Prompt 工程師的末路，Skill 玩家的起點
整理版優先睇
Prompt 工程師嘅時代正在終結，Skill 玩家嘅時代先剛開始——文章剖析咗從 Prompt 到 MCP 再到 Skill 嘅範式遷移，指出 Skill 透過漸進式披露機制大幅節省 Token，而且可複用、可組合，係 AI 工具落地嘅真正關鍵。
呢篇文章出自掘金社區作者 isArray，發佈於 2026 年 1 月 24 日，瀏覽量超過 6,100。作者想解決嘅問題係：傳統 Prompt 工程已經遇到天花板——Token 爆炸、風格漂移、經驗無法沉澱，而 MCP 雖然概念高明但太重，唔適合個人開發者同內容創作者。佢提出嘅整體結論係：Skill（技能包）先係第三條路，透過漸進式披露機制，將專業經驗結構化成可調用嘅「知識架子」，達到節省 60-80% Token 嘅效果，而且官方生態（Anthropic）同多個平台（Claude、Cursor、Windsurf 等）已經全面支援。
作者進一步指出，呢次範式遷移係認真嘅，因為佢解決咗真實嘅工程痛點、官方生態跟進、跨平台支援已成。佢仲提到 GitHub 上已經出現咗「Awesome Claude Skills」合集，形態似 App Store 早期雛形，意味住專業經驗可以直接變現。不過作者都保持審慎，提醒讀者社區分享速度換驗證深度，最健康嘅態度係對新範式開放、對數字審慎、對自己嘅實踐保持記錄。最後佢強調：真正有價值嘅從來唔係用最新工具，而係用工具解決真實問題。容器可以迭代，內容先係護城河。
- 傳統 Prompt 有三重死穴：Token 爆炸、風格漂移、經驗無法沉澱，導致「包裝輸入」嘅競爭優勢窗口越來越短。
- MCP 雖然畀模型直接接工具同數據源，但太重（起 Server、寫協議、Token 消耗大），只適合企業級重度需求。
- Skill 透過漸進式披露機制，先畀簡短技能描述，模型按需加載完整文件，相同複雜度下比純 Prompt 節省 60-80% Token。
- Skill 嘅官方生態（anthropics/skills）同跨平台支援（Claude、Cursor、Windsurf 等）已經成型，唔係社區自嗨。
- 對唔同角色嘅建議：重度用戶立即入手、知識工作者將經驗固化成 Skill、企業標準化分發、初學者先學基本 Prompt 再學 Skill。
anthropic/skills 官方 Skill 庫
Anthropic 官方維護嘅 Skill 庫，涵蓋文檔處理、代碼生成、測試、創意寫作等基礎場景。
ComposioHQ/awesome-claude-skills
社羣維護嘅 Claude Skill 合集，按領域分類同質量篩選，類似 App Store 早期雛形。
travisvn/awesome-claude-skills
另一個 Claude Skill 合集倉庫，集中整理高質素技能包。
Prompt 工程師嘅崗位，正在悄悄消失
2023 年 Prompt Engineer 突然爆紅，個個都鑽研 system prompt 結構、few-shot 排列、輸出格式約束。但到咗 2026 年初，呢套玩法快速失效——唔係 Prompt 本身冇用，而係佢嘅天花板已經摸到。
「用人話教機器做人事」呢個時代正在過去
掘金作者 isArray 指出，當 AI 能力加速進化時，靠包裝輸入獲取競爭優勢嘅窗口越來越短。呢個唔係個人感慨，而係行業集體意識到嘅拐點。
MCP 出現咗，但大家發現佢太重
Anthropic 推出 MCP（Model Context Protocol），試圖畀模型直連工具同數據源，概念上係高明嘅——將 AI 從純語言生成器升級成有手有腳嘅智能體。
- 1 要自己起 Server、寫協議、處理認證，配置成本似搭微服務
- 2 每次調用都要塞工具描述入 context，Token 消耗比純 Prompt 更恐怖，動輒上萬
- 3 Server 一掛或接口一變，整個工作流即時癱瘓，維護成本極高
翻譯成人話：MCP 係一架加咗渦輪增壓嘅越野車，但你只係想去樓下買個早餐。佢適合企業級重度需求，但對個人開發者同內容創作者嚟講太大舊。
呢個尷尬嘅空檔地帶，催生咗第三條路
Skill：一個令人恍然大悟嘅「第三選項」
如果話 Prompt 係每次出門都要重新學走路，MCP 係俾自己裝一套外骨骼但着脱要半小時，咁 Skill（技能包）就係——你把走路呢件事學會咗，以後隨時都用得。
教佢「成為某個領域嘅專家」
「與其每次將整本菜譜背俾廚師聽，不如訓練出一個會做菜嘅廚師」
根據 isArray 嘅實測數據，相同複雜度任務下，用 Skill 比純 Prompt 節省 60-80% Token。呢個數字背後的邏輯好實在。
點解我覺得呢次範式遷移係認真嘅
技術圈好多概念都係火半年就冇聲，但 Skill 感覺唔同。原因有三個：
- 1 解決真實工程痛點：Token 成本、輸出一致性、經驗可複用，個個重度 AI 用戶日日遇到
- 2 官方生態跟進：anthropics/skills 係 Anthropic 官方維護，涵蓋文檔處理、代碼生成等基礎場景
- 3 跨平台支援已成：截至 2026 年 1 月，Claude.ai、Claude Code、Cursor、OpenCode、Windsurf 均已兼容 Skill 機制
「Prompt 係用完即走嘅外賣，Skill 係你自己練出來嘅廚藝」
當然，唔係話 Prompt 要死——一次性任務直接用自然語言 Prompt 仍然最快。但對於重複性、有專業深度、有團隊協作嘅工作流，Skill 已經係更優解。
嗰個「Skill Store」嘅想像，比你以為嘅更近
GitHub 上已經出現多個 Awesome Claude Skills 合集，例如 ComposioHQ/awesome-claude-skills 同 travisvn/awesome-claude-skills，按領域分類、使用場景、質量篩選——形態好接近 App Store 早期雛形。
「專業經驗、方法論、工作流——呢啲過去只能用嚟加人工嘅軟性資產，將首次擁有直接變現嘅通道」
- 重度 AI 用戶：而家唔入手，三個月後會明顯感到喺效率賽道上掉隊
- 內容創作者/知識工作者：將最有價值嘅工作流整理成 Skill，將經驗固化成可反覆調用嘅生產力資產
- 企業 AI 推進者：將經過驗證嘅 Skill 包標準化分發俾全團隊，實現可持續 AI 提效
- 觀望者：先學基本 Prompt，記住下一個值得學嘅係 Skill 寫法——呢條曲線更平，回報更長
一、嗰個「Prompt 工程師」嘅崗位，正在靜靜雞消失
2023 年，「Prompt Engineer」呢個職位突然紅遍全球。
當時嘅邏輯好簡單：AI 模型嘅能力上限固定，邊個識「問問題」，邊個就可以攞到更好嘅答案。於是一批人開始鑽研 system prompt 嘅結構、few-shot 示例嘅排列順序、輸出格式嘅約束寫法……成個社區都圍繞住「點樣寫出一條完美嘅 Prompt」打轉。
有人將呢個現象總結為：**「用人話教機器做人事。」**
但係去到 2026 年初，呢套玩法正在快速失效——唔係因為 Prompt 本身冇用，而係因為佢嘅「天花板」已經被摸到咗。
根據掘金社區作者 isArray 喺 2026 年 1 月 24 日發佈嘅文章（瀏覽量 6,100+），喺實際工程實踐中，傳統 Prompt 面臨嘅三重死穴越嚟越明顯：Token 爆炸、風格漂移、經驗無法沉澱。
一個稍微複雜嘅 system prompt，輕鬆突破幾千 Token； 同一件任務今日輸出正式，聽日突然變活潑，冇任何規律可言； 好不容易調出來嘅 Prompt 配方，換一個項目就要從頭再嚟。
更致命嘅係：當 AI 能力本身喺加速進化時，靠「包裝輸入」獲取競爭優勢嘅窗口越嚟越短。
呢個唔係某個人嘅感慨，而係一個行業集體意識到嘅拐點。
圖1：無數 Prompt 工程師曾經喺咁嘅夜晚，反覆調試嗰條「完美嘅指令」——但嗰個時代正在過去
二、MCP 出現咗，然後大家發現佢太重
喺 Prompt 範式遭遇瓶頸之後，Anthropic 推出咗 MCP（Model Context Protocol），試圖用另一種方式解題：與其喺「點樣寫指令」上面內卷，不如畀模型直接接上工具同數據源。
概念上，MCP 確實高明——讓模型實時調用數據庫、連接 API、讀取文件系統，將 AI 由「純語言生成器」升級成「有手有腳嘅智能體」。
但係落地之後，開發者們發現呢樣嘢「太重」喇：
需要自己起 Server、寫協議、處理認證，配置成本唔亞於搭一個微服務； 每次調用都要將工具描述塞入 context，Token 消耗比純 Prompt 仲恐怖，動輒上萬； Server 一旦死咗或者接口一變，成個工作流即刻癱瘓，維護成本極高。
翻譯成人話就係：MCP 係一架加咗渦輪增壓嘅越野車，但係你只係想去樓下買個早餐。
佢適合企業級嘅重度需求——連實時數據庫、對接外部 API——但係對於大多數個人開發者同內容創作者嚟講，呢把錘太大，揾唔到合適嘅釘。
呢個尷尬嘅空檔地帶，催生咗第三條路。
三、Skill：一個令人恍然大悟嘅「第三選項」
如果話 Prompt 係「每次出門都要重新學行路」，MCP 係「俾自己裝咗一套外骨骼但著除要半個鐘」，咁 Skill（技能包） 就係——你將行路呢件事學識咗，以後隨時都用得。
呢個比喻唔係我亂講嘅，掘金作者 isArray 喺 2026 年 1 月 24 日嘅文章中將三者關係總結得相當精準：
Prompt：一次性話佢知「點做」 MCP：畀佢「工具 + 數據源」 Skill：教佢「成為某個領域嘅專家」，可複用、可組合、按需加載
Skill 嘅核心技術機制叫做漸進式披露（Progressive Disclosure）。
普通 Prompt 嘅做法係：唔理模型需唔需要，將所有信息一嘢塞入 context。 Skill 嘅做法係：先畀模型一個簡短嘅「技能描述」，讓佢自己判斷——呢個任務需唔需要加載完整嘅技能文件？需要就讀，唔需要就跳過。
結果係乜？Token 消耗大幅下降。
根據掘金社區嘅實測數據（isArray，2026年1月24日），相同複雜度嘅任務，使用 Skill 比純 Prompt 節省 60-80% 嘅 Token 消耗。
呢個數字乍睇好似營銷話術，但背後嘅邏輯係實在嘅：與其每次將整本菜譜背俾廚師聽，不如訓練出一個會做菜嘅廚師，用嘅時候叫佢嚟就得。
圖2：Skill 嘅本質，係將散落嘅 Prompt 經驗，結構化成可調用嘅「知識架子」
四、我點解覺得今次範式遷移係認真嘅
技術圈咩新概念都唔缺，但大多數都係「概念火半年，落地冇聲氣」。
Skill 今次感覺有啲唔同，原因有三：
第一，佢解決嘅係真實嘅工程痛點，唔係想像中嘅需求。
Token 成本、輸出一致性、經驗可複用——呢三個問題唔係 PPT 上面嘅假需求，係每個重度 AI 用戶日日遇到嘅真痛點。Skill 對呢三個問題都畀出咗結構性嘅解法，而唔係用更多嘅 Prompt 去打補丁。
第二，官方生態已經喺跟進，唔係純草根實驗。
anthropics/skills 係 Anthropic 官方維護嘅 Skill 庫，已經涵蓋文檔處理、代碼生成、測試、創意寫作等基礎場景。呢意味住呢套範式唔止係社區嘅自嗨，背後有平台級嘅資源喺推動。（數據來源：GitHub 倉庫 anthropics/skills 主頁，截至 2026 年 1 月）
第三，跨平台支持已經成型。
截至 2026 年 1 月，Claude.ai、Claude Code、Cursor、OpenCode、Windsurf 都已經兼容 Skill 機制（來源：掘金，isArray，2026年1月24日）。呢個唔係某個工具嘅獨家功能，而係成個 AI 輔助開發生態喺向同一個方向聚攏。
當然，我唔係話 Prompt 要「死」——任何簡單嘅一次性任務，直接輸入自然語言 Prompt 依然係最快嘅路徑。但係對於有重複性、有專業深度、有團隊協作需求嘅工作流，Skill 已經係更優解，冇之一。
我想喺度做一個我自己嘅判斷，俾你參考或者拍磚：
“Prompt 係用完即走嘅外賣，Skill 係你自己練出來嘅廚藝。後者嘅邊際成本趨向於零，前者嘅邊際成本永遠不變。
五、嗰個「Skill Store」嘅想象，比你以為嘅更加近
講一個可能俾好多人忽視嘅信號。
目前 GitHub 上已經出現咗多個「Awesome Claude Skills」類型嘅合集倉庫，其中 ComposioHQ/awesome-claude-skills 同 travisvn/awesome-claude-skills 嘅維護者們已經開始按照「領域分類 + 使用場景 + 質量篩選」嘅邏輯來組織內容——呢個形態，非常接近一個「App Store 嘅早期雛形」。（數據來源：GitHub 倉庫公開頁面，截至 2026 年 1 月）
圖3：Skill Store 嘅雛形已現——你嘅方法論，或許正係別人願意付費嘅「技能包」
再往前諗一步：如果「Skill」作為可交易單位嘅市場真係形成，咁意味住啲乜？
你嘅專業經驗、方法論、工作流——呢啲過去只能用嚟加人工嘅軟性資產，將會首次擁有直接變現嘅通道。
一個喺某垂直領域積累咗 10 年嘅專家，寫出來嘅 Skill 包，對同行嚟講嘅價值可能遠超一篇付費文章、一個知識星球。因為佢唔係喺「講道理」，而係喺「直接增強 AI 執行能力」。
呢個係一個值得認真對待嘅窗口期。
但——呢度有一個我需要講清楚嘅反面：呢個市場目前仲未有任何成熟嘅質量標準同信用體系。 邊個寫嘅 Skill 好用，邊個寫嘅係垃圾，目前完全依賴社區自發嘅 Star 同評論。呢個亦都意味住，喺「Skill Store」真正成熟之前，盲目跟風、批量產出低質量 Skill 包，只會係一地雞毛。
六、俾唔同角色嘅人，一份唔同嘅建議
講到呢度，我想換一個視角，唔再講技術範式，而係講對唔同人嚟講，呢件事意味住啲乜。
如果你係重度 AI 工具用戶（每日用 Claude/Cursor 超過 2 個鐘）：而家唔入手 Skill，三個月後你會明顯感到自己喺「效率賽道」上掉隊。建議先 clone 官方 anthropics/skills，跑通一個你最常用嘅工作流，用真實任務感受「複用」係咩感覺。
如果你係內容創作者/知識工作者：將你最有價值嘅工作流整理成 Skill，唔係為咗「技術感」，而係為咗將你嘅經驗固化成可反覆調用嘅生產力資產。呢件事本質上同「建立內容素材庫」係一回事，只係載體變咗。
如果你係企業中嘅 AI 推進者：Skill 係讓 AI 工具喺團隊內真正落地嘅關鍵一步——唔係讓每個人都學 Prompt Engineering，而係將經過驗證嘅 Skill 包標準化分發俾全團隊。呢個先係可持續嘅「AI 提效」，而唔係依賴幾個個人嘅手藝。
如果你係「仲未開始用 AI 工具」嘅觀望者：講真話，Skill 呢個話題對你嚟講有啲超前。先將 Prompt 嘅基本用法跑順咗先講。但係可以記住一件事：下一個值得學嘅唔係 Prompt 技巧，而係 Skill 嘅寫法——呢條曲線更平，回報更長。
圖4：唔同角色面對同一樣嘅範式遷移，入場時機同路徑各不相同——重要嘅係先判斷自己喺邊度
七、一個令我有啲唔舒服嘅問題
寫到呢度，我想講一個令我自己都有啲唔舒服嘅觀察。
每一次 AI 範式遷移，社區都會出現一批「新權威」——嗰啲最先發出信號、最快產出內容嘅人。佢哋唔一定係最深嘅實踐者，但一定係最快嘅傳播者。
Skill 今次亦都唔例外。
當「Skill 比 Prompt 省 60-80% Token」呢個數據被廣泛引用時，有幾多人真係跑過完整嘅 A/B 測試？呢個數字喺咩任務類型、咩複雜度、咩模型版本下成立？原始測試條件係乜？
我唔係質疑掘金作者 isArray 嘅誠意，呢篇文章係我見過近期同類主題裏面寫得最清晰嘅之一。但係「社區實測」呢四個字，本質上係複數個人經驗嘅彙總，而唔係受控實驗嘅結論。
我想表達嘅係：喺 AI 能力快速迭代嘅環境裏面，我哋用緊「分享速度」換「驗證深度」。 呢種係一種不可避免嘅集體行為，但值得每個接受信息嘅人心裏有數。
最健康嘅態度，或者係：對新範式保持開放，對數字保持審慎，對自己嘅實踐保持記錄。
你跑出來嘅數字，先係你真正擁有嘅數字。
八、結語：每一次範式遷移，都係一次重新排隊
2016 年，唔識深度學習嘅機器學習工程師開始焦慮。 2023 年，唔識 Prompt 嘅內容創作者開始焦慮。 2026 年初，唔識 Skill 嘅 AI 重度用戶開始焦慮。
呢條焦慮嘅線索背後，有一個穩定嘅模式：每一次技術範式升級，都係一次重新排隊嘅機會。 上一輪嘅先行者可能因為路徑依賴而慢落嚟，呢一輪嘅入場者反而因為冇「歷史包袱」而跑得更快。
但我更想講嘅，係呢條線索背後另一個同樣穩定嘅嘢：
真正有價值嘅，從來唔係「用咗最新嘅工具」，而係「用工具解決咗咩真實問題」。
Prompt 工程師嘅沒落，唔係因為 Prompt 本身壞咗，而係因為「將寫 Prompt 當成核心競爭力」呢個定位由一開始就企咗喺沙灘上。Skill 都係同理——佢只係一個更好嘅容器，裝入去嘅，仲係你對某個領域嘅真實認知。
容器可以迭代，內容先係護城河。
圖5：範式喺遷移，但真正嘅競爭優勢從未喺工具本身——佢始終喺工具背後嗰個清醒嘅使用者身上
最後留一個真實嘅問題：
你而家最常重複使用嘅 AI 工作流係乜？如果將佢寫成一個 Skill，你覺得最難沉澱嘅部分係邊度？評論區傾嚇。
一、那個"Prompt 工程師"的崗位，正在悄悄消失
2023 年，"Prompt Engineer"這個職位突然火遍全球。
彼時的邏輯很簡單：AI 模型的能力上限固定，誰會"問問題"，誰就能拿到更好的答案。於是一批人開始鑽研 system prompt 的結構、few-shot 示例的排列順序、輸出格式的約束寫法……整個社區都在圍繞"如何寫出一條完美的 Prompt"打轉。
有人把這個現象概括為：**"用人話教機器做人事。"**
但到了 2026 年初，這套玩法正在快速失效——不是因為 Prompt 本身沒用，而是因為它的"天花板"已經被摸到了。
根據掘金社區作者 isArray 於 2026 年 1 月 24 日發佈的文章（瀏覽量 6,100+），在實際工程實踐中，傳統 Prompt 面臨的三重死穴愈發明顯：Token 爆炸、風格漂移、經驗無法沉澱。
一個稍微複雜的 system prompt，輕鬆突破幾千 Token； 同一件任務今天輸出正式，明天突然變活潑，沒有任何規律可言； 好不容易調出來的 Prompt 配方，換一個項目就得從頭再來。
更致命的是：當 AI 能力本身在加速進化時，靠"包裝輸入"獲取競爭優勢的窗口越來越短。
這不是某個人的感慨，這是一個行業集體意識到的拐點。
圖1：無數 Prompt 工程師曾在這樣的夜晚，反覆調試那條"完美的指令"——但那個時代正在過去
二、MCP 出現了，然後大家發現它太重了
在 Prompt 範式遭遇瓶頸之後，Anthropic 推出了 MCP（Model Context Protocol），試圖用另一種方式解題：與其在"如何寫指令"上內卷，不如給模型直接接上工具和數據源。
概念上，MCP 確實高明——讓模型實時調用數據庫、連接 API、讀取文件系統，把 AI 從"純語言生成器"升級成"有手有腳的智能體"。
但落地之後，開發者們發現這玩意兒"太重"了：
需要自己起 Server、寫協議、處理認證，配置成本不亞於搭一個微服務； 每次調用都要把工具描述塞進 context，Token 消耗比純 Prompt 還恐怖，動輒上萬； Server 一旦掛了或接口一變，整個工作流立刻癱瘓，維護成本極高。
翻譯成人話就是：MCP 是一輛加了渦輪增壓的越野車，但你只是想去樓下買個早餐。
它適合企業級的重度需求——連實時數據庫、對接外部 API——但對於大多數個人開發者和內容創作者來說，這把錘子太大了，找不到合適的釘子。
這個尷尬的空檔地帶，催生了第三條路。
三、Skill：一個讓人恍然大悟的「第三選項」
如果說 Prompt 是"每次出門都要重新學走路"，MCP 是"給自己裝了一套外骨骼但穿脱要半小時"，那 Skill（技能包） 就是——你把走路這件事學會了，以後隨時都能用。
這個比喻不是我瞎說的，掘金作者 isArray 在 2026 年 1 月 24 日的文章中把三者關係總結得相當精準：
Prompt：一次性告訴它"怎麼做" MCP：給它"工具 + 數據源" Skill：教它"成為某個領域的專家"，可複用、可組合、按需加載
Skill 的核心技術機制叫做漸進式披露（Progressive Disclosure）。
普通 Prompt 的做法是：不管模型需不需要，把所有信息一股腦塞進 context。 Skill 的做法是：先給模型一個簡短的"技能描述"，讓它自己判斷——這個任務需不需要加載完整的技能文件？需要就讀，不需要就跳過。
結果是什麼？Token 消耗大幅下降。
根據掘金社區的實測數據（isArray，2026年1月24日），相同複雜度的任務，使用 Skill 比純 Prompt 節省 60-80% 的 Token 消耗。
這個數字乍一看像營銷話術，但背後的邏輯是實在的：與其每次把整本菜譜背給廚師聽，不如訓練出一個會做菜的廚師，用的時候叫他來就行。
圖2：Skill 的本質，是把散落的 Prompt 經驗，結構化成可調用的「知識架子」
四、我為什麼覺得這次範式遷移是認真的
技術圈什麼新概念都不缺，但大多數都是"概念火半年，落地沒聲音"。
Skill 這次感覺不太一樣，原因有三：
第一，它解決的是真實的工程痛點，不是想象中的需求。
Token 成本、輸出一致性、經驗可複用——這三個問題不是 PPT 上的假需求，是每個重度 AI 用戶天天遇到的真痛點。Skill 對這三個問題都給出了結構性的解法，而不是用更多的 Prompt 去打補丁。
第二，官方生態已經在跟進，不是純草根實驗。
anthropics/skills 是 Anthropic 官方維護的 Skill 庫，已涵蓋文檔處理、代碼生成、測試、創意寫作等基礎場景。這意味着這套範式不只是社區的自嗨，背後有平台級的資源在推動。（數據來源：GitHub 倉庫 anthropics/skills 主頁，截至 2026 年 1 月）
第三，跨平台支持已經成型。
截至 2026 年 1 月，Claude.ai、Claude Code、Cursor、OpenCode、Windsurf 均已兼容 Skill 機制（來源：掘金，isArray，2026年1月24日）。這不是某個工具的獨家功能，而是整個 AI 輔助開發生態在向同一個方向聚攏。
當然，我不是在說 Prompt 要"死"——任何簡單的一次性任務，直接輸入自然語言 Prompt 依然是最快的路徑。但對於有重複性、有專業深度、有團隊協作需求的工作流，Skill 已經是更優解，沒有之一。
我想在這裏做一個我自己的判斷，供你參考或拍磚：
“Prompt 是用完即走的外賣，Skill 是你自己練出來的廚藝。後者的邊際成本趨向於零，前者的邊際成本永遠不變。
五、那個"Skill Store"的想象，比你以為的更近
說一個可能被很多人忽視的信號。
目前 GitHub 上已經出現了多個"Awesome Claude Skills"類型的合集倉庫，其中 ComposioHQ/awesome-claude-skills 和 travisvn/awesome-claude-skills 的維護者們已經開始按照"領域分類 + 使用場景 + 質量篩選"的邏輯來組織內容——這個形態，非常接近一個"App Store 的早期雛形"。（數據來源：GitHub 倉庫公開頁面，截至 2026 年 1 月）
圖3：Skill Store 的雛形已現——你的方法論，或許正是別人願意付費的"技能包"
再往前想一步：如果"Skill"作為可交易單元的市場真的形成，那意味着什麼？
你的專業經驗、方法論、工作流——這些過去只能用來漲工資的軟性資產，將首次擁有直接變現的通道。
一個在某垂直領域積累了 10 年的專家，寫出來的 Skill 包，對同行來說的價值可能遠超一篇付費文章、一個知識星球。因為它不是在"講道理"，而是在"直接增強 AI 執行能力"。
這是一個值得認真對待的窗口期。
但——這裏有一個我需要說清楚的反面：這個市場目前還沒有任何成熟的質量標準和信用體系。 誰寫的 Skill 好用，誰寫的是垃圾，目前完全依賴社區自發的 Star 和評論。這也意味着，在"Skill Store"真正成熟之前，盲目跟風、批量產出低質量 Skill 包，只會是一地雞毛。
六、給不同角色的人，一份不同的建議
聊到這裏，我想換一個視角，不再談技術範式，而是談對不同人來說，這件事意味着什麼。
如果你是重度 AI 工具用戶（每天用 Claude/Cursor 超過 2 小時）：現在不入手 Skill，三個月後你會明顯感到自己在"效率賽道"上掉隊。建議先 clone 官方 anthropics/skills，跑通一個你最常用的工作流，用真實任務感受"複用"是什麼感覺。
如果你是內容創作者/知識工作者：把你最有價值的工作流整理成 Skill，不是為了"技術感"，而是為了把你的經驗固化成可反覆調用的生產力資產。這件事本質上和"建立內容素材庫"是一回事，只是載體變了。
如果你是企業中的 AI 推進者：Skill 是讓 AI 工具在團隊內真正落地的關鍵一步——不是讓每個人都學 Prompt Engineering，而是把經過驗證的 Skill 包標準化分發給全團隊。這才是可持續的"AI 提效"，而不是依賴幾個個人的手藝。
如果你是"還沒開始用 AI 工具"的觀望者：說實話，Skill 這個話題對你來說有點超前。先把 Prompt 的基本用法跑順了再說。但可以記住一件事：下一個值得學的不是 Prompt 技巧，而是 Skill 的寫法——這條曲線更平，回報更長。
圖4：不同角色面對同一次範式遷移，入場時機和路徑各不相同——重要的是先判斷自己在哪裏
七、一個讓我有點不舒服的問題
寫到這裏，我想說一個讓我自己也有點不舒服的觀察。
每一次 AI 範式遷移，社區都會出現一批"新權威"——那些最先發出信號、最快產出內容的人。他們不一定是最深的實踐者，但一定是最快的傳播者。
Skill 這次也不例外。
當"Skill 比 Prompt 省 60-80% Token"這個數據被廣泛引用時，有多少人真的跑過完整的 A/B 測試？這個數字在什麼任務類型、什麼複雜度、什麼模型版本下成立？原始測試條件是什麼？
我不是在質疑掘金作者 isArray 的誠意，這篇文章是我見過近期同類主題裏寫得最清晰的之一。但"社區實測"這四個字，本質上是複數個人經驗的彙總，而不是受控實驗的結論。
我想表達的是：在 AI 能力快速迭代的環境裏，我們在用"分享速度"換"驗證深度"。 這是一種不可避免的集體行為，但值得每個接受信息的人心裏有數。
最健康的態度，或許是：對新範式保持開放，對數字保持審慎，對自己的實踐保持記錄。
你跑出來的數字，才是你真正擁有的數字。
八、結語：每一次範式遷移，都是一次重新排隊
2016 年，不懂深度學習的機器學習工程師開始焦慮。 2023 年，不懂 Prompt 的內容創作者開始焦慮。 2026 年初，不懂 Skill 的 AI 重度用戶開始焦慮。
這條焦慮的線索背後，有一個穩定的模式：每一次技術範式升級，都是一次重新排隊的機會。 上一輪的先行者可能因為路徑依賴而慢下來，這一輪的入場者反而因為沒有"歷史包袱"而跑得更快。
但我更想說的，是這條線索背後另一個同樣穩定的東西：
真正有價值的，從來不是"用了最新的工具"，而是"用工具解決了什麼真實問題"。
Prompt 工程師的沒落，不是因為 Prompt 本身壞了，而是因為"把寫 Prompt 當成核心競爭力"這個定位從一開始就站在了沙灘上。Skill 也是同理——它只是一個更好的容器，裝進去的，還是你對某個領域的真實認知。
容器可以迭代，內容才是護城河。
圖5：範式在遷移，但真正的競爭優勢從未在工具本身——它始終在工具背後那個清醒的使用者身上
最後留一個真實的問題：
你現在最常重複使用的 AI 工作流是什麼？如果把它寫成一個 Skill，你覺得最難沉澱的部分是哪裏？評論區聊聊。