去朋友公司讲了一次AI培训，我把讲稿整理出来了

起因很简单——她公司推AI推了大半年，结果就是推不动。大家知道AI好，但真到用的时候，不知道怎么写提示词，写出来的提示词低效，要反复好几轮还达不到效果。更头疼的是，AI执行过程中出了问题，不会看执行日志，AI就一直在原地打转，越聊越偏。

所以他拉我去，让我帮忙解决这个"会用但用不好"的问题。

我准备了6个小时的内容，核心就讲一件事：怎么用"Skill"把AI真正用起来。

讲完之后效果不错，朋友说"你把讲稿发我，我要让全公司都看看"。我想了想，干脆整理成文章，分享给更多人。

以下是这场培训的核心内容。

一、从AI到Agent再到Skill：为什么需要"技能包"

ChatGPT爆火以来，"AI"这个词已经不需要解释了。但AI的本质是什么？一个特别能聊的"通用大脑"。它什么都能说两句，理解力强、知识面广，但你让它干一件具体的、重复的、有标准的事——它经常让你失望。

后来业界想了个办法：给AI加上工具和记忆，让它能执行动作，而不只是生成文字。这就是"智能体（Agent）"。

智能体 = AI大脑 + 工具（发邮件、读文件、搜网页）+ 记忆（记住你是谁、之前聊了什么）

Agent的核心价值：从"建议"变成"执行"。

但Agent有个大问题。

场景一：每次都要重新"教"它。 周一花20分钟告诉它"我们公司的周报要按这个格式写"，周二新对话它又忘了，换了个同事用还得从零开始。

场景二：做同样的事，每次结果不一样。 都是"总结这篇文章"，有时写得太长，有时漏了重点，有时格式完全不对。你想要的是稳定、可预期的输出，但它每次都在"自由发挥"。

场景三：一个人调好的Agent，别人没法复用。 你好不容易调教好了，同事说"我也想要"，但所有经验都散落在聊天记录里，没法直接给。

总结：Agent很强，但缺了"标准化"和"可复用性"。

这就是Skill要解决的问题。

Skill是AI智能体可插拔、可复用的能力模块。它定义了"遇到某类任务时，智能体该怎么做"。

打个比方：Skill = 智能体的"标准作业流程"。 你写好一份标准操作流程，智能体每次照着做，做得又快又稳。

一个最简单的Skill长什么样？

# 天气查询 Skill触发条件：用户问天气、温度、出门建议执行步骤：  1. 识别用户提到的城市和日期  2. 调用天气 API 获取数据  3. 用自然语言回复输出要求：温度 + 天气状况 + 一句话建议，不超过 3 行

就这么简单——定义"什么时候触发""怎么做""输出什么"，一个Skill就完成了。

AI让机器变聪明，Agent让机器能干活，Skill让机器干得好、干得稳、大家都能用。

二、Skill的四个深层价值

价值一：把"个人经验"变成"组织资产"

每个公司都有这样的"隐形专家"：老王写了10年标书，脑子里有一套门道，但他没法教别人，因为他说不清楚自己是怎么想的；小李做客户方案特别快，别人问怎么做的，她说"凭感觉"；领导改报告有固定偏好，但从没写下来过，新人每次都被打回来。

这些经验是真实存在的，但它"只活在人脑子里"——我们叫它"隐性知识"。

Skill做的事：把隐性知识显性化、固化、可传递。

以前：老王的经验 → 老王离职 → 经验消失。 现在：老王的门道 → 写成Skill → 任何人都能用 → 老王离职了，能力留下了。

这不是"降本"，这是"复制专家"。

价值二：把"来回改"变成"一次对"

回忆一下平时用ChatGPT的体验：

第一轮："帮我写个项目方案" → 方向偏了。 第二轮："不对，我是做To B的" → 改了，但太长了。 第三轮："缩短一点，重点突出技术优势" → 格式不是你要的。 第四轮："用表格对比竞品，加一页预算" → 数据是编的。 第五轮："数据用我给你的这个……" → 终于能用了。

五轮对话，20分钟。问题不在AI不聪明，问题在于你每次都要重新教它你是谁、你要什么、你的标准是什么。

Skill把你"每次都要重复说的话"固化下来。写一次，以后只需要说"帮我写个XX项目的方案"，一轮搞定，方向对、格式对、数据不编。

当AI从"个人玩具"变成"团队工具"，"每次重新教"的成本会指数级放大：100个人每天浪费在"教AI"上的时间，每月可能高达1000小时。

Skill不是让一次对话更快，而是让一万次对话都不需要重头来。

价值三：让"不会写Prompt的人"也能用好AI

现在AI的使用门槛是"写Prompt的能力"。会写的人觉得AI是神器，不会写的人觉得它就是个不好用的搜索引擎。

Skill把门槛从"会写Prompt"降到了"会说话"。

没有Skill，你得写一大段详细的Prompt才能让AI做竞品分析。有Skill，你只需要说"分析一下这份竞品报告"，Skill自动知道该怎么做、输出什么格式。

Skill的本质：把"专家级Prompt"封装成"一句话指令"。就像智能手机——你不需要懂代码，点一下图标就能用。Skill就是AI世界的"App"。

价值四：构建"越用越强"的能力飞轮

这是Skill最有想象力的价值——它是可以进化的。

机制一：用一次，优化一次。 Skill不是写完就完事了。每次使用都是一次"体检"——AI哪里出错了、输出哪里不对、用户总是忘提供什么信息，把这些修正补进Skill里。一个Skill经过5-10次真实使用后的优化，质量远超你第一次闭门造车写出来的版本。

机制二：跨人复用。 A部门写了一个"客户分析Skill"很好用，B部门看到了改改就能用，C公司在此基础上改进再分享出来。一个人能想到的场景是有限的，十个人、三个部门轮番用，盲区会被一个一个填上。

机制三：沉淀成组织能力。 核心能力从"存在老员工脑子里"变成"固化在Skill里"。老员工离职，Skill留下；新人进来，直接站在前人肩膀上。组织能力持续累积，只增不减。

飞轮的本质：让AI使用经验的积累，从"线性增长"变成"指数增长"。最终，你们的Skill库会变成公司最有竞争力的资产之一。

三、Skill到底怎么运转——从触发到交付的完整链路

一个Skill从"被激活"到"交付结果"，一共四个环节：

第一步：触发——"什么时候该用"

这个机制叫"渐进式披露"：AI启动时不会加载所有Skill的完整内容，只加载名字和描述，需要用某个Skill时才读取完整操作手册。这意味着你可以装几十个Skill，不用担心AI被信息淹没。

这里有个核心设计原则：描述写得越精准，AI就越不容易搞错。

❌ "辅助办公"——太模糊，AI不知道你要写周报还是做PPT。

 ✅ "当用户说'写周报''生成工作汇报'时使用，输出Word格式，包含完成项/计划项/风险项"——精准命中。

第二步：理解——"用户到底要什么"

Skill被激活后，AI读取完整操作手册，然后识别关键信息——时间范围、涉及哪些工作、有没有特殊要求。Skill里还会写一些判断规则，比如"如果用户没提供工作项则主动追问"、"如果描述太笼统则引导细化"。

第三步：执行——"按流程干活"

执行分两种模式：

• 流程型（适合有标准流程的任务）：严格按步骤走，像写周报、生成报告，每一步做什么都有明确规定。
• 原则型（适合需要创造力的任务）：只给方向和约束，像写文案、做方案，具体怎么写由AI自己发挥。

关键原则：不要把两种模式混在一个Skill里。 如果既要求严格按步骤操作，又要求自由发挥创意，AI就会混乱。拆成两个Skill。

执行过程中AI还可能调用工具——查数据、生成图表、发送邮件。

Skill不替代工具，Skill指挥工具。

第四步：输出——"按标准交付"

按Skill里定义的格式、结构、风格、长度交付结果。没有输出标准的AI输出，就像没有尺子的裁缝——剪出来的衣服每次都不一样。

四步串起来：用户说"帮我写周报" → AI识别匹配Skill → 读取操作手册理解需求 → 按步骤执行 → 按标准交付。整个过程你只需要说一句话。

四、Skill的标准结构

一个标准的Skill通常包含这些部分：

my-skill/├── SKILL.md        ← 核心文件（必须）├── scripts/        ← 脚本文件（可选）├── references/     ← 参考资料（可选）└── assets/         ← 模板和素材（可选）

核心就是SKILL.md——一个纯文本文件，用日常语言写成，不需要写代码，会写文档就会写Skill。

SKILL.md里包含什么？对应上面四个环节：

• 元数据：名称+描述，告诉AI"我是谁、什么时候该用我"
• 输入说明：需要用户提供什么
• 执行步骤：一步一步怎么做
• 输出标准：交付什么格式、什么结构
• 约束和注意事项：什么不能做

培训现场我演示了两个Skill的完整创建过程。

一个是周报生成Skill： 询问本周完成的工作 → 追问可量化的结果 → 按公司模板生成文档 → 检查完整性。从零到能用，5分钟。

另一个是Excel合并操作Skill： 把多个格式相同的Excel文件合并成一个。这个在财务、运营团队特别常见，每个月都要手工复制粘贴，用Skill自动化之后一句话就搞定。现场演示的时候，好几个人说"我每个月都在干这个，太痛苦了"。

这两个Skill都不是什么高深的东西，但它们解决的都是真实的、反复出现的痛点。

五、多技能编排——让多个Skill协同作战

现实工作中，一件事往往不是一个Skill能搞定的。比如"发一份客户周报"，可能需要数据汇总Skill + 竞品监控Skill + 周报生成Skill + 消息推送Skill，四个环节一环扣一环。

怎么把它们串起来？三种编排方法：

流程化（先做A，再做B，最后做C）：适合每次步骤固定的任务，像每周发周报、每月做报表。每一步的输入就是上一步的输出，数据要能"流"过去。

模块化（用到哪个调哪个）：适合每次需要的组件不同的任务，像做方案。把不同能力拆成独立模块，按需组合，今天要A+C，明天要B+C+D。

条件判断（如果A就做X，否则做Y）：适合不同情况要走不同路线的任务。比如用户提供了数据就直接生成报告，没提供就先追问；报告给老板看用详细版，给客户看用精简版。

实际工作中三种通常是组合使用的：流程化搭骨架，模块化做零件，条件判断加分叉。

一个重要的原则：Skill要像瑞士军刀，不要像瑞士钟表。 瑞士军刀每把刀独立、功能单一、组合灵活；瑞士钟表精密复杂、改一个齿轮全表停摆。好的编排不是"做一个大Skill"，而是"做一组小Skill，然后聪明地把它们串起来"。

六、Skill使用哲学——简单、实用、可迭代

最后一部分不讲技术，讲心法。因为很多人学了Skill之后，不是败在技术上，而是败在心态上。

① 从痛点出发。 最开始学Skill的时候，脑子里全是花哨的想法——什么套路检测器、甩锅追踪器。冷静下来一想，这些都不是真实需求。真正有价值的，是那些你自己就会反复遇到的问题。不要做"我觉得很酷"的Skill，要做"我明天就想用"的Skill。

② 先跑起来再优化。 花20分钟做一个最简版，立刻用，发现问题就改。Skill不是设计出来的，是"痛"出来的。一个Skill经过5-10次真实使用后的优化，质量远超你第一次闭门造车写出来的版本。60分上线，永远大于100分停留在脑子里。

③ AI做判断，脚本做执行。 AI擅长理解内容、做分类、写创意；脚本擅长格式转换、数据查询、文件操作。各干各擅长的事，别搞反了。精力分配应该是七分想流程（SKILL.md），三分写代码（脚本）。

④ 安全机制第一天就该想好。 先定好"什么不能做"，再考虑"能做什么"。不删除、先备份、记日志、可回滚、路径白名单。信任一旦打破，修复成本是建立成本的十倍。

⑤ SKILL.md是灵魂，脚本只是手脚。 花三天写精美脚本但随便写三行描述的人太多了，AI根本不知道什么时候该用它。脚本再好，没人调也是白搭。

⑥ 接受不完美，持续迭代。 第一天做一个60分的版本上线，第一周改到75分，第一个月改到85分，第三个月稳定在90分。

⑦ 人负最终责任。 发出去的邮件、签的文件、做的决策——责任人是人类。AI生成的内容发出前必须人工审核，这是底线。

写在最后

最简单的Skill，20分钟就能搭起来。

这场培训讲的就是这件事：从"不知道怎么用AI"到"把AI变成自己的标准工具"，差的不是AI的能力，差的只是一份"岗位说明书"。

写下来，试一下，改一改。就这么简单。

以上是这场培训的核心内容，希望能帮到正在"用AI但用不好"的你。

如果觉得有用，点个「在看」，让更多人看到。

你在用AI的过程中遇到过什么痛点？欢迎在评论区聊聊~