我写过好几十个Skill。
先说一个最深的体会：Skill不是"大号Prompt"。这是最大的误解。
很多人以为Skill就是写一段更长的Prompt，让AI按着做。错了。Prompt是一次性喂给AI的指令，AI读完照做，做完就忘。
Skill是一套作业系统。它不止告诉AI做什么——还告诉AI按什么流程、调什么工具、参考什么资料、输出什么格式。AI拿到Skill，像工人类到生产线。他知道每一步怎么走，走完还能自己判断下一步。
两者的区别打个比方：Prompt是你给AI打电话说"帮我写个方案"，Skill是你给AI一本操作手册说"以后遇到这类需求，按这本手册做"。
所以Skill的核心价值不在"指令更长了"，在"作业系统化了"。
那写Skill的正确姿势是什么？
我用了大半年，试过两种方法。一种是上来就开干，把Skill的框架、流程、边界全部想好，然后写。结果？写了删删了写，一个月憋不出一个能用的。
另一种是我现在用的，也是最有效的——先跑通，再封装。
先不写Skill。直接在对话里跟AI一起干活。把你想要的效果跑通。不满意就改prompt、调步骤、换资料。直到输出结果你自己认可了。然后回过头复盘：刚才哪些步骤是关键的、哪些是多余的、有哪些边界条件需要考虑。
复盘完了，让AI帮你把整个流程封装成Skill。再在新对话里测试一下，看看能不能稳定复现。
如果你第一次测不行，就回到第一步重新跑通。然后再复盘、再封装、再测。
这个流程我跑了无数轮，最后总结成四个字：跑通→复盘→封装→回溯。
为什么要先跑通再封装？因为你不跑通，根本不知道好结果长什么样。你不知道好结果长什么样，写给AI的指令就是猜。猜出来的Skill，大概率是废的。
说得直白点：如果你自己在AI对话里都做不出一个满意的结果，就别妄想一个Skill能帮你搞定。Skill的威力建立在"你已经知道怎么做"的基础上，不是替你发明答案。
那Skill到底长什么样？
很多人看Skill的配置文件就头晕——又是YAML又是frontmatter又是reference。我拆开来说，其实就三层。
第一层：名和描述。
这个最简单。告诉AI这个Skill是干什么用的。写的时候注意一个原则——不是写给自己看的，是写给AI看的。要让AI看到描述就知道"这个活儿我该调取那个Skill"。比如"分析Excel数据"就不要写成"数据处理"，太模糊了。
第二层：主流程文件。
这是Skill的核心。告诉AI作业分几步、每一步做什么、输出格式是什么。最简单的Skill只需要这一层。一个SKILL.md文件，几百字，就搞定了。
第三层：参考资料。
如果主流程搞不定，再加这层。比如你做竞品分析的Skill，可以在references文件夹里放几个竞品分析的模板、评价维度的checklist、行业指标库。AI在做的时候会主动读这些资料。
三层的关系是：名和描述决定AI什么时候调你，主流程决定AI怎么做，参考资料决定AI能做多好。
所以初学者别贪多。先做第一层和第二层就够了。跑通了再慢慢加第三层。
再说说Skill怎么迭代。
Skill不是写一次就完事的。它需要像产品一样迭代。
比如PPT-Skill。
V1只能做出60分的PPT——能用，但不漂亮。
V2加了底板和参考样式，提到了65分。
V3引入了子智能体，让AI根据内容自动适配设计。到了75分。
V4优化了整个流程，减少人工干预。终于到了85分。
每次迭代只解决一个最关键的问题。而不是一次想全部搞定。
所以我的建议是：先做一个60分的Skill用起来。不要追求一步到位。先用得上，再慢慢优化。你用得越多，发现的问题越准，迭代的方向就越对。
写Skill最考验的，不是你的prompt技巧，不是你的代码能力——是你的SOP化能力。
什么是SOP化能力？就是把一个流程拆解成标准步骤，让另一个人照着做也能做出相同结果的能力。
如果你在某个领域很熟——比如做竞品分析——你就知道什么样的分析是有价值的、什么样的结果是好的。你能把这些判断标准写进Skill里。
但如果你不熟呢？比如让你写一个完全不了解领域的Skill。你根本不知道好结果长啥样，怎么判断AI做得对不对？没有判断标准，就没有回溯机制。没有回溯机制，Skill就跑不稳。
所以写Skill有一个隐含的前提：你得对这件事有判断力。或者，你至少能构建一个"验证机制"来判断AI做得好不好。
这解释了为什么编程类的Skill最好写。因为代码能跑就是能跑，不能跑就是不能跑。验证机制太清晰了。
但在泛办公领域，很多事情没法这么验证。什么叫"好的周报"？什么叫"有洞察的竞品分析"？你的标准如果不清晰，AI就学不会。
所以写Skill的本质，是把你的经验SOP化。你不是在教AI做事，你是在把你做事的方法论变成AI能执行的流程。
写在最后
Skill是个好东西，但不是所有人都需要写几百个。
大多数人，写几个跟自己工作最相关的Skill，就够用了。关键是别图多，图精。先跑通再封装，先能用再优化。
如果你刚开始接触Skill，从最简单的开始——把一个天天重复的流程变成Skill。
你迈出这一步，会发现以前抱怨的"重复劳动"，大部分都能交给Skill解决。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
