講提示詞其實是在講 Skill · 講 Skill 其實是在講系統 · 4 個月跑通自動內容生產線總結的 9 件事
整理版優先睇
講Skill其實係講系統：4個月跑通自動內容生產線總結9件事
呢篇文章係作者喺5月16號做嘅一場分享嘅精華整理。作者用咗4個月時間跑通自動內容生產線，總結出9件事。佢提出一個反常識判斷：講提示詞其實係講Skill，講Skill其實係講系統。單點Skill會跟住模型升級被淘汰，但梳理工作嗰套操作範式、本地知識庫架構、沉澱習慣，先至係任何時代都唔會貶值嘅底層能力。
作者認為，Skill嘅本質係畀AI睇嘅SOP，但Skill最大嘅價值唔係SOP本身，而係為咗做出SOP而梳理出嚟嘅系統結構。文章詳細介紹咗Skill嘅定義、5部分標準架構、3種形態、點樣做同維護、判斷好壞嘅標準，同埋本地優先嘅原因。作者強調核心資產一定要放本地，唔可以依賴雲端，因為封號就會清零，而且跨模型唔通。
整體結論係：要建立一套屬於自己嘅系統，令每一步累積都算數。模型每年升級，但系統會跟住變強。作者仲提供咗8個具體行動建議，畀讀者今日就可以開始做。
- 結論：單點Skill必死，系統結構先係跨模型迭代嘅核心資產。
- 方法：用五步法（找重複、拆動作、封裝資產、定觸發詞、跑一次）加三步法（沉澱、借力開源、蘇格拉底自檢）打磨Skill。
- 差異：本地優先 vs 雲端Skill：雲端有封號清零、吃token、跨模型唔通嘅致命問題，必須將核心資產放本地文件夾。
- 啟發：模型升級會衝擊Skill，應對方法係令Skill輕巧、圍繞業務邏輯、留空間畀模型發揮。
- 可行動點：今日就可以做8個動作：本地優先、開發底層、數據替代審美、精準而非海量、AI自己改Skill、必有沉澱迴流、穩定用最貴模型、追風變追深。
反常識開篇：講Skills本質係講系統
作者拋出反常識判斷：單點Skill必死，因為模型升級會令封裝失效。真正有價值嘅係做Skill嘅過程中長出嚟嘅系統結構，包括數據採集、本地知識庫、沉澱迴流機制、反饋循環。
單點Skill必死
Skill嘅定義、架構與形態
Skill = 畀AI睇嘅SOP，目標係任何模型、新對話都能穩定產出80分以上內容。跟Prompt嘅最大分別係：Prompt係一次性指令，Skill係長期能力。
某Skill名/
├── SKILL.md
├── 0-武器庫/
├── 1-參考案例/
├── 2-檢查清單/
└── 3-沉澱迴流/- 1 5部分標準架構：SKILL.md（大腦）、武器庫（工具）、參考案例（教材）、檢查清單（閘口）、沉澱迴流（反饋）。
- 2 3種形態：單點Skill（一個動作）、流水線Skill（多步驟串聯）、系統級Skill（跨業務場景）。
穩定產出80分以上內容
5部分標準架構
3種形態
點樣做同維護Skill
做Skill有八步打磨：五步法（從0起步）加三步法（迭代）。五步法包括：①找重複（一週做3次以上嘅任務）；②拆動作到每一步有明確輸入輸出；③封裝資產（提示詞單獨存文件、案例反例放入）；④定觸發詞；⑤跑一次實戰。三步法：⑥跑通沉澱；⑦借力開源；⑧蘇格拉底式自檢。
- 維護嘅4條原則：①絕唔畀AI重新生成核心提示詞；②開工前必讀SKILL.md；③完成後必行沉澱迴流；④按頻率維護（每次、每週、每月、平台變化）。
- 判斷好Skill嘅4個標準：冷啟動可用、可證偽、可迭代、可移交。
冷啟動可用
可證偽
本地優先、模型升級應對與實戰心得
核心資產一定要放本地。雲端Skill有3個致命問題：封號清零、吃token、跨模型唔通。作者用本地文件夾+NAS+三台機器嘅架構，確保資產安全。模型升級會衝擊Skill，應對係令Skill輕巧、夠用就好。
- 實戰心得：唔好追浪花，要潛入深海構建系統；每一步都喺系統上長出嚟，唔係開新工作流；用AI學AI，唔係用人學AI；所有對話同錄音都自動整理落本地，做到每打一個字都算數。
- 8個今日就可以做嘅動作：①本地優先 ②開發底層 ③數據替代審美 ④精準而非海量 ⑤AI自己改Skill ⑥必有沉澱迴流 ⑦穩定用最貴模型 ⑧追風變追深。
封號清零
輕巧、夠用就好
講提示詞其實係講緊 Skill · 講 Skill 其實係講緊系統 · 4 個月跑通自動內容生產線總結嘅 9 件事
致讀者： 呢篇 7500+ 字，預計閲讀時間 17 分鐘。呢個係 5 月 16 號下晝我做嘅一場分享嘅精華整理。
上一次公開分享我講提示詞，今次想講 Skill。但係喺整理過程入面我自己得到一個反直覺嘅判斷——講提示詞其實就係講緊 Skill，而講 Skill 嗰陣我真正想分享嘅係"點樣構建你自己嘅知識體系同系統"。
因為單點嘅 Skill 會隨住模型升級被吞掉——你今日辛苦封裝嘅能力，出年嘅模型可能開箱即用。
AI 模型能力係會變嘅，但係你梳理工作嗰套操作範式、本地知識庫嘅架構、每一步都算數嘅沉澱習慣，先係任何時代都唔會貶值嘅底層能力。所以今日分享嘅核心標題入面最關鍵嘅詞係"系統"。
其他詞都可以忽略，重點係你點樣理解系統、點樣將呢套系統融入你嘅工作環境、令所有工作流沉澱喺你嘅本地而非雲端。
呢篇將"Skills 系統底層"呢一塊講透：Skill 係咩 · 點樣做一個 · 點樣維護 · 點樣判斷好壞 · 本地優先點解核心資產唔可以放雲端 · 模型升級時點樣唔被沖垮 · 4 個月跑通嘅實戰心得——9 件事一次攤開。
01. 點解講 Skills 本質上係講緊系統 · 一個反直覺嘅開篇判斷
我先拋一個反直覺——
講 Skill 呢件事，本身係個偽命題。
點解？因為單點 Skill 必死。今日你辛辛苦苦封裝嘅"標題生成 Skill"——5 個候選標題、包含命名規範、包含熱度、包含評論分析、包含口吻匹配——你磨咗一個禮拜。下次模型升級（由 Claude 4.6 升到 4.7，或者 GPT-5.5 升到 5.6），佢可能直接開箱即用。
你以為你喺度累積"AI 時代嘅核心能力"，其實你做緊嘅嘢，正被模型疊代速度不停吞掉。
咁咩唔會被吞掉？
你梳理工作嗰套操作範式、本地知識庫嘅架構、每一步都算數嘅沉澱習慣，先係任何時代都唔會貶值嘅底層能力。
亦即係話——
唔係 Skill 本身有價值，係你做 Skill 嘅過程中長出嚟嘅"系統結構"先有價值。
點解？
- 單點 Skill 係模型升級嘅"祭品"
（模型變強 → 你嘅封裝變廢） - 系統結構係模型升級嘅"放大器"
（模型變強 → 你嘅系統跟住升級） - 數據採集 / 本地知識庫 / 沉澱迴流機制 / 反饋循環——呢啲嘢同模型無關，同"你點樣工作"有關
所以今日我講嘅所有內容，核心詞唔係 Skill，係"系統"。
你聽完呢篇——如果淨係記得一句話，就係呢句：
"Skill 係畀 AI 睇嘅 SOP；但 Skill 最大嘅價值唔喺 SOP 本身，而係你為咗做出 SOP 而梳理出嚟嗰套系統結構。"
呢個先係真正喺跨模型疊代入面唔會貶值嘅資產。
02. 一個繞唔過去嘅前置條件 · 你必須先有內容審美
講方法之前我必須先講呢件事——
如果一個人對內容冇自己嘅理解，亦都冇自己嘅審美——佢根本唔知咩叫一篇好內容——咁佢做出嚟嘅"自動內容生產系統"再炫酷，最後都產唔出好結果。
流程可以拉得好快，但終點嘅內容質量係空嘅。
呢個係大多數人喺 Skill 構建中真正卡住嘅卡點:
佢冇辦法將對業務嘅理解同工作邏輯，顯性化咁拆解出嚟交畀 AI。
唔係技術問題，係認知問題。
解法得兩個，繞唔過去:
🎯 解法 1：自己修煉內容理解，提高審美
跑 100 篇好內容做拆解（唔止係睇） 跟好 IP 學，跟好品牌學，跟好編輯學 將"我覺得呢篇寫得好好"嗰個"覺得"——顯性化成可執行嘅規則（點解好 / 邊度好 / 點樣複製）
🎯 解法 2：揾一個有內容審美嘅合夥人
令佢嘅審美融入到系統入面 你負責"系統化咁將佢嘅審美固化成 SKILL" 呢個分工組合係 2026 年內容創業最稀缺嘅雙人小隊形態
呢一步繞唔過去。我喺分享現場反覆強調一句："內容審美係 0，Skill 係後面嘅若干個 0；0 喺前面，後面再多都冇用"。
03. Skill 係咩 · 畀 AI 睇嘅 SOP · 加 5 部分架構 + 3 種形態
3.1 Skill 嘅定義（一句話）
Skill = 畀 AI 睇嘅 SOP。
人睇 SOP 係手冊，AI 睇 SOP 就係 Skill。
一個好嘅 Skill 嘅定義得一個判斷點：
AI 係咪可以穩定咁執行你嘅工作。
換任何一個模型（Claude / Codex / DeepSeek / Gemini）、熄咗個視窗重新開、新建對話由零開始——佢都可以按同樣嘅標準產出 80 分以上嘅內容。呢個先係 Skill 成立嘅唯一標準。
佢有幾個常用類比：
Skill 同 Prompt 最關鍵嘅分別:
- Prompt
係一次性指令，講完就算 - Skill
係長期能力，一次調用觸發成個流程 + 知識 + 模板 + 檢查清單
Prompt 係子彈，Skill 係成把槍。
3.2 Skill 嘅 5 部分標準架構
一個完整嘅 Skill 包通常係呢個結構：
某 Skill 名/
├── SKILL.md # 大腦:觸發詞 + 流程總覽 + 調用方式
├── 0-武器庫/ # 工具:提示詞、腳本、模板
├── 1-參考案例/ # 教材:好/壞案例對比
├── 2-檢查清單/ # 閘口:產出前的自檢規則
└── 3-沉澱迴流/ # 反饋:每跑一次的經驗自動歸檔
每一部分嘅作用：
🧠 SKILL.md（大腦） - 定義觸發詞（例如"幫我做公眾號 / 跑流水線"）- 介紹內部子文件 - 說明每一步行邊條路徑 - AI 嚟到第一件事就係讀佢
🗡️ 武器庫 - 提示詞腳本（每條單獨存文件，唔畀 AI 重新生成）- 內容處理規則 - 配圖規則 - 長文轉小紅書卡片嘅轉換規則 - 核心提示詞必須存檔，每次複製貼上用
📚 參考案例 - 畀 AI 睇"咩係好、咩係壞" - 呢個係一把雙刃劍 —— 好/壞嘅範式會限制 AI 本身嘅開創性 - 解法：如果你希望系統可以跟隨模型升級而進化，必須將"好嘅標準邊界"同"壞嘅標準邊界"拆得更細，等 AI 知道喺邊界入面可以做開創性嘗試
✅ 檢查清單 - 標題命名規範 - 文字處理規範 - 分段規範 - 業務邏輯係咪融入 - 明確嘅紅線/綠線，唔靠"感覺"
🔄 沉澱迴流 - 跑通新工作流之後點樣將新經驗回填到 SKILL 入面 - 令 Skill 可以適應更多場景 - 冇呢一層，Skill 係死嘅；有咗呢一層，Skill 係生嘅
3.3 Skill 嘅 3 種形態（按"封裝顆粒度"分）
🎯 形態 1：單點 Skill - 一個具體動作 - 例子："公眾號 5 個候選標題生成"（包含命名規範 + 熱度判斷 + 評論分析 + 口吻匹配）
🎯 形態 2：流水線 Skill - 多步驟串聯完成一個業務場景 - 例子：公眾號 6 件套 —— 由抓選題 → 成稿，端到端
🎯 形態 3：系統級 Skill - 跨業務場景嘅能力延伸 - 例子：風格拆解（視頻 / 文字 / 腳本都用得嘅統一拆解模塊）
我自己做嘅"項目卡片 Skill"屬於第二類——12 種 Skill 組合:
星球內+外部內容梳理
→ 抓取項目
→ 確定項目邏輯
→ 補充內容
→ 卡片字段生成
→ 配圖修改
→ 25 字標題規範修改
→ 上傳回傳檢查
對比效果:
原本人手 5 張卡片要 5-15 日 現在 半個鐘跑完 12 張卡片
呢個係 Skill 嘅真實價值——唔係做一件事比人手快，係將"人原本做唔曬嘅事"變成可批量生產嘅工程。
04. 點樣做一個 Skill · 五步法 + 三步法 · 一共 8 步打磨
4.1 五步法（由 0 起步嘅基礎流程）
📍 Step 1 · 揾重複
觀察自己一個禮拜做過 3 次以上嘅任務——就係 Skill 候選。
點解係 3 次？重複 3 次表示你已經有業務邏輯可以跑通，但係仲喺度重複操作，咁就應該自動化。
少過 3 次，可能係偶然；多過 3 次，就係 Skill 嘅入場券。
📍 Step 2 · 拆動作
拆到"每一步都有明確輸入同輸出"為止。
拆唔鬱 = 你自己仲未諗清楚，唔好急住叫 AI 做。
呢一步係成個 Skill 體系入面最重要嘅一步——
拆動作嘅過程比最終嘅 Skill 更重要——呢個係訓練你嘅結構化思維。
好多人跳過呢一步，直接叫 AI 一鍋煮，結果出嚟嘅 Skill 跑一次似樣，跑十次似 50 個唔同嘅人寫嘅。
📍 Step 3 · 封裝資產
將每一步嘅提示詞單獨存文件（唔好比 AI 重新生成） - 案例 + 反例都放埋入去
（AI 學嘅係對比，唔係描述） - 檢查清單單獨列出來
（紅線 / 綠線分明） - 最忌諱
：叫 AI 直接去改你原本好好嘅文件
呢條好關鍵——AI 一旦過度介入修改你嘅核心文件，後續執行就唔可控。資產係死嘅，AI 係生嘅，呢兩者必須分開。
📍 Step 4 · 定觸發詞
SKILL.md 頂部明確觸發場景。
例如："公眾號 / 推文 / 鱸魚公眾號 / 跑流水線"。
我自己更進一步——
觸發詞其實就係工作路徑
複製路徑畀 AI 話"呢個係我嘅工作路徑，請按呢度嘅工作流執行某個任務"。
咁樣 AI 唔需要在 memory 入面花大量 token 去估你嘅文件，直接定位就得。
📍 Step 5 · 跑一次實戰 walkthrough
等 AI 寫完 Skill 之後即刻開新視窗測試（防止舊視窗嘅上下文記憶幹擾判斷）。
新視窗跑得唔得，再返去原視窗叫佢改寫。
Skill 一定要穩定生產——呢個係唯一驗收標準。
4.2 三步法（生成最好 Skill 嘅疊代套路）
寫好 Skill 之後仲要再行三步，先可以真正打磨成"用得嘅產品"：
🔥 Step 6 · 跑通沉澱
叫 AI 將跑通嘅 SOP 沉澱成 Skill。
沉澱位置必須係本地某個文件夾，唔好落到 Claude Skill 平台。
（點解唔落雲端？第 7 節專門講）
🔥 Step 7 · 借力開源升級
叫 AI 去 GitHub 揾最新相關項目，複製源碼本地解析，睇嚇對當前系統有咩幫助。
我嘅一個判斷：
你而家接嘅任何任務，一定都有開源項目已經解決過。
唔下載源碼、唔睇實際代碼——剩係靠 AI 畀你嘅簡介下結論，都係唔可信嘅。
🔥 Step 8 · 蘇格拉底式自檢
叫 AI 企喺外部視角問：
"你覺得我業務上仲有咩盲點？邊啲點可以做得更好？"
——啓發式追問比指令式修改更有效。
指令式（"幫我將 Skill 改得更好"）會令 AI 喺已有答案入面打補丁；啓發式追問令 AI 重新審視前提係咪成立。
呢三步行完，差距就剩低三件事:
- 你嘅信息輸入量
（你刷嘅高質量來源夠唔夠） - 你嘅判斷力
（你識唔識別咩係好） - 你係咪有真實場景可以應用
（冇場景嘅 Skill 都係空跑）
05. 維護 Skills 嘅 4 條原則 · 唔維護嘅 Skill 3 個月就報廢
Skill 唔係一次封裝就搞掂——佢需要持續維護。
我自己沉澱出嚟嘅 4 條硬規則：
⚙️ 原則 1：絕唔畀 AI 重新生成"靈魂提示詞"
核心提示詞必須存檔，每次複製貼上用，唔重寫。
AI 一旦過度介入修改你嘅核心文件，後續執行就唔可控。
我有 8 把"靈魂提示詞"——佢哋就好似祖傳配方，淨係用，唔畀 AI 改。
⚙️ 原則 2：絕唔可以憑訓練記憶亂寫
開工前必睇 SKILL.md。
AI 冇讀 SKILL 就直接開幹，事後只會同你講"我確實冇按規則執行"。
呢種反覆來回拉扯喺模型重大更新時尤其明顯——
例如 Claude 4.6 升 4.7、Claude 雙倍流量期間（帳號被畀免費 token 補償），Opus 4.7 嘅實際表現可能同 Sonnet 3.7 一個層次。
點解？因為算力被稀釋——模型變蠢咗。呢個時候 Skill 必須強制約束 AI 進入流程，唔可以靠"佢應該知道"。
⚙️ 原則 3：完成後必行沉澱迴流
好嘅產出 → 入案例庫 炒車嘅產出 → 入反例庫 新技巧 → 入武器庫 卡點 → 入檢查清單
呢條唔做，Skill 係死嘅——淨係跑得鬱你封裝嗰日嘅水平。
做咗，Skill 係生嘅——每次跑都自動疊代。
⚙️ 原則 4：維護節奏（4 個頻率）
唔維護嘅 Skill，3 個月就報廢——因為業務、平台、模型都喺度變。
06. 判斷好 Skill 嘅 4 個標準 · 唔好將 Skill 寫成散文
判斷 Skill 好壞，剩係睇 4 件事:
🟢 標準 1：冷啟動可用
新人 / 新 AI 拎到就可以跑通，唔需要隔籬指導。
呢個係 Skill 嘅最基本承諾——如果你封裝出嚟嘅 Skill 仲要你坐喺隔籬話"哦呢度嘅意思係..."，咁佢就唔係 Skill，係帶教手冊。
🟢 標準 2：可證偽
有明確對錯標準，唔靠"感覺"。
"感覺"係 AI 溝通入面最忌諱嘅詞——一旦你同 AI 講"我覺得你可以更好"，AI 會發散出 50 個端點，唔會聚焦。
正確嘅方式：
❌ 唔好講"再優化一下" ✅ 要講"標題第 3 個字必須包含數字 + 必須以反共識詞開頭 + 字數 ≤ 28"
可證偽 = 可以被檢查 = 可以穩定生產。
🟢 標準 3：可疊代
跑得越多資產越厚，唔係越跑越亂。
好 Skill 跑 100 次之後，案例庫變厚、反例庫變厚、檢查清單變細——Skill 本身越來越強壯。
壞 Skill 跑 100 次之後，產物千篇一律，冇任何積累。
🟢 標準 4：可移交
換模型、換平台、放假返嚟都跑得鬱。
呢個係 Skill 係咪真正"系統化"嘅終極測試:
我請假 2 個禮拜返嚟，Skill 我仲跑唔跑得鬱？ 我將 Claude 切到 Codex，Skill 仲跑唔跑得鬱？ 我將呢個 Skill 畀團隊新人，佢唔問我就可以跑得鬱？
3 個都得 → 呢個係真 Skill。任何一個唔得 → 呢個係個"綁定你個人"嘅小工具。
⛔ 反面教材：將 Skill 寫成一篇散文
讀起嚟好爽但 AI 調用一臉懵。
例如將今日 6-8 萬字嘅分享原文直接掉畀 AI 話"幫我寫好 Skill"——
咁係唔得嘅。
因為 Skill 係有結構的。
真正可以從呢份語音入面提取嘅，應該係"點樣寫好 Skill"的 Skill 教練（蘇格拉底式追問）——而唔係直接叫佢生成 Skill。
07. 本地優先 · 點解核心資產唔可以放雲端
呢個係成篇分享入面最反直覺嘅一節——
Claude 有官方 Skills 倉庫，睇起嚟好方便。但我嘅判斷係：
核心資產唔可以放雲端，一定要放本地。
7.1 雲端 Skills 嘅 3 個致命問題
🚨 問題 1：封號即清零
Claude 帳號被封——每月雙倍流量期會大量封號（我朋友琴日一次過被封 20 個）。帳號入面嘅 Memory / Skills / 操作習慣一晚全部冇曬。
你磨咗 4 個月嘅核心資產，一封號就清零。
🚨 問題 2：上文下理食 token
Claude Skill 全部打開之後，每次上下文都會帶 64 個 Skill——5x 帳號被食成 2.5x。
你以為你用緊"加強版 AI"，其實你係每次對話都重複加載 64 個無關 Skill 嘅元數據。
🚨 問題 3：跨模型唔通
今日 Claude 寫嘅 Skill，聽日 Codex 用唔到，Skill 就廢咗。
雲端 Skill 係綁定平台嘅產物——平台變，Skill 死。
7.2 所以核心動作：本地建知識庫文件夾
喺本地建一個知識庫文件夾，將所有 Skill 沉澱入去，令 AI 透過讀取本地文件夾嚟調用——而唔係依賴雲端 Memory。
我自己原本用 Obsidian，而家轉用 Cursor。
轉換原因：
❌ Obsidian 單次渲染開唔到大文件夾（我文件夾可能成 23 GB） ❌ Obsidian 淨係展開到特定文本，圖片 / 代碼 / 在線繪圖文件等冇辦法完整識別 ✅ Cursor 任何文件類型都可以複製路徑畀 AI，圖片都可以識別 ✅ Cursor 嘅搜索方式同我"複製路徑 → 畀 AI"嘅工作習慣天然一致
深度使用 Obsidian 嘅侷限:
佢嘅現有框架反而會限制你，令你喺佢嘅邊界入面去思考"點樣做得更好"。
前期夠用，深度使用必然要轉換。
7.3 三台機器嘅本地架構
我嘅硬件配置：
成個桌面 7 個顯示器 + 兩台 mini + 一台 Air ≈ 1.3 萬蚊。
核心思路：唔追求硬件極致，靠系統設計彌補硬件。
點解唔買 Mac Studio / M4 Max 呢類高端機？
因為本地模型有天花板——你本地模型嘅輸出能力係 80 分，Claude Opus 4.7 係 95 分，同樣一句話花同樣時間，95 分一定贏。
API 錢唔好慳，用得最頂級模型就用最頂級。
本地模型淨係喺兩種場景用：
- 離線斷網
（處理文件 / 圖片 / 自動化場景） - 超長文本分批處理
（500 萬字稿件，Claude 一次處理 token 會爆，叫本地模型按 50 萬字一批做切片彙總，再畀 Claude 做最終整合）
其他場景全部用頂級 API。
08. 模型升級會衝擊 Skill · 兩個觀察 + 一條應對
呢一節係畀已經喺度跑 Skill 嘅人——你嘅 Skill 會唔會被模型升級沖走?
會。但有應對。
🔬 觀察 1：AI 處理長上下文會偷懶
12 個工作流嘅指令，AI 實際上只會執行 7-8 個。
最後嗰個總係要人手兜底修正。
呢個唔係個別例子——呢個係前沿模型嘅當前能力邊界。
應對:長指令一定要拆——前 6 個 + 後 6 個分兩段處理。
🔬 觀察 2：重大模型升級會衝擊 Skill
Sonnet 升 Opus、4.6 升 4.7 嗰時，原本嘅 Skill 工作流會因為底層語料差異產生波動。
呢個係穩定工作中最致命嘅點。
你封裝好嘅 Skill，一次模型升級，可能會突然變得不穩定。
應對:Skill 一定要輕巧——圍繞業務邏輯跑通就得，唔好追求大而全。
越複雜嘅 Skill，越容易喺模型升級時崩潰 越輕巧嘅 Skill，越可以跨模型遷移 "夠用就好"比"完美無缺"更重要
呢條對所有追求"打造完美 Skill"嘅人嚟講係反直覺嘅當頭一棒——
Skill 唔係越雕越細越好。係恰到好處咁框死核心動作，留出足夠空間畀模型自己發揮。
09. 4 個月跑通嘅實戰心得 · 每一步都積累 · 每一步都算數
最後呢一節係我呢 4 個月嘅總結，唔係方法，係心態。
9.1 唔好追浪花 · 潛入深海
我早期接觸 AI 時都開好多端口——
刷 Twitter 刷新工具 刷小紅書追新概念 收藏一堆"AI 大神"教程
不停嘅浪花。
後來發現追浪花對我工作毫無幫助，因為：
- 冇審美
—— 唔知呢個浪花好在邊 - 冇實際價值產出
—— 只係消耗精力令我更加焦慮
真正應該做嘅係——
潛入深海：構建自己嘅系統、做深層次嘅本地積累、做經得起改變嘅嘢。
9.2 每一步喺系統上長出嚟 · 而唔係開新工作流
工作流應該由你嘅系統入面長出嚟，而唔係每個新任務都開一個新工作流。
舉一個真實例子——
我哋 AI 航海家業務（14000 蚊/年嘅老細羣）有個需求：將每日嘅羣聊精華提取上線官網。
如果係由 0 開始搭，端到端開發要幾天。
但我用現有嘅底層 Skill 組合——
- 微信提取 Skill
監控三個羣 - 按某日範圍抓內容
，按用戶分段 - 主題歸類
（電商等） - AI 整理成小文章
- 飛書 CLI 直接打到飛書文檔
- 上傳官網格式加工
半個鐘跑通，晏晝 1 點立項，6 點上線。
呢個就係系統化嘅真正含義——
當一個新任務出現，係由已有底層文件夾入面組合，而唔係由 0 搭建。
底層不變，組合產生新能力。
我嘅開發原則：只開發底層。臨時跑嘅工作流唔沉澱回底層，但底層核心能力一直喺度精進。
所以我唔係由 0 到 1 搭工作流——我係 0.8 到 1,前面 0.8 一早就有咗。
9.3 用 AI 學習 AI · 唔係用人學 AI
我每日有幾個固定資訊來源：
- X（Twitter）
養出嘅 for you 流（每日 30 分鐘刷一次，一邊刷一邊 Ctrl+Tab 收藏頁面） - GitHub
最新排名 - 小紅書
偶爾推薦嘅工作流 - 微信羣聊
入面各種公司羣發嘅密集 AI 資訊
關鍵動作:刷嘅時候唔學習。
集中開 10 個終端視窗，叫 AI 去學。
叫 AI 評估呢啲內容對系統某個板塊係咪有參考價值，如果有就下載源碼本地解析——唔下載源碼、唔下載視頻，AI 睇簡介俾出嘅判斷都係唔可信嘅。
9.4 學習係 AI 嘅事，生活係我嘅事
我學嘅係範式——
用 AI 去學 AI，叫佢話我知"對系統有咩幫助、有咩提升、可唔可以下載源碼本地驗證"。
我自己嘅精力，留畀真實嘅人同真實嘅事。
9.5 三層資訊保留 · 每打一個字都算數
- 所有同 AI 嘅對話
——我自己寫咗插件，電腦上輸入任何文字（拼音都得）都會自動整理邏輯落到本地文件 - 所有錄音轉文字
（包括同領導對齊）——飛書錄音豆 + AI 區分聲音 pass 咗自己淨係保留領導內容 - 所有 Claude 歷史聊天
——有自動化腳本讀寫保存
呢啲全部係我嘅輸入語料。
每打一個字、講一句話都算數。
10. 將呢 9 件事濃縮成 8 個具體動作 · 你今日就可以做
如果你睇完打算動手，呢個係今日就可以做嘅 8 件事:
🎯 動作 1：本地優先 Skill / 知識庫 / 個人 IP 資料 全部沉澱到本地文件夾，唔依賴雲端 Memory。
🎯 動作 2：開發底層而唔係工作流 令新任務從底層組合生長，唔好每個任務都由 0 搭。
🎯 動作 3：數據替代審美 如果你冇內容審美，叫數據話你知好壞，叫 AI 幫你優化。
🎯 動作 4：精準而唔係海量 100 個分檔監控嘅博主好過 1 億條數據,10 篇精準對標好過 50 篇泛抓。
🎯 動作 5：AI 自己改 Skill 唔好鑽細節代碼，睇結果就得。結果唔好就反饋，AI 比你強大。
🎯 動作 6：必有沉澱迴流 每個 Skill 文件夾必須有"作品集 + 任務日誌"，本地落盤。
🎯 動作 7：穩定用最貴模型 Claude Code 將額度跑滿。API 錢唔好慳，能力差距係 90 分 vs 65 分。
🎯 動作 8：追風變追深 唔追浪花，潛入深海。每一步都喺底層系統上長出嚟。
收尾。
成場分享如果淨係記得一句話——
Skill 係畀 AI 睇嘅 SOP。但 Skill 最大嘅價值唔喺 SOP 本身，而係你為咗做出 SOP 而梳理出嚟嗰套系統結構。
模型每年都喺度升級——
- 2024 年嘅 Claude 3
寫唔好嘅代碼，2025 年嘅 Claude 4 已經寫得好 - 2025 年你封裝嘅 Skill
,2026 年嘅模型 可能開箱即用 - 2026 年你磨嘅複雜 prompt
,2027 年嘅模型 可能一句話內化
但你 2024 年開始起嘅"每一步都算數"嘅本地系統——
佢唔會被吞掉。佢每年都喺度長。佢跟住模型升級一齊變強。
下次有人問你"AI 時代應該學咩"——
唔好講提示詞，唔好講 Skill，唔好講 Agent。
同佢講：
學一套可以令你每一步都算數嘅系統。
呢個先係呢個時代真正唔會貶值嘅核心資產。
講提示詞其實是在講 Skill · 講 Skill 其實是在講系統 · 4 個月跑通自動內容生產線總結的 9 件事
致讀者： 本篇 7500+ 字,預計閲讀時間 17min。這是 5 月 16 日下午我做的一場分享的精華整理。
上一次公開分享我講提示詞,這一次想講 Skill。但在整理過程中我自己得到了一個反常識的判斷——講提示詞其實就是在講 Skill,而講 Skill 時我真正想分享的是"如何構建你自己的知識體系和系統"。
因為單點的 Skill 會隨着模型升級被吞掉——你今天辛苦封裝的能力,明年的模型可能開箱即用。
AI 模型能力是變的,但你梳理工作的那套操作範式、本地知識庫的架構、每一步都算數的沉澱習慣,才是任何時代下都不會貶值的底層能力。所以今天分享的核心標題裏最關鍵的詞是"系統"。
其他詞都可以忽略,重點是你怎麼理解系統、如何把這套系統融入你的工作環境、讓所有工作流沉澱在你的本地而非雲端。
這篇把"Skills 系統底層"這一塊講透:Skill 是什麼 · 怎麼做一個 · 怎麼維護 · 怎麼判斷好壞 · 本地優先為什麼核心資產不能放雲端 · 模型升級時怎麼不被沖垮 · 4 個月跑通的實戰心得——9 件事一次攤開。
01. 為什麼講 Skills 本質上是在講系統 · 一個反常識的開篇判斷
我先拋一個反常識——
講 Skill 這件事,本身是個偽命題。
為什麼?因為單點 Skill 必死。今天你辛辛苦苦封裝的"標題生成 Skill"——5 個候選標題、含命名規範、含熱度、含評論分析、含口吻匹配——你磨了一週。下次模型升級(從 Claude 4.6 升到 4.7,或者 GPT-5.5 升到 5.6),它可能直接開箱即用。
你以為你在累積"AI 時代的核心能力",其實你在做的事情,正在被模型迭代速度不停吞掉。
那什麼不會被吞掉?
你梳理工作的那套操作範式、本地知識庫的架構、每一步都算數的沉澱習慣,才是任何時代下都不會貶值的底層能力。
也就是說——
不是 Skill 本身有價值,是你做 Skill 的過程長出來的"系統結構"才有價值。
為什麼?
- 單點 Skill 是模型升級的"祭品"
(模型變強 → 你的封裝變廢) - 系統結構是模型升級的"放大器"
(模型變強 → 你的系統跟着升級) - 數據採集 / 本地知識庫 / 沉澱迴流機制 / 反饋循環——這些東西跟模型無關,跟"你怎麼工作"有關
所以今天我講的所有內容,核心詞不是 Skill,是"系統"。
你聽完整篇——如果只能記住一句話,那就是這句:
"Skill 是給 AI 看的 SOP;但 Skill 最大的價值不在 SOP 本身,在你為了做出 SOP 而梳理出來的那套系統結構。"
這才是真正在跨模型迭代裏不會貶值的資產。
02. 一個繞不過去的前置條件 · 你必須先有內容審美
講方法之前我必須先說這件事——
如果一個人對內容沒有自己的理解,也沒有自己的審美——他根本不知道什麼叫一篇好內容——那他做出來的"自動內容生產系統"再炫酷,最後也產不出好結果。
流程可以拉得很快,但終點的內容質量是空的。
這是大多數人在 Skill 構建中真正卡住的卡點:
他無法把對業務的理解和工作邏輯,顯性化地拆解出來交給 AI。
不是技術問題,是認知問題。
解法只有兩個,繞不過去:
🎯 解法 1:自己修煉內容理解,提高審美
跑 100 篇好內容做拆解(不只是看) 跟好 IP 學,跟好品牌學,跟好編輯學 把"我覺得這個寫得好"的那個"覺得"——顯性化成可執行的規則(為什麼好 / 哪裏好 / 怎麼複製)
🎯 解法 2:找一個有內容審美的合夥人
讓 ta 的審美融入到系統裏 你負責"系統化的把 ta 的審美固化成 SKILL" 這個分工組合是 2026 年內容創業最稀缺的雙人小隊形態
這一步繞不過去。我在分享現場反覆強調一句:"內容審美是 0,Skill 是後面的若干個 0;0 在前面,後面再多也沒用"。
03. Skill 是什麼 · 給 AI 看的 SOP · 加 5 部分架構 + 3 種形態
3.1 Skill 的定義(一句話)
Skill = 給 AI 看的 SOP。
人看 SOP 是手冊,AI 看 SOP 就是 Skill。
一個好的 Skill 的定義只有一個判斷點:
AI 是否能穩定地執行你的工作。
換任何一個模型(Claude / Codex / DeepSeek / Gemini)、關掉窗口重開、新建對話從零開始——它都能按同樣的標準產出 80 分以上的內容。這才是 Skill 成立的唯一標準。
它有幾個常用類比:
Skill 和 Prompt 最關鍵的區別:
- Prompt
是一次性指令,說完就過去 - Skill
是長期能力,一次調用觸發整套流程 + 知識 + 模板 + 檢查清單
Prompt 是子彈,Skill 是整把槍。
3.2 Skill 的 5 部分標準架構
一個完整的 Skill 包通常長這個結構:
某 Skill 名/
├── SKILL.md # 大腦:觸發詞 + 流程總覽 + 調用方式
├── 0-武器庫/ # 工具:提示詞、腳本、模板
├── 1-參考案例/ # 教材:好/壞案例對比
├── 2-檢查清單/ # 閘口:產出前的自檢規則
└── 3-沉澱迴流/ # 反饋:每跑一次的經驗自動歸檔
每一部分的作用:
🧠 SKILL.md(大腦) - 定義觸發詞(例如"幫我做公眾號 / 跑流水線") - 介紹內部子文件 - 說明每一步走哪個路徑 - AI 來了第一件事就是讀它
🗡️ 武器庫 - 提示詞腳本(每條單獨存文件,不讓 AI 重新生成) - 內容處理規則 - 配圖規則 - 長文轉小紅書卡片的轉換規則 - 核心提示詞必須存檔,每次複製粘貼使用
📚 參考案例 - 給 AI 看"什麼是好、什麼是壞" - 這是一把雙刃劍 —— 好/壞的範式會限制 AI 本身的開創性 - 解法:如果你希望系統能跟隨模型升級而進化,必須把"好的標準邊界"和"壞的標準邊界"拆得更細,讓 AI 知道在邊界內可以做開創性嘗試
✅ 檢查清單 - 標題命名規範 - 文字處理規範 - 分段規範 - 業務邏輯是否融入 - 明確的紅線/綠線,不靠"感覺"
🔄 沉澱迴流 - 跑通新工作流後如何把新經驗回填到 SKILL 裏 - 讓 Skill 能適應更多場景 - 沒有這一層,Skill 是死的;有了這一層,Skill 是活的
3.3 Skill 的 3 種形態(按"封裝顆粒度"分)
🎯 形態 1:單點 Skill - 一個具體動作 - 例子:"公眾號 5 個候選標題生成"(含命名規範 + 熱度判斷 + 評論分析 + 口吻匹配)
🎯 形態 2:流水線 Skill - 多步驟串聯完成一個業務場景 - 例子:公眾號 6 件套 —— 從抓選題 → 成稿,端到端
🎯 形態 3:系統級 Skill - 跨業務場景的能力延伸 - 例子:風格拆解(視頻 / 文字 / 腳本都能用的統一拆解模塊)
我自己做的"項目卡片 Skill"屬於第二類——12 種 Skill 組合:
星球內+外部內容梳理
→ 抓取項目
→ 確定項目邏輯
→ 補充內容
→ 卡片字段生成
→ 配圖修改
→ 25 字標題規範修改
→ 上傳回傳檢查
對比效果:
原來人工 5 張卡片要 5-15 天 現在 半小時跑完 12 張卡片
這是 Skill 的真實價值——不是幹一件事比手工快,是把"人原本幹不完的事"變成可批量化生產的工程。
04. 怎麼做一個 Skill · 五步法 + 三步法 · 一共 8 步打磨
4.1 五步法(從 0 起步的基礎流程)
📍 Step 1 · 找重複
觀察自己一週做過 3 次以上的任務——那就是 Skill 候選。
為什麼是 3 次?重複 3 次說明你已有業務邏輯可以跑通,但仍在重複操作,那就該自動化。
少於 3 次,可能是偶發;多於 3 次,就是 Skill 的入場券。
📍 Step 2 · 拆動作
拆到"每一步都有明確輸入和輸出"為止。
拆不動 = 你自己還沒想清楚,不要急着讓 AI 做。
這一步是整個 Skill 體系裏最重要的一步——
拆動作的過程比最終的 Skill 更重要——這是在訓練你的結構化思維。
很多人跳過這一步,直接讓 AI 一鍋煮,結果出來的 Skill 跑一次像樣,跑十次像 50 個不同的人寫的。
📍 Step 3 · 封裝資產
把每一步的提示詞單獨存文件(不要讓 AI 重新生成) - 案例 + 反例都放進去
(AI 學的是對比,不是描述) - 檢查清單單獨列出來
(紅線 / 綠線分明) - 最忌諱
:讓 AI 直接去改你原本很好的文件
這一條非常關鍵——AI 一旦過度介入修改你的核心文件,後續執行就不可控。資產是死的,AI 是活的,這兩者必須分開。
📍 Step 4 · 定觸發詞
SKILL.md 頂部明確觸發場景。
例如:"公眾號 / 推文 / 鱸魚公眾號 / 跑流水線"。
我自己更進一步——
觸發詞其實就是工作路徑
複製路徑給 AI 說"這是我的工作路徑,請按這裏的工作流執行某任務"。
這樣 AI 不需要在 memory 裏花大量 token 猜你的文件,直接定位即可。
📍 Step 5 · 跑一次實戰 walkthrough
讓 AI 寫完 Skill 後立刻打開新窗口測試(防止舊窗口的上下文記憶干擾判斷)。
新窗口跑得不行,再回到原窗口讓它改寫。
Skill 一定要穩定生產——這是唯一驗收標準。
4.2 三步法(生成最好 Skill 的迭代套路)
寫好 Skill 後還要再走三步,才能真正打磨成"能用的產品":
🔥 Step 6 · 跑通沉澱
讓 AI 把跑通的 SOP 沉澱成 Skill。
沉澱位置必須是本地某個文件夾,不要落到 Claude Skill 平台。
(為什麼不落雲端?第 7 節專門講)
🔥 Step 7 · 借力開源升級
讓 AI 去 GitHub 找最新相關項目,克隆源碼本地解析,看對當前系統有什麼幫助。
我的一個判斷:
你當下接的任何任務,一定都有開源項目已經解決過了。
不下載源碼、不看實際代碼——只憑 AI 給你的簡介下結論,都是不可信的。
🔥 Step 8 · 蘇格拉底式自檢
讓 AI 站在外部視角問:
"你覺得我業務上還有什麼盲點?哪些點可以做得更好?"
——啓發式追問比指令式修改更有效。
指令式("幫我把 Skill 改得更好")會讓 AI 在已有答案裏打補丁;啓發式追問讓 AI 重新審視前提是否成立。
這三步走完,差距就只剩三件事:
- 你的信息輸入量
(你刷的高質量來源夠不夠) - 你的判斷力
(你能不能識別什麼是好) - 你是否有真實場景可以應用
(沒場景的 Skill 都是空跑)
05. 維護 Skills 的 4 條原則 · 不維護的 Skill 3 個月就報廢
Skill 不是一次封裝就完事——它需要持續維護。
我自己沉澱出的 4 條硬規則:
⚙️ 原則 1:絕不讓 AI 重新生成"靈魂提示詞"
核心提示詞必須存檔,每次複製粘貼使用,不重寫。
AI 一旦過度介入修改你的核心文件,後續執行就不可控。
我有 8 把"靈魂提示詞"——它們就像祖傳配方,只用,不讓 AI 改。
⚙️ 原則 2:絕不憑訓練記憶瞎寫
開工前必讀 SKILL.md。
AI 沒讀 SKILL 直接開幹,事後只會跟你說"我確實沒按規則執行"。
這種反覆來回拉扯在模型重大更新時尤其明顯——
比如 Claude 4.6 升 4.7、Claude 雙倍流量期間(賬號被給免費 token 補償),Opus 4.7 的實際表現可能跟 Sonnet 3.7 一個層次。
為什麼?因為算力被稀釋——模型變笨了。這種時候 Skill 必須強制約束 AI 進入流程,不能靠"它應該知道"。
⚙️ 原則 3:完成後必走沉澱迴流
好的產出 → 進案例庫 翻車的產出 → 進反例庫 新技巧 → 進武器庫 卡點 → 進檢查清單
這條不做,Skill 是死的——只能跑你封裝那天的水平。
做了,Skill 是活的——每跑一次都自動迭代。
⚙️ 原則 4:維護節奏(4 個頻率)
不維護的 Skill,3 個月就報廢——因為業務、平台、模型都在變。
06. 判斷好 Skill 的 4 個標準 · 別把 Skill 寫成散文
判斷 Skill 好壞,只看 4 件事:
🟢 標準 1:冷啓動可用
新人 / 新 AI 拿到就能跑通,不需要旁邊指導。
這是 Skill 的最基本承諾——如果你封裝出來的 Skill 還需要你坐旁邊說"哦這裏的意思是...",那它就不是 Skill,是帶教手冊。
🟢 標準 2:可證偽
有明確對錯標準,不靠"感覺"。
"感覺"是 AI 溝通裏最忌諱的詞——一旦你跟 AI 說"我覺得你可以更好",AI 會發散出 50 個端點,不會聚焦。
正確的方式:
❌ 不要說"再優化一下" ✅ 要說"標題第 3 個字必須包含數字 + 必須以反共識詞開頭 + 字數 ≤ 28"
可證偽 = 能被檢查 = 能穩定生產。
🟢 標準 3:可迭代
跑得越多資產越厚,不是越跑越亂。
好 Skill 跑 100 次後,案例庫變厚、反例庫變厚、檢查清單變細——Skill 本身越來越強壯。
壞 Skill 跑 100 次後,產物千篇一律,沒有任何積累。
🟢 標準 4:可移交
換模型、換平台、休假回來都能跑。
這是 Skill 是否真正"系統化"的終極測試:
我請假 2 週迴來,Skill 我還能跑嗎? 我把 Claude 切到 Codex,Skill 還能跑嗎? 我把這個 Skill 給團隊新人,他不問我就能跑嗎?
3 個都能 → 這是真 Skill。 任何一個不能 → 這是個"綁定你這個人"的小工具。
⛔ 反面教材:把 Skill 寫成一篇散文
讀起來很爽但 AI 調用一臉懵。
比如把今天 6-8 萬字的分享原文直接扔給 AI 說"幫我寫好 Skill"——
這是不行的。
因為 Skill 是有結構的。
真正能從這份語音裏提取的,應該是"如何寫好 Skill"的 Skill 教練(蘇格拉底式追問)——而不是直接讓它生成 Skill。
07. 本地優先 · 為什麼核心資產不能放雲端
這是整篇分享裏最反共識的一節——
Claude 是有官方 Skills 倉庫的,看起來很方便。但我的判斷是:
核心資產不能放雲端,必須放本地。
7.1 雲端 Skills 的 3 個致命問題
🚨 問題 1:封號即清零
Claude 賬號被封——每月雙倍流量期會大量封號(我朋友昨天一次被封 20 個)。賬號裏的 Memory / Skills / 操作習慣一夜全沒。
你磨了 4 個月的核心資產,一封號清零。
🚨 問題 2:上下文吃 token
Claude Skill 全打開後,每次上下文都帶 64 個 Skill——5x 賬號被吃成 2.5x。
你以為你在用"加強版 AI",其實你在每次對話都重複加載 64 個無關 Skill 的元數據。
🚨 問題 3:跨模型不通
今天 Claude 寫的 Skill,明天 Codex 不能用,Skill 就廢了。
雲端 Skill 是綁定平台的產物——平台變,Skill 死。
7.2 所以核心動作:本地建知識庫文件夾
在本地建一個知識庫文件夾,把所有 Skill 沉澱進去,讓 AI 通過讀取本地文件夾來調用——而不是依賴雲端 Memory。
我自己原來用 Obsidian,現在切到 Cursor。
切換原因:
❌ Obsidian 單次渲染打不開大文件夾(我文件夾可能就 23 GB) ❌ Obsidian 只能展開特定文本,圖片 / 代碼 / 在線繪圖文件等無法完整識別 ✅ Cursor 任何文件類型都能複製路徑給 AI,圖片也能識別 ✅ Cursor 的搜索方式跟我"複製路徑 → 給 AI"的工作習慣天然一致
深度使用 Obsidian 的侷限:
它的現有框架反而會限制你,讓你在它的邊界裏去思考"如何做得更好"。
前期夠用,深度使用必然要切換。
7.3 三台機器的本地架構
我的硬件配置:
整套桌面 7 個顯示器 + 兩台 mini + 一台 Air ≈ 1.3 萬元。
核心思路:不追求硬件極致,靠系統設計彌補硬件。
為什麼不買 Mac Studio / M4 Max 這類高端機?
因為本地模型有天花板——你本地模型的輸出能力是 80 分,Claude Opus 4.7 是 95 分,同樣一句話花同樣時間,95 分一定勝出。
API 錢別省,能用最頂級模型就用最頂級。
本地模型只在兩種場景用:
- 離線斷網
(處理文件 / 圖片 / 自動化場景) - 超長文本分批處理
(500 萬字稿件,Claude 一次處理 token 會爆,讓本地模型按 50 萬字一批做切片彙總,再給 Claude 做最終整合)
其他場景全部用頂級 API。
08. 模型升級會衝擊 Skill · 兩個觀察 + 一條應對
這一節是給已經在跑 Skill 的人——你的 Skill 會不會被模型升級沖掉?
會。但有應對。
🔬 觀察 1:AI 處理長上下文會偷懶
12 個工作流的指令,AI 實際會只執行 7-8 個。
最後那個總要人工兜底修正。
這不是個例——這是前沿模型的當前能力邊界。
應對:長指令必須拆——前 6 個 + 後 6 個分兩段處理。
🔬 觀察 2:重大模型升級會衝擊 Skill
Sonnet 升 Opus、4.6 升 4.7 時,原 Skill 工作流會因為底層語料差異產生波動。
這是穩定工作中最致命的點。
你封裝好的 Skill,一次模型升級,可能突然變得不穩定。
應對:Skill 必須輕巧——圍繞業務邏輯跑通即可,不要追求大而全。
越複雜的 Skill,越容易在模型升級時崩 越輕巧的 Skill,越能跨模型遷移 "夠用就好"比"完美無缺"更重要
這條對所有追求"打造完美 Skill"的人是反共識的當頭一棒——
Skill 不是越雕越細越好。是恰到好處地框死核心動作,留出足夠空間給模型自己發揮。
09. 4 個月跑通的實戰心得 · 每一步都積累 · 每一步都算數
最後這一節是我這 4 個月的總結,不是方法,是心態。
9.1 不要追浪花 · 潛入深海
我早期接觸 AI 時也開很多端口——
刷推特刷新工具 刷小紅書追新概念 收藏一堆"AI 大神"教程
不停的浪花。
後來發現追浪花對我工作毫無幫助,因為:
- 沒有審美
—— 不知道這個浪花好在哪 - 沒有實際價值產出
—— 只是消耗精力讓我更焦慮
真正應該做的是——
潛入深海:構建自己的系統、做深層次的本地積累、做經得起改變的東西。
9.2 每一步在系統上長出來 · 而不是開新工作流
工作流應該從你的系統里長出來,而不是每個新任務都開一個新工作流。
舉一個真實例子——
我們 AI 航海家業務(14000 元/年的老闆羣)有個需求:把每天的羣聊精華提取上線官網。
如果是從 0 開始搭,端到端開發要幾天。
但我用現有的底層 Skill 組合——
- 微信提取 Skill
監控三個羣 - 按某天範圍抓內容
,按用戶分段 - 主題歸類
(電商等) - AI 整理成小文章
- 飛書 CLI 直接打到飛書文檔
- 上傳官網格式加工
半小時跑通,下午 1 點立項,6 點上線。
這就是系統化的真正含義——
當一個新任務出現,是從已有底層文件夾裏組合,而不是從 0 搭建。
底層不變,組合產生新能力。
我的開發原則:只開發底層。臨時跑的工作流不沉澱回底層,但底層核心能力一直在精進。
所以我不是從 0 到 1 搭工作流——我是 0.8 到 1,前面 0.8 早就有了。
9.3 用 AI 學習 AI · 不是用人學 AI
我每天有幾個固定信息源:
- X(推特)
養出的 for you 流(每天 30 分鐘刷一遍,一邊刷一邊 Ctrl+Tab 收藏頁面) - GitHub
最新排名 - 小紅書
偶爾推薦的工作流 - 微信羣聊
裏各種公司羣發的密集 AI 信息
關鍵動作:刷的時候不學習。
集中開 10 個終端窗口,讓 AI 去學。
讓 AI 評估這些內容對系統某個板塊是否有借鑑價值,如果有就下載源碼本地解析——不下載源碼、不下載視頻,AI 看簡介給出的判斷都是不可信的。
9.4 學習是 AI 的事,生活是我的事
我學的是範式——
用 AI 去學 AI,讓它告訴我"對系統有什麼幫助、有什麼提升、能不能下載源碼本地驗證"。
我自己的精力,留給真實的人和真實的事。
9.5 三層信息保留 · 每打一個字都算數
- 所有跟 AI 的對話
——我自己寫了插件,電腦上輸入任何文字(拼音也行)都會自動整理邏輯落到本地文件 - 所有錄音轉文字
(包括跟領導對齊)——飛書錄音豆 + AI 區分聲音 pass 掉自己只保留領導內容 - 所有 Claude 歷史聊天
——有自動化腳本讀寫保存
這些全是我的輸入語料。
每打一個字、說一句話都算數。
10. 把這 9 件事濃縮成 8 個具體動作 · 你今天就可以做
如果你看完打算動手,這是今天就可以做的 8 件事:
🎯 動作 1:本地優先 Skill / 知識庫 / 個人 IP 資料 全部沉澱到本地文件夾,不依賴雲端 Memory。
🎯 動作 2:開發底層而不是工作流 讓新任務從底層組合生長,不要每個任務都從 0 搭。
🎯 動作 3:數據替代審美 如果你沒有內容審美,讓數據告訴你好壞,讓 AI 幫你優化。
🎯 動作 4:精準而非海量 100 個分檔監控的博主勝過 1 億條數據,10 篇精準對標勝過 50 篇泛抓。
🎯 動作 5:AI 自己改 Skill 不要鑽細節代碼,看結果即可。結果不好就反饋,AI 比你強大。
🎯 動作 6:必有沉澱迴流 每個 Skill 文件夾必須有"作品集 + 任務日誌",本地落盤。
🎯 動作 7:穩定使用最貴模型 Claude Code 把額度跑滿。API 錢別省,能力差距是 90 分 vs 65 分。
🎯 動作 8:追風變追深 不追浪花,潛入深海。每一步都在底層系統上長出來。
收尾。
整場分享如果只能記住一句話——
Skill 是給 AI 看的 SOP。但 Skill 最大的價值不在 SOP 本身,在你為了做出 SOP 而梳理出來的那套系統結構。
模型每年都在升級——
- 2024 年的 Claude 3
寫不好的代碼,2025 年的 Claude 4 已經寫得好 - 2025 年你封裝的 Skill
,2026 年的模型 可能開箱即用 - 2026 年你磨的複雜 prompt
,2027 年的模型 可能一句話內化
但你 2024 年開始建的"每一步都算數"的本地系統——
它不會被吞掉。它每年都在長。它跟着模型升級一起變強。
下次有人問你"AI 時代該學什麼"——
別說提示詞,別說 Skill,別說 Agent。
跟他說:
學一套能讓你每一步都算數的系統。
這才是這個時代真正不貶值的核心資產。