工具：需要调用什么能力
• 参考：你的风格样本、过往案例

拿周报来说。Prompt 告诉 AI："帮我写周报。"

Skill 告诉 AI：

"根据我的工作记录生成周报。步骤：先提炼本周关键词，再列量化成果，最后写问题和改进方向。规则：不要用'赋能''闭环'这类词，每点必须有数据支撑。格式：关键产出 → 问题与原因 → 下周计划。参考：以下是我最近三周的周报。"

Prompt 是"做这件事"，Skill 是"用我的方法做这件事"。前者每次都在碰运气，后者把你的工作方法固定下来反复使用。

二、Skill 到底解决了什么——那个"哦！"的时刻

你可能觉得：不就是把要求写详细点吗？

省时间这部分确实是这样——不用每次从零描述需求，调出来直接用。但这只是表面。

我想说的是另一层价值。

回想你第一次让 AI 写周报。你知道它写出来的东西不对，但你能一次性说清楚"哪里不对、要怎么改"吗？大部分人是边看输出、边反馈、边意识到——哦，原来我不想要这个。

这里有一个矛盾：要做出一个好 Skill，你需要知道自己要什么——但如果你已经知道，你其实不需要 Skill。

Skill 的结构恰好帮你绕过了这个矛盾。步骤、规则、格式、参考——每一个组件都在逼你思考：我的方法到底是怎么做的？你不需要一开始就想明白所有要求，填表的过程会帮你想清楚。

继续说回面试的例子。你下载了那个应届生版的 JD 分析 Skill，用了觉得不对味。这时候你开始改：删掉"团队规模"改成"业务阶段"，把"薪资区间"改成"岗位影响力空间"，加了一条规则"评估这个岗位在组织架构中的位置"。你改的不是几个字段——是把别人的方法论变成你自己的方法论。

在你动手改 Skill 的那一刻，你才真正开始理解你自己是怎么做这件事的。

三、Skill 长什么样

不管什么平台（Claude Code、ChatGPT GPTs、Coze），一个 Skill 大体都长这样：

每个组件解决一个问题。少了一个，AI 就会在那个维度放飞自我。

四、怎么开始拥有自己的 Skill

不管你用哪个平台，路径都一样。

路径一：拿来改。去市场找一个评分高的、跟你的需求接近的 Skill，试跑一次。然后逐项调整——步骤不对改步骤，格式不合改格式。用他人的框架，装自己的方法。

路径二：对话中沉淀。你其实已经在做了。每次给 AI 反馈、纠正、补充要求，就是在提炼你的 Skill。等感觉差不多稳定了，让 AI 帮你把这对话里的规则、步骤、格式整理出来，打包成一个 Skill。

两种路径不冲突。先拿来改，改到不满意再从头打磨。最终你会拥有一个真正属于你自己的做事方法库。

五、总结

• Prompt 是一条指令，Skill 是一个方法论容器
• Skill 的表层价值是省时间，深层价值是帮你把说不清楚的要求结构化
• 一个好 Skill 的结构：任务 + 步骤 + 规则 + 格式 + 参考
• 好 Skill 是改出来的、聊出来的，不是一次性写出来的