我用 3 個月才感受到Skill 的價值｜一個文件讓初級員工半天寫出生產級 Agent
整理版優先睇
SKILL.md 能將專家方法論打包成 AI 執行指令，新手只需跟隨引導就能快速搭建生產級 Agent
呢篇文章係作者分享佢團隊嘅經驗。作者團隊最近多咗 Agent 項目，但大部分同事淨係識用 Dify 同 Coze 拖工作流。簡單需求冇問題，但複雜少少就唔夠用——需要循環、人工介入、狀態管理或者多 Agent 協同嘅時候，工作流平台就搞唔掂。作者指出，要整生產級 Agent，一定要寫代碼，而 LangGraph 就係最佳選擇。但團隊有明顯嘅能力斷層：有資深同事但人手唔夠，新人經驗不足，由零寫 LangGraph Agent 好難。
作者想出一種新方法，唔係靠培訓或者文檔，而係將自己嘅方法論打包成一個叫 SKILL.md 嘅文件，做一個「Skill」。AI 會讀取呢份指令，然後一步步引導新手去執行。佢做咗一個 langgraph-architect Skill，包含三階段六步法，仲內置咗常見嘅陷阱同檢查點。結果一個同事用咗半日就由零開始搭好一個 Agent 骨架。作者嘅結論係：Skill 係現時最細嘅能力傳遞單元，可以將「老手嘅直覺」變成新手跟得嘅流程。
- 複雜 Agent 項目必須用代碼控制，LangGraph 係生產級框架，Dify/Coze 只適合驗證簡單想法。
- Skill 唔係 Prompt 或者教程，而係標準化指令文件，由 AI 執行專家方法論，引導新手逐步完成任務。
- langgraph-architect Skill 採用「先畫圖、再用假代碼驗證、最後先碰 AI」嘅三階段六步法，確保架構穩定。
- Skill 內置咗致命陷阱嘅防範，例如假數據類型必須對齊 State、人工介入節點要用 MemorySaver 模擬、每個分支都要有測試用例。
- 將個人技能轉化為 Skill 嘅四步：實戰三次以上 > 抽象步驟同檢查點 > 寫成 SKILL.md > 俾新手試跑並迭代。
內容片段
🗺️ 第一階段：業務建模（只動腦，不寫核心代碼） 步 1：畫出可視化藍圖 → 產出：流程圖 步 2：推導數據契約 → 產出：state.py🏗️ 第二階段：搭建骨架（看圖翻譯，不碰大模型） 步 3：招募假打工人 → 產出：dummy nodes.py 步 4：鋪設傳送帶 → 產出：graph.py🚀 第三階段：閉環與注入靈魂 步 5：Dry Run 驗證 → 產出：測試日誌 ✅ 步 6：增量注入血肉 → 產出：生產級 nodes.py點解 Dify 同 Coze 唔夠用？
作者團隊嘅 Agent 項目突然多咗，但大部分同事淨係用開 Dify 同 Coze 拖工作流。簡單需求例如搜索、總結、問答就冇問題，但一複雜就出事。
- 需要循環同條件分支？Dify 支援，但複雜少少就變意大利麵。
- 需要人工介入審核？工作流平台做得好彆扭。
- 需要狀態管理，記住之前發生咩事，失敗可以斷點恢復？呢個基本超綱。
- 需要多個 Agent 協同？Coze 一個 Bot 可以，三個聯動就算啦。
Dify/Coze 係「拖拽式嘅快捷方式」，適合驗證想法；但當 Agent 需要處理異常、容錯、可靠咁喺生產環境跑嘅時候——你必須寫代碼。
而 LangGraph 就係專門做呢樣嘢嘅框架，用代碼精確控制每一步、出錯點算、幾時停低等人拍板。
Skill 係咩？點解比 Prompt 同教程有用？
作者發現，以前傳遞經驗係「我嘅經驗 → 寫成文檔 → 同事讀文檔 → 理解 → 執行」，每一步都有損耗。而家用 Skill，流程變成「我嘅經驗 → 寫成 SKILL.md → AI 讀取指令 → AI 引導同事一步步執行」。
Skill 嘅本質唔係教人方法論，而係將方法論打包成 AI 能執行嘅指令。
打個比方：Prompt 係你口頭同新員工講「幫我做個 Agent」，可能做出任何嘢；教程係你寫咗 10 頁文檔，佢可能睇完都做唔出；Skill 係你俾 AI 一份嚴格嘅工作指令，AI 帶住佢一步步做，每一步都有檢查點。一個完整嘅 Skill 包含三個部分：
- SKILL.md：主控指令（做咩、點做、幾時暫停等人確認），係流水線嘅操作手冊。
- examples/：代碼模板同參考示例，係師傅做過嘅樣品。
- resources/：方法論同知識庫，係背後嘅設計原理。
我嘅 langgraph-architect Skill 點樣運作？
呢個 Skill 核心係一套三階段六步法，從多個實戰項目總結出嚟。核心理念好簡單：先畫圖想清楚 → 再用假代碼驗證架構 → 最後先碰 AI，強制將三件事解耦。
- 1 第一階段：業務建模（只動腦，唔寫核心代碼）。步 1：畫可視化藍圖 → 產出流程圖；步 2：推導數據契約 → 產出 state.py。
- 2 第二階段：搭建骨架（睇圖翻譯，唔碰大模型）。步 3：招募假打工人 → 產出 dummy nodes.py；步 4：鋪設傳送帶 → 產出 graph.py。
- 3 第三階段：閉環同注入靈魂。步 5：Dry Run 驗證 → 產出測試日誌；步 6：增量注入血肉 → 產出生產級 nodes.py。
同事收到呢個 Skill 後，輸入一句話「/langgraph-architect 我想做一個 M8 HEV 車型嘅智能問答 Agent」，AI 就自動按六步法引導。半日就完成咗骨架搭建同 Dry Run 驗證。佢話好似有個老師傅一直喺旁邊帶住佢做。
點樣將你嘅技能變成 Skill？
呢套方法唔止適用於 LangGraph。你團隊入面任何「只有某個人先搞得掂」嘅事，都可以用同樣方式做成 Skill。
- 1 第 1 步：先喺實戰中做 3 次以上。唔好將未驗證過嘅嘢打包成 Skill，至少喺 3 個唔同項目實踐過，先睇清邊啲係通用規律。
- 2 第 2 步：抽象出步驟同檢查點。你每次做呢件事經過邊啲步驟？邊度容易錯？邊度要停低等人確認？寫低佢。
- 3 第 3 步：寫成 SKILL.md。包含觸發條件、每一步 AI 行為（必須做/禁止做）、強制確認點、代碼模板。
- 4 第 4 步：俾新手試跑，然後迭代。每次有人用，踩咗新坑就更新 SKILL.md，Skill 會愈來愈強。
唔係讓 AI 替你幹，而係讓 AI 幫你嘅團隊，用你嘅方式幹。
上個禮拜，我嘅一個同事用咗半日時間，由零開始整咗佢人生第一個 LangGraph Agent。
佢之前寫過最複雜嘅嘢，係喺 Dify 度拖咗 20 個節點嘅工作流。LangGraph？未掂過。Python 代碼？睇得明，但由零寫一個 Agent 架構？唔敢諗。
但佢真係做到咗。唔係因為佢突然開竅，而係因為我俾咗佢一個文件。
一個叫 SKILL.md 嘅文件。
先講痛點：點解 Dify 同 Coze 唔夠用。
我哋團隊最近 Agent 項目突然多咗好多。
一開始都幾開心，覺得終於可以大展拳腳。但好快就發現一個好大鑊嘅問題：大部份同事只係識用 Dify 同 Coze 拖工作流。簡單嘅需求冇問題——搜索、總結、問答，拖嚇拖嚇就搞掂。
⠀
但係，當需求變複雜嘅時候，工作流平台就唔得喇：
- 需要循環同條件分支？Dify 支援，但稍微複雜少少就變成意大利粉。
- 需要人工介入（審核後再繼續）？工作流平台做得好唔順。
- 需要狀態管理（記住之前發生咗啲乜，失敗咗可以從斷點恢復）？呢個基本上係超班嘅要求。
- 需要多個 Agent 協同？Coze 一個 Bot 就得，三個 Bot 聯動？算啦。
講到尾，Dify/Coze 係「拖拉式嘅快捷方式」，非常適合驗證想法同做簡單自動化；但當你嘅 Agent 需要處理異常、需要容錯、需要可靠咁喺生產環境運行嘅時候——你一定要寫 code。
⠀
而 LangGraph 就係做呢樣嘢。佢將 Agent 嘅執行邏輯變成一張「圖」，用 code 精確控制每一步要做啲乜、出錯咗點算、幾時要停低等人拍板。
問題嚟咗：邊個嚟寫 code？AICoding 時代喇，大家都做到咩？
⠀
更大嘅問題：能力斷層
其實，我哋團隊還有一個好現實嘅問題：能力斷層。
欠缺中級。
有少數資深嘅同事識得寫 code、識得搞架構，但係人手唔夠；
仲有一批年輕嘅新人，學習能力強，但經驗唔夠——佢哋擅長用 Dify 拖工作流，叫佢哋由零寫一個 LangGraph Agent？仲有不少人唔太熟悉 AICoding 工具，呢中間差咗一大截。
⠀
以前嘅做法係點？培訓。寫文檔、開課程、手把手帶。但老實講，呢套方法太慢喇。一個人學識 LangGraph 嘅架構設計，按正常節奏，最少需要幾個星期嘅項目實戰。我哋等唔切。
所以我喺度諗：有冇一種方式，可以將我腦入面嘅方法論，唔係經「教」，而係經「工具」嘅方式，直接傳遞俾團隊？
⠀
我嘅發現：Skill 係最細嘅能力傳遞單元。
先講結論：我揾到咗。就係 Skill。
即係咩意思呢？
以前，我哋傳遞經驗嘅方式係咁樣嘅：
我的經驗 → 寫成文檔 → 同事讀文檔 → 同事理解 → 同事執行每一步都有損耗。文檔寫得唔清楚、理解有偏差、執行時遺漏，最後搞出嚟嘅嘢同我預期嘅差咗十萬八千里。
⠀
而家，用 Skill，流程變咗做：
我的經驗 → 寫成 SKILL.md → AI 讀取指令 → AI 引導同事一步步執行AI 變成咗我嘅經驗嘅容器同執行者。 同事唔需要「先學識我點樣諗」，佢只需要跟住 AI 嘅引導行，AI 會按照我嘅方法論，一步一步帶佢做。
呢個就係 Skill 嘅本質：唔係教人方法論，而係將方法論打包成 AI 執行到嘅指令。
⠀
三分鐘講清楚：咩嘢係 Skill？
Skill 唔係一個 Prompt，亦唔係一篇教程。佢係一個標準化嘅指令文件，令 AI Coding 工具（我用嘅係 AntiGravity / Claude Code）每次都按照同樣嘅流程執行。
打個比喻：
- Prompt = 你口頭同新員工講「幫我做個 Agent」——佢可能做出任何嘢。
- 教程 = 你寫咗一份 10 頁嘅文檔——佢可能睇完咗但做唔出嚟。
- Skill = 你俾 AI 一份嚴格嘅工作指令——AI 帶住佢一步步做，每一步都有檢查點。
⠀
一個完整嘅 Skill 包含三個元素：
| 組成 | 是什麼 | 類比 |
| SKILL.md | 主控指令（做啲乜、點樣做、幾時暫停等人確認） | 流水線嘅操作手冊 |
| examples/ | code 模板同參考示例 | 師傅做過嘅樣品 |
| resources/ | 方法論同知識庫 | 背後嘅設計原理 |
關鍵點在於：Skill 唔係取代人，而係將「老手嘅直覺」變成新手都跟得到嘅流程。
⠀
我嘅 langgraph-architect Skill 係點樣
呢個 Skill 嘅核心係一套三階段、六步法——我從多個實戰項目度（播客製作 Agent、合同審查 Agent、Q&A 智能體）總結出嚟嘅。
由玩具到工業級 Agent，你只差一個 LangGraph。
核心理念好簡單：先畫圖諗清楚 → 再用假 code 驗證架構 → 最後先掂 AI。 強制將三件事解耦。
⠀
🗺️ 第一階段：業務建模（只動腦，不寫核心代碼）
步 1：畫出可視化藍圖 → 產出：流程圖
步 2：推導數據契約 → 產出：state.py
🏗️ 第二階段：搭建骨架（看圖翻譯，不碰大模型）
步 3：招募假打工人 → 產出：dummy nodes.py
步 4：鋪設傳送帶 → 產出：graph.py
🚀 第三階段：閉環與注入靈魂
步 5：Dry Run 驗證 → 產出：測試日誌 ✅
步 6：增量注入血肉 → 產出：生產級 nodes.py但淨係得方法論唔夠。我喺將佢做成 Skill 嘅過程中，發現咗 8 個實際開發中會踩嘅坑，如果唔提前處理，新手一定會中招：
⠀
最致命嘅三個：
⠀
坑 1：假數據類型冇約束。 假節點隨手返回一個字符串，但 State 定義嘅係 `List[Dict]`——類型唔匹配嘅 Bug 被掩蓋咗，到後面先爆。所以 Skill 度強制要求：假數據一定要同 State 定義嚴格對齊。
坑 2：人工介入節點導致測試靜默掛起。 帶 `interrupt()` 嘅節點喺 Dry Run 時會直接卡死，唔報錯亦唔繼續行。新手一頭霧水。Skill 度寫咗解法：測試時一定要用 MemorySaver + `Command(resume=...)` 模擬人工輸入。
坑 3：淨係測 Happy Path。 淨係測「一切順利」嘅路徑，重試分支同打回分支嘅 code 完全冇跑過。一上線就爆。所以 Skill 強制要求：流程圖入面每一個菱形分支，都一定要有對應嘅測試用例。
呢啲嘢，如果俾新人自己摸索，可能要踩坑兩三個星期。但寫入 Skill 度，AI 會喺對應步驟自動提醒，新手甚至唔知道自己被保護咗。
⠀
效果：半日由零到一。
我嘅同事攞到呢個 Skill 之後，打開 AI Coding 工具，輸入咗一句話：
`/langgraph-architect 我想做一個 M8 HEV 車型嘅智能問答 Agent`
AI 就自動按照六步法開始引導喇：
1. 先問佢 6 個場景問題，幫佢諗清楚需求
2. 生成流程圖，等佢確認
3. 自動生成 State 定義、Dummy Nodes、Graph code
4. 做 Dry Run，驗證架構
5. 逐個替換真實邏輯
半日時間，佢完成咗 Agent 嘅骨架搭建同 Dry Run 驗證。雖然真實嘅 LLM 邏輯仲需要後續迭代，但架構已經 100% 穩固咗。
佢同我講咗一句話，令我印象特別深：
「我感覺唔係喺度學 LangGraph，而係有個老師傅一直喺隔籬帶住我做。」
係，呢個就係 Skill 嘅意義。唔係教你理論，而係令你喺做嘅過程中，被一套成熟嘅方法論保護住。
⠀
你都做得：由任何個人技能到 Skill 嘅 4 步。
呢套方法唔止適用於 LangGraph。你團隊入面任何「得某個人先搞得掂」嘅事，都可以用同樣嘅方式做成 Skill。
第 1 步：先喺實戰中做 3 次以上。 你不能將冇驗證過嘅嘢打包成 Skill。至少喺 3 個唔同嘅項目度實踐過，先至睇得清楚邊啲係通用規律，邊啲係特殊情況。
第 2 步：抽象出步驟同檢查點。 你每次做呢件事，都經過咗邊啲步驟？邊啲地方容易出錯？邊啲地方一定要停低等人確認？將呢啲寫低。
第 3 步：寫成 SKILL.md。 包含：
- 觸發條件（幾時應該激活呢個 Skill）
- 每一步嘅 AI 行為（一定要做啲乜、唔準做啲乜）
- 強制確認點（邊啲步驟一定要等人點頭）
- code 模板（如果有的話）
第 4 步：俾新手試跑，然後迭代。 Skill 唔係一次性嘅。每次有人用，如果踩咗新坑，就更新 SKILL.md。你嘅 Skill 會越來越強。
⠀
最後講多句
過去，我哋傳遞技能嘅方式係「教」——開培訓、寫文檔、手把手帶。呢個好好，但太慢喇。
⠀
而家，有咗 AI Coding 工具，我哋有咗一種新嘅方式：將技能打包成 Skill，俾 AI 帶住新手用你嘅方式做嘢。
你團隊入面一定都有嗰啲「得你先搞得掂」嘅事。
將佢做成 Skill 試下——唔係俾 AI 代替你做，而係俾 AI 幫你嘅團隊，用你嘅方式做。
上週，我的一個同事用了半天時間，從零搭出了他人生中第一個 LangGraph Agent。
他之前寫過最複雜的東西，是在 Dify 裏拖了 20 個節點的工作流。LangGraph？沒碰過。Python 代碼？能看懂，但從零寫一個 Agent 架構？不敢想。
但他確實做到了。不是因為他突然開竅了，而是因為我給了他一個文件。
一個叫 SKILL.md 的文件。
先說痛點：為什麼 Dify 和 Coze 不夠用了
我們團隊最近 Agent 項目突然多了起來。
一開始挺開心的，覺得終於可以大展拳腳。但很快就發現一個要命的問題：大部分同事只會用 Dify 和 Coze 拖工作流。簡單的需求沒問題——搜索、總結、問答，拖拖拽拽就能搞定。
⠀
但是，當需求變複雜的時候，工作流平台就不行了：
- 需要循環和條件分支？Dify 支持，但稍微複雜一點就變成意大利麪條
- 需要人工介入（審核後再繼續）？工作流平台做得很彆扭
- 需要狀態管理（記住之前發生了什麼，失敗了能從斷點恢復）？這基本超綱了
- 需要多個 Agent 協同？Coze 一個 Bot 可以，三個 Bot 聯動？算了吧
說白了，Dify/Coze 是"拖拽式的快捷方式"，非常適合驗證想法和做簡單自動化；但當你的 Agent 需要處理異常、需要容錯、需要可靠地在生產環境跑起來的時候——你必須寫代碼。
⠀
而 LangGraph 就是幹這個的。它把 Agent 的執行邏輯變成一張"圖"，用代碼精確控制每一步該幹什麼、出錯了怎麼辦、什麼時候該停下來等人拍板。
問題來了：誰來寫代碼？AICoding 時代了，大家都能做嗎？
⠀
更大的問題：能力斷層
其實，我們團隊還有一個很現實的問題：能力斷層。
缺中級。
有少數資深的同學能寫代碼、能搞架構，但人手不夠；
還有一批年輕的新人，學習能力強，但經驗不足——他們擅長用 Dify 拖工作流，讓他們從零寫一個 LangGraph Agent？還不少人不太熟悉 AICoding 工具，這中間差了一大截。
⠀
以前的做法是什麼？培訓。寫文檔、開課程、手把手帶。但說實話，這套方法太慢了。一個人學會 LangGraph 的架構設計，按正常節奏，至少需要幾周的項目實戰。我們等不起。
所以我在想：有沒有一種方式，能把我腦子裏的方法論，不通過"教"，而是通過"工具"的方式，直接傳遞給團隊？
⠀
我的發現：Skill 是最小的能力傳遞單元
先說結論：我找到了。就是 Skill。
什麼意思呢？
以前，我們傳遞經驗的方式是這樣的：
我的經驗 → 寫成文檔 → 同事讀文檔 → 同事理解 → 同事執行每一步都有損耗。文檔寫不清楚、理解有偏差、執行時遺漏，最後搞出來的東西和我預期的差了十萬八千里。
⠀
現在，用 Skill，流程變成了：
我的經驗 → 寫成 SKILL.md → AI 讀取指令 → AI 引導同事一步步執行AI 成了我的經驗的容器和執行者。 同事不需要"先學會我怎麼想"，他只需要跟着 AI 的引導走，AI 會按照我的方法論，一步一步帶他做。
這就是 Skill 的本質：不是教人方法論，而是把方法論打包成 AI 能執行的指令。
⠀
三分鐘講清楚：什麼是 Skill？
Skill 不是一個 Prompt，也不是一篇教程。它是一個標準化的指令文件，讓 AI Coding 工具（我用的是 AntiGravity / Claude Code）每次都按照同樣的流程執行。
打個比方：
- Prompt = 你口頭跟新員工說"幫我做個 Agent"——他可能做出任何東西
- 教程 = 你寫了一份 10 頁的文檔——他可能看完了但做不出來
- Skill = 你給 AI 一份嚴格的工作指令——AI 帶着他一步步做，每一步都有檢查點
⠀
一個完整的 Skill 包含三個東西：
| 組成 | 是什麼 | 類比 |
| SKILL.md | 主控指令（做什麼、怎麼做、什麼時候暫停等人確認） | 流水線的操作手冊 |
| examples/ | 代碼模板和參考示例 | 師傅做過的樣品 |
| resources/ | 方法論和知識庫 | 背後的設計原理 |
關鍵點在於：Skill 不是替代人，而是把"老手的直覺"變成新手也能跟着走的流程。
⠀
我的 langgraph-architect Skill 長什麼樣
這個 Skill 的核心是一套三階段、六步法——我從多個實戰項目裏（播客製作 Agent、合同審查 Agent、Q&A 智能體）總結出來的。
核心理念很簡單：先畫圖想清楚 → 再用假代碼驗證架構 → 最後才碰 AI。 強制把三件事解耦。
⠀
🗺️ 第一階段：業務建模（只動腦，不寫核心代碼）
步 1：畫出可視化藍圖 → 產出：流程圖
步 2：推導數據契約 → 產出：state.py
🏗️ 第二階段：搭建骨架（看圖翻譯，不碰大模型）
步 3：招募假打工人 → 產出：dummy nodes.py
步 4：鋪設傳送帶 → 產出：graph.py
🚀 第三階段：閉環與注入靈魂
步 5：Dry Run 驗證 → 產出：測試日誌 ✅
步 6：增量注入血肉 → 產出：生產級 nodes.py但光有方法論不夠。我在把它做成 Skill 的過程中，發現了 8 個實際開發中會踩的坑，如果不提前處理，新手一定會掉進去：
⠀
最致命的三個：
⠀
坑 1：假數據類型沒約束。 假節點隨手返回一個字符串，但 State 定義的是 `List[Dict]`——類型不匹配的 Bug 被掩蓋了，到後面才炸。所以 Skill 裏強制要求：假數據必須和 State 定義嚴格對齊。
坑 2：人工介入節點導致測試靜默掛起。 帶 `interrupt()` 的節點在 Dry Run 時會直接卡死，不報錯也不往下走。新手一臉懵。Skill 裏寫了解法：測試時必須用 MemorySaver + `Command(resume=...)` 模擬人工輸入。
坑 3：只測 Happy Path。 只測"一切順利"的路徑，重試分支和打回分支的代碼全沒跑過。上線就炸。所以 Skill 強制要求：流程圖裏每一個菱形分支，都必須有對應的測試用例。
這些東西，如果讓新人自己摸索，可能要踩坑兩三週。但寫進 Skill 裏，AI 會在對應步驟自動提醒，新手甚至不知道自己被保護了。
⠀
效果：半天從零到一
我的同事拿到這個 Skill 後，打開 AI Coding 工具，輸入了一句話：
`/langgraph-architect 我想做一個 M8 HEV 車型的智能問答 Agent`
AI 就自動按照六步法開始引導了：
1. 先問他 6 個場景問題，幫他想清楚需求
2. 生成流程圖，等他確認
3. 自動生成 State 定義、Dummy Nodes、Graph 代碼
4. 跑 Dry Run，驗證架構
5. 一個一個替換真實邏輯
半天時間，他完成了 Agent 的骨架搭建和 Dry Run 驗證。雖然真實的 LLM 邏輯還需要後續迭代，但架構已經 100% 穩固了。
他跟我說了一句話，讓我印象特別深：
"我感覺不是在學 LangGraph，而是有個老師傅一直在旁邊帶着我做。"
對，這就是 Skill 的意義。不是教你理論，而是讓你在做的過程中，被一套成熟的方法論保護着。
⠀
你也可以做：從任何個人技能到 Skill 的 4 步
這套方法不只適用於 LangGraph。你團隊裏任何"只有某個人能幹"的事，都可以用同樣的方式做成 Skill。
第 1 步：先在實戰中做 3 次以上。 你不能把沒驗證過的東西打包成 Skill。至少在 3 個不同的項目裏實踐過，才能看清楚哪些是通用規律，哪些是特殊情況。
第 2 步：抽象出步驟和檢查點。 你每次做這件事，都經過了哪些步驟？哪些地方容易出錯？哪些地方必須停下來等人確認？把這些寫下來。
第 3 步：寫成 SKILL.md。 包含：
- 觸發條件（什麼時候該激活這個 Skill）
- 每一步的 AI 行為（必須做什麼、禁止做什麼）
- 強制確認點（哪些步驟必須等人點頭）
- 代碼模板（如果有的話）
第 4 步：讓新手試跑，然後迭代。 Skill 不是一次性的。每次有人用，如果踩了新坑，就更新 SKILL.md。你的 Skill 會越來越強。
⠀
最後說一句
過去，我們傳遞技能的方式是"教"——開培訓、寫文檔、手把手帶。這很好，但太慢了。
⠀
現在，有了 AI Coding 工具，我們有了一種新的方式：把技能打包成 Skill，讓 AI 帶着新手用你的方式做事。
你團隊裏一定也有那種"只有你能幹"的事。
把它做成 Skill 試試——不是讓 AI 替你幹，而是讓 AI 幫你的團隊，用你的方式幹。