Skill

写给 AI 的 SOP——将人的隐性经验编译为可复用的程序性知识包，让 AI 在约束内自主完成特定类任务

简介

Skill 是 AI 协作领域的一个核心概念，指的是将人的隐性经验（Know-how）编译为可复用的程序性知识包，让 AI 在约束内自主完成特定类任务。与 Prompt（临时表达意图）、知识库（持久存储事实）、Agent（完全自主决策）不同，Skill 占据了一个独特的位置——既是持久的，又是程序性的（Know-how），同时在编排上处于”人定约束、AI 灵活执行”的中间地带。

Skill 的理论基础来自认知心理学的 ACT-R 理论（Anderson, 1982）。该理论将知识分为陈述性知识（Know-what）和程序性知识（Know-how），人的学习过程就是从前者向后者的”知识编译”。Skill 做的事情是跳过反复练习，直接把编译好的程序性知识注入 AI——知识库让 AI「知道」，Skill 让 AI「会做」。

Skill 横跨 AI 协作系统的编排层和知识层：它包含知识文件（颜色规范、Token 速查表）、编排逻辑（5 步生成流程）和约束规则（踩坑教训），不是单纯的知识也不是单纯的流程，而是两者的结合。这种双重属性使 Skill 在 Prompt → 知识库 → Skill → Agent 的演进线中处于承上启下的关键位置。

关键信息

• 类型：概念
• 领域：AI 协作 / 知识工程 / 认知科学
• 理论支撑：ACT-R 认知理论（Anderson, 1982）
• 核心区分：知识库让 AI「知道」（Know-what），Skill 让 AI「会做」（Know-how）
• 相关概念：提示词工程、AI Agent 智能体、Skills变现、MCP 模型上下文协议

核心特性

定义

Skill 的完整定义包含三个关键要素：

1. 隐性经验：不是写在文档里的信息，而是脑子里说不出来但知道怎么做的东西——比如”拿到需求自然就知道该怎么画”的程序性知识
2. 编译：跳过反复练习，直接把经验注入给 AI——人要靠反复练习才能完成知识编译，Skill 把编译结果直接交付
3. 约束内自主：既不像 Workflow 那样把每一步写死（零判断空间），也不像 Agent 那样完全放手（全权决定）——在规范的护栏内给 AI 灵活发挥的空间

知识视角定位

概念	知识类型	持久性	说明
Prompt	偏 Know-how（表达意图）	临时	一句咒语，会话结束消失
Context	Know-what	临时	信息窗口，有限上下文
知识库	Know-what	持久	给你一本书，长期存储事实
Memory	偏 Know-what（偏好记录）	持久	用户偏好和习惯
Skill	Know-how	持久	给你一项技能，编译好的程序性知识

Skill 占据右上角——既是持久的，又是 Know-how 的。编译好的程序性知识不会随会话消失。

编排视角定位

概念	编排者	判断空间	说明
Workflow	人	零（全部写死）	人用代码写死每一步，机器执行
Skill	人定约束，AI 执行	中间	人在护栏内给 AI 灵活空间
Agent	AI	全部（完全自主）	AI 自己决定目标和步骤

Skill 的甜蜜点在于”约束内自主”——人定边界，AI 在边界内灵活执行。

架构分层

AI 协作系统从底层到顶层分五层：

1. 协议层：MCP（模型上下文协议）
2. 工具层：Tool（具体可调用的工具）
3. 上下文层：Context（当前会话信息窗口）
4. 知识层：Prompt / 知识库 / Memory
5. 编排层：Workflow / Skill / Agent

Skill 特殊在横跨两层——知识层和编排层，这是它与其他概念的根本区别。

演进路径

AI 协作的分享形态正在沿一条清晰的线演进：

阶段	分享什么	比喻	传递深度
第一阶段	Prompt	教你一句咒语	显性知识，因人而异
第二阶段	知识库	给你一本书	持久的事实信息
第三阶段	Skill	给你一项技能	程序性知识，效果趋于一致
第四阶段	Agent	给你一个员工	完全自主的行动能力
未来	Principle	给你一个决策框架	元认知，知道该做什么
更远	AI 角色	给你一个专业角色	一组 Skill + 决策框架

Skill 的文件体系结构

一个成熟的 Skill 不是单文件，而是按职责拆分的文件体系（以 Figma 原型图 Skill 为例）：

文件	职责	类比
SKILL.md	总控文件，规定什么时候该做什么	大脑中的方法论
design-style-guide.md	视觉规范	设计手册
figma-component-reference.md	精确 Token 值	参数速查表
figma-generation-guide.md	5 步生成流程	操作规程
lessons-learned.md	踩坑教训（放 Memory 常驻）	经验教训本

核心原则：不要把所有东西塞进一个文件，按职责拆分——方法论在脑子里，细节在手册里。

Skill 构建四阶段

1. 直接上手试错：不写规范直接让 AI 做，来回改五六轮。价值在于发现 AI 在哪犯错（如风格不对、数据编造、换行方式错误）
2. 从失败中提炼：把反复出现的问题对应成规则——写 design-style-guide、做 Token 速查表、加约束条件
3. 组织成文件体系：按职责拆分成独立文件，总控+规范+参数+流程+教训
4. 持续喂养：每次新场景出问题立刻追加规则，越用越强

Skill 构建 6 个技巧

1. 踩坑即沉淀：AI 犯错后立刻说「帮我写进 lessons-learned」，同一错误不会犯第二次
2. 让 AI 自己找工具：不替 AI 研究可用 API，直接告诉目标让它自己探索试错，省掉大量查文档时间
3. 先做一遍再提炼 Skill：先让 AI 做真实任务，从过程中提炼固化部分。Skill 应从实践中生长，不是从想象中设计
4. 让 AI 帮你写 Skill：对话中说「把刚才做的这些总结成规范文件」，用 AI 写 Skill 指导 AI 形成闭环
5. 用 Memory 做热补丁：小教训先写 Memory，积累到一定量再整合进 Skill 正式文件。Memory 是 Skill 的草稿箱和快速迭代通道
6. 分享意图而非指令：告诉「为什么这样做」比「做步骤1、步骤2」更鲁棒。约束目标和边界，把路径交给 AI——这就是 Skill 和 Workflow 的根本区别

Skill 作业流程的四步法：跑通→复盘→封装→回溯

来源：2026-05-27-woshipm-yunshu-skill-practical-guide

作者云舒在写了上百个 Skill 后总结的”最核心一条经验”——不要一开始就设计 Skill，先跑通再封装。这与”先做一遍再提炼 Skill”的方向一致，但提供了更具体的四步作业流程：

阶段	关键动作	容易踩的坑
1. 跑通	和 AI 定好目标 → 把真实场景跑出来（不需完美）	追求一开始就完美，反而跑不通
2. 复盘	和 AI 讨论：哪些是正向流程 / 哪些是负向流程 / 哪些内容应该沉淀	跳过这一步直接封装，等于凭想象做产品
3. 封装	让 AI 基于复盘结果进行 Skill 封装	不让 AI 写，自己手写 Skill 容易脱离真实经验
4. 回溯	开新对话测试稳定性，不稳定就定位问题	不做回溯，永远不知道 Skill 是不是真的能复用

关键判断：Agent 作业逻辑下任务复杂度明显变高（涉及脚本、工具调用、文件读取、subagent 分工），很多流程很难在一开始就完整设计出来。Prompt 时代可以”先设计再验证”（Chatbot 多轮对话相对简单），Agent 时代必须”先跑通再提炼”——试错成本最低，测试成本也大幅降低。

Skill 的三层渐进式加载结构

来源：2026-05-27-woshipm-yunshu-skill-practical-guide

Agent 调用 Skill 不是一上来就把全部内容塞给模型，而是分多层级渐进式加载：

层级	内容	加载时机	作用
第一层	name + description	一次对话中加载所有 Skill 的描述	触发判断（用哪个 Skill）
第二层	SKILL.md	模型决定调用某 Skill 后才读取	主流程指引
第三层	references / scripts / assets	主流程各阶段按需调用	补充能力

一句话总结：name 和 description 负责触发，SKILL.md 负责主流程，参考资料负责在复杂场景下补充能力。关键不是目录看起来多完整，而是每一层都要服务于模型的真实作业流程。

这与 2026-05-21-agent-skills-woshipm 给出的”SKILL.md + scripts/references/assets”工程骨架完全吻合，但视角不同——沃垠从工程实现层讲文件结构是什么，云舒从作业机理讲这套结构如何被 Agent 实际调用。两者形成”骨架 + 运行时”双视角。

Skill 的产品式迭代：围绕两个维度优化

来源：2026-05-27-woshipm-yunshu-skill-practical-guide

Skill 不是一次做完美，必须像产品一样迭代。每次优化前问自己两个问题：

1. 这个 Skill 根本上要做的问题是什么？（边界守护——不要做着做着过界）
2. 当前 Skill 做的不好的点是什么？（焦点守护——这次只解决一个最明显的问题）

真实案例 1：多视角深度分析 Skill 演进

版本	解决的问题	关键改动
1.0	跑通	subagent 自由选择视角对内容评估
2.0	视角稳定性	给每个 subagent 派单增加语料库，标准化判断逻辑
3.0	视角数量不够	5 个顾问 → 筛选扩到 10 个
不做 4.0（万能化）	边界守护	新需求另开「设计 Skill」「debug Skill」，每个 Skill 对应明确场景

真实案例 2：PPT Skill 演进

版本	解决的问题	效果
1.0	能不能做	60 分
2.0	样式丰富度（增加底板和参考样式）	65 分
3.0	内容适配（引入 subagent 设计逻辑）	不只是套模板
4.0	减少人干预	AI 更自主作业

规律：每个版本只解决一个当下最明显的问题，不要一开始追求完美。Skill 优化和产品迭代很像。这与 Jo斯达的 PM Skill 边界规则（2026-05-13-ai-pm-requirement-scheduling）一致——成熟 Skill 必须有清晰边界，不要做成万能工具。

Skill 的元方法论：能不能做 = 能不能建立回溯验证机制

来源：2026-05-27-woshipm-yunshu-skill-practical-guide

Skill 本质是”人把一件事 SOP 化的能力”。云舒进一步把场景分成两类，给出可操作的判断模型：

场景类型	写 Skill 的核心动作	难点	真实案例
熟悉领域	经验蒸馏：把脑子里”会做”的拆成 AI 能执行的流程	主要是”翻译”自己的隐性经验	作者已有的设计 Skill、写作 Skill
不熟悉领域	建立回溯验证机制	难的不是让 AI 产出内容，而是判断它做的对不对	见下方两个对比案例

两个不熟悉领域的对比案例：

• 失败案例：六爻占卜 Skill——场景看起来很适合 Skill 化（有规则、流程、参考资料），但作者不懂解卦、AI 也不懂，“我们俩加一起没办法构建一个可靠的回溯测试系统。我压根不知道解卦到底是准还是不准”，打磨半个月放弃。
• 成功案例：编程自动化测试 Skill——作者也不是专业测试工程师，但可以让 AI 设计测试逻辑，通过回溯测试不断优化合理性，最后稳定运行后封装成 Skill。

结论：人不熟悉的领域不是一定做不出来 Skill，核心是看能否通过回溯机制来验证。这把”哪些场景能 Skill 化”从模糊感觉变成可决策的判断标准——是否存在可重复、可对错判断的反馈回路。

Skill 的验证、版本与交接：从自己能用到别人敢用

来源：2026-07-08-woshipm-skill-validation-version-handoff

Zoe产品手记把 Skill 成熟度从“我自己能跑通”推进到“别人也敢接手”。关键判断是：一个 Skill 写得长、步骤多、格式完整，不代表可交接；真正决定别人敢不敢用的，是作者脑子里的隐藏判断有没有被写进文件，包括输入缺失时是否停止、输出哪些是事实哪些是推断、失败时怎么兜底、每次迭代有没有证据。

可交接 Skill 至少要补四层边界：

边界	要回答的问题	典型规则
输入边界	哪些必须给，哪些不能给	不要只写“请提供业务背景”，要列出必填资料、可选资料和需要脱敏/禁止提供的资料
事实边界	哪些是已确认，哪些只是推断	使用 事实标签 标注“已确认 / 推断 / 待确认”，没有输入支持的能力不能写成确定事实
验证边界	输出前具体检查什么	“认真检查”无效，要写成可执行自查清单，例如是否有异常场景、边界、来源和待确认项
停止边界	什么时候不能继续写	信息不足、规则冲突、高风险不可撤回操作时必须停下来，把问题交还给指定确认人

这篇素材还把 Skill 迭代改造成轻量产品版本管理。每次优化前先选一个小任务，跑出 V1，只找一个最影响使用的问题，判断它属于输入、过程、输出还是验证兜底，只改一条规则并记录。复测不能用同一个任务再跑一次，而要用相近但不同的真实任务；例如用“会员积分规则”修出 V2 后，用“优惠券发放规则”验证迁移能力。

因此，Skill 版本记录 不是重型文档，而是让失败变成下一版规则的证据链：改造前是什么、V1 写了什么、失败暴露什么、诊断依据是什么、V2 只改哪条、复测结果是消失/缓解/无效还是出现新问题。Skill 交接条件 则是对外分享前的最低安全线：别人至少要知道如何输入、如何审稿、何时停止、停下后找谁、这个 Skill 有哪些复测证据。

Skills 生态发展历史与跨平台扩散

• 2025-10-16：Anthropic 首次发布 Agent Skills，仅限 Claude Code + Pro 付费用户
• 2025-12-18：Anthropic 把 Agent Skills 作为统一标准对外开放，无需付费用户身份
• 2025-12 至今：Codex、Cursor、Antigravity、OpenCode、Trae、Qoder、CodeBuddy 等 Coding Agent 陆续支持；Claude Cowork、Skywork、MiniMax Agent、扣子等桌面 Agent 跟进；OpenClaw（龙虾）、Hermes Agent（爱马仕）等新兴 Agent 原生支持

这说明 Skills 已从 Anthropic 专有特性演进为 Agent 生态的跨平台通用协议——类比 npm 之于 Node.js，一个 Skill 可以在不同 Agent 上复用。

description 字段：触发即正义

description 是 Agent 判断是否调用该 Skill 的唯一依据，其质量直接决定触发成败。

黄金结构公式：[一句话核心功能] + [具体执行动作] + [明确的触发关键词/场景]

# 好的写法示例
name: security-code-review
description: >
  Reviews code for security vulnerabilities and best practices.
  Use when the user asks to "review code", "check for bugs", "analyze security",
  or mentions SQL injection, XSS, or performance bottlenecks.

写法注意事项：

1. 用省略第二人称的祈使句（“把用户上传的文字生成 HTML”，而非”你帮我把这段文字生成 HTML”）
2. 字数不超过 500 字（YAML 支持最多 1024 字符）
3. 模拟用户的提问方式，把关键词塞进 description

调试方法：Skill 未被触发时，90% 的原因是 description 不够具体。运行 claude --debug 查看加载日志诊断问题。——来源：2026-05-20-agent-skills-intro-claude-opus

Skill 质量阈值：约束 + 示例 = 60% 稳定性提升

Anthropic 内部团队经验（来源：2026-05-20-agent-skills-intro-claude-opus）：

包含至少 3 条明确约束 和 1 个输出示例 的 Skill，其结果的稳定性可提升 60%。

约束使用绝对化词汇：必须、严禁、总是、绝不。输出示例给出预期格式和实际内容，而非只描述格式。

Skill 选择策略：装太多反而降效

Skill 的渐进式披露机制是核心优势——不用时不占上下文，用时才拉全文。但这个机制有一个隐性代价：Skill 装太多会降低触发准确率。Claude 需要扫描所有 Skill 的描述来决定用哪个，描述一多就开始乱猜，准确率直接掉到 50% 以下。官方建议合理持有量 20-30 个，且必须贴合自己工作流。

唯一筛选标准：它能不能替你每天省掉一步手动动作？答不上来就不装，比任何评分都管用。别人的”必装 Top 30”不能抄，因为别人的工作流不等于你的。

“Setup Porn”陷阱：花好几个小时配一堆 Skill 结果什么内容都没产出，本质是拿配置当拖延借口。正确做法是手动跑同一任务 3 次以上，再让 Skill Creator 帮你打包，不要反过来。——来源：2026-05-11-claude-code-6-skills

Claude Code 精选 Skill 推荐（6 个）

经过 30+ 个 Skill 两个月实测，按”能不能替我每天省掉一步手动动作”筛出的 6 个：

通用 3 个（不管写博客还是跑项目都用得上）：

Skill	类型	核心价值	典型场景
Skill Creator	官方元技能	主动问你流程怎么跑，帮你写 SKILL.md + 生成测试用例	”把我昨天手动跑的选题流程打包成 skill”
Planning with Files	社区（13,410 Stars，生态最高）	强制 Claude 先写 task_plan.md，每两步更新 findings.md / progress.md	写长文/长代码写到后面忘开头
Document & Presentation Skills	官方全家桶	PDF/Word/Excel/PPT 一句话转换	23 页 PDF → 10 页品牌色 Slide

创作 3 个（每天写东西绕不开）：

Skill	类型	核心价值	典型场景
SEO Blog Writer & Lead Magnet	社区	三合一：关键词研究 + SEO 长文 + 11 页 PDF 引流手册	把邮件诱饵从”下次再做”变”顺手就做”
Newsletter Automation	社区	全链路：Perplexity 采编 → HTML 排版 → Gmail 草稿箱	独立 Newsletter 从 1-2 小时砍到 10 分钟审稿
Content Repurposer	社区	读你历史帖子抓语气特征，并行生成 Twitter/LinkedIn/Newsletter	多平台分发从半小时压到一分钟

按场景选 Skill：

• 每天在 Claude 里反复跑同一串动作 → 先装 Skill Creator
• 写长内容经常写到后半段忘了开头设定 → 装 Planning with Files
• 写博客/公众号想一份长稿出多平台 → 装 Content Repurposer
• 刚点进 Claude Code → Settings → Capabilities → Skills 打开，顺手开 skill-creator

——来源：2026-05-11-claude-code-6-skills

Skill 质量判断：改变工作流，而不是换壳 Prompt

来源：2026-07-06-ltn-claude-code-skills-5

这篇素材给出一个更锋利的筛选标准：打开 SKILL.md，如果核心内容你可以用一句话直接对 AI 说出来，那就不需要这个 Skill。 很多所谓 Skill 本质只是“你是一个 XX 专家，请按以下步骤……”的提示词包装，用户直接在对话里说同样的话就能达到近似效果，安装反而增加触发竞争和维护成本。

真正有价值的 Skill 必须改变 AI 的工作流程、思维模式或信息获取方式。例如：

Skill	改变了什么	为什么不是普通 Prompt
Superpowers	让 AI 从直接写代码改成澄清需求、制定计划、系统调试、TDD、Code Review	它把多个子流程固化为开发框架，持续改变默认行为
Taste Skill	让 AI 生成 UI 时持续遵守间距、配色、排版、圆角/阴影规则	它把审美规则前置到每个 UI 元素生成过程，而不是一次性提醒“做漂亮点”
Graphify	让 AI 先扫描代码库并生成依赖/调用图谱，再回答项目问题	它改变上下文获取方式，从线性读文件变成图谱导航
Deep Research	多角度搜索、交叉校验、矛盾投票、带引用输出结构化报告	它改变调研流程，而不是简单“帮我搜一下”
find-skills	面对 1400+ Skills 通过关键词发现候选	它改变 Skill 发现入口，而不是让用户手动翻 GitHub

这个标准与前文“能不能每天省一步手动动作”互补：前者判断是否值得安装，后者判断是否值得长期保留。一个 Skill 如果既不改变流程，也不能减少重复动作，就应视为 Setup Porn 风险，而不是生产力资产。

会复利的 Skill：从静态 SOP 到程序记忆

来源：2026-07-06-blocktempo-fable-5-self-improving-agent

这篇素材把 Skill 放进 Fable 5 自我改进代理系统中，提出一个更长期的视角：Skill 不只是“把流程写成 SOP”，还应该成为系统的程序记忆。STATE.md 记录项目级事实和当前状态，Skill 则记录跨项目、跨会话可复用的处理规则、已知失效模式、反模式和 eval 套件。

一个会复利的 Skill 通常包含这些部分：

区块	作用
Classification rules	先把问题类型分清，避免每次重新判断
Known failure modes	真实运行中确认过的失败模式和修复方法
Anti-patterns	明确禁止的危险行为，例如禁用测试、私改高风险工作流
State 写回规则	每次运行结束要把分类、修复、升级事项写入状态文件
Eval suite	定期回归验证 Skill 是否因为新增规则而退化

这与前文“踩坑即沉淀”“持续喂养”一致，但更强调闭环：失败不是只写进对话，必须先调查、验证、蒸馏，再写回 Skill；之后每次新任务开始时，Agent 应主动读取相关 Skill，而不是从头推导。两周有纪律的事故复盘和 Skill 更新，可能比一个全新项目里让最强模型临场推理更可靠。

下一步演进：Principle（决策框架）

沿 ACT-R 继续推演，程序性知识之后是元认知：

• Skill 解决「怎么做某件事」（程序性知识）
• Principle 解决「怎么判断该做哪件事」（元认知/决策框架）
• 比方：Skill 是厨师会做红烧肉，Principle 是厨师知道今天该做什么菜——要看食材、看客人、看场合

已经出现的 SkillHub、ClawHub 等 Skill 集市对应 App Store 早期（单个能力分发）。Principle 成熟后会出现「AI 角色市场」——装载不再是个体技能而是完整专业角色（如产品设计师角色自带画原型+写PRD+竞品分析等一组 Skill 和决策框架）。

PM 工作流 Skill：需求拆解与智能排期

需求拆解和智能排期是 Skill 在产品经理日常中的典型落地形态。它们不是让 AI 完全替 PM 决策，而是把 PM 脑子里的 checklist、异常场景库、关键路径、排序规则和文件写回约束编译成可执行流程。

需求拆解 Skill 的输入是客户成功、销售或业务方给出的自然语言需求，输出是开发可直接使用的 Feature、Story 和 Gherkin 验收场景。它会先抽取用户角色、核心目标、关键场景、非功能需求、约束条件，再按 SaaS 模块（租户管理、用户与权限、订阅计费、产品配置、运营后台）归类；每个 Story 至少生成 1 个正向场景和 1 个异常场景。真正有价值的不是“帮你写文档”，而是强制每个需求先回答类似 5W2H 的问题，把模糊成本前置暴露出来。

这类 Skill 还需要适配真实工作流：继承模式允许基于 STORY-008 生成 STORY-012，而不覆盖旧 Story；异常场景库会提示权限变更、并发修改等容易遗漏的边界；关键路径校验会扫描租户开通、用户加入、订阅变更、计费计量、跨租户数据隔离等 SaaS 核心链路是否断档。这体现了 Skill 与普通 Prompt 的差异：Prompt 只表达一次意图，Skill 则把组织反复踩过的坑沉淀为持续生效的护栏。

智能排期 Skill 则把 Story 清单到迭代计划的过程结构化。它读取 stories.md 中“已确认但优先级为空”的 Story，用“业务价值 × 0.4 + (1 – 实现成本/10) × 0.2 + (10 – 风险等级) × 0.1 + 用户影响范围 × 0.3”计算默认分数，再解析依赖关系构建依赖图，保证被依赖 Story 排在依赖它的 Story 前面。同层 Story 按得分排序，未确认的依赖项跳过并提示，循环依赖（如 STORY-001 → STORY-003 → STORY-001）直接警告人工检查。最后只有在 PM 确认后，才把分数和“已排期”状态写回文件。

这个案例说明，成熟 Skill 的边界必须写清楚：需求拆解 Skill 不排优先级、不做变更管理、不设计技术方案；智能排期 Skill 不写代码、不分配具体开发人员、不做跨项目资源协调。它们只是“外挂大脑”，自动化繁琐的澄清、校验、算分和依赖解析；真正的大脑仍然是承担业务判断和责任的产品经理。——来源：2026-05-13-ai-pm-requirement-scheduling

PM Skills 插件化分发：从方法论文件到可安装工作台

2026-05-26-woshipm-pm-skills-claude 展示了 Skill 在产品经理职业场景中的另一个演进方向：不是每个 PM 都从零写 SKILL.md，而是通过 marketplace 安装已经打包好的 PM Skills 插件包。素材中的命令先添加 phuryn/pm-skills marketplace，再安装 strategy、discovery、market research、data analytics、marketing growth、go-to-market、execution 等多个 PM 插件包，把 PRD、竞品分析、用户画像、功能优先级、SWOT、OKR 等任务变成 /pm-* 命令。

这个案例说明 Skill 已经从“单个能力文件”进入“职业工作台”形态：多个 Skill 按 PM 工作链条组织，用户通过命令选择具体工作流。它降低了启动成本，但不改变 Skill 的基本边界——Claude 可以复制完整工作流程、生成 Markdown 文档和提出关键问题，产品经理仍必须补充真实需求、判断哪些问题关键、验收输出是否符合业务目标。换句话说，插件化分发让 Skill 更容易安装，不能让 PM 的判断责任消失。

不同素材中的观点

• 2026-07-23-woshipm-ai-token-cost-six-tips：把 Skill 明确写进 Credits 降本清单：官方六条里「Skill 沉淀流程」与 Memory 并列，目标是少重复口述固定流程、少每轮重贴规范。与「写规则不写教程」一致——Skill 不只是能力封装，也是省回头税与重复输入的成本资产。配合一次说清、拆会话、模型分级，作者转述掌握六条后消耗可降 70%+；grill-me 式澄清 Skill 可视为上游，减少最贵的返工循环。

• 2026-07-19-juejin-ai-skills-specialized-employee：掘金 ReBound 以 Claude Code 为主平台，把 Skills 写成从概念到工程的系统手册。核心贡献：(1) 三阶段演进（搜索→提示词工程→Skill 固化）与「专属员工」定位；(2) 存放优先级企业>个人>项目>嵌套>插件，Monorepo 命名空间调用；(3) frontmatter 全字段表，尤其 description 触发率 0→90% 的踩坑与 disable-model-invocation 防误触发；(4) 会议纪要 + AI 日报双完整案例，后者含 WebFetch 与 !` 脚本；(5) 动态注入、参数、fork+Explore、支持文件、Token 生命周期（约 5k/Skill、25k 预算）与 skill-creator evals；(6) MCP·Memory·Skills 三角协同。与同日 To_OC 会议纪要篇互补：To_OC 偏 skill-creator 路径与封装闸门，本文偏运行时字段与平台高级能力。

• 2026-05-21-agent-skills-woshipm：沃垠AI 的人人都是产品经理长文，从工程实现层面对 Agent Skills 做了一次完整拆解：先用“给 AI 的员工手册”类比解释 Skill 的定位，再系统梳理标准文件夹结构 SKILL.md + scripts/references/assets、description 字段的路由作用、渐进式披露如何避免上下文爆炸，以及 Skill 与 Prompt、MCP、Agent、Projects 的分层差异。文章还用“HTML 信息图生成器”案例演示了从单一职责定义、YAML 元数据、Markdown 指令到参考设计指南的完整制作流程，并补充了官方/社区 Skill 来源、安装方式和 4 阶段测试迭代框架，适合作为 Skill 工程化落地的操作手册。

• 2026-05-20-agent-skills-intro-claude-opus：沃垠AI 的万字实操入门教程，从 Skills 的历史（2025-10-16 Anthropic 首发，2025-12-18 开放标准，Codex/Cursor/OpenClaw/Hermes 等十余个 Agent 全面跟进）出发，重点讲解三个核心”魔法机关”：YAML 元数据（智能开关）、渐进式披露（随用随取的小抄）、子代理召唤（影分身机制）。给出 description 字段的黄金结构公式 [功能] + [执行动作] + [触发关键词]，以及含 3 条约束 + 1 个输出示例可使稳定性提升 60% 的 Anthropic 内部数据。以 HTML 信息图生成器为手把手案例，覆盖命名规范、文件结构设计、设计规范细节、HTML/CSS 输出要求的完整实践。

• 2026-05-11-skill-sop-for-ai：冰冰酱基于 ACT-R 认知理论系统定义了 Skill 的本质——将隐性经验编译为可复用程序性知识包。通过两张象限图（知识视角：Know-what/Know-how × 临时/持久；编排视角：写死/自主 × 人/AI）精准定位了 Skill 在 AI 协作体系中的位置。以 Figma 原型图 Skill 为实战案例展示了四阶段构建过程（试错→提炼→组织→持续喂养）和 6 个构建技巧（踩坑即沉淀、让 AI 自己找工具、先做再提炼、AI 写 Skill、Memory 热补丁、分享意图非指令）。提出演进路径：Prompt→知识库→Skill→Agent→Principle→AI角色市场。

• 2026-05-11-claude-code-6-skills：掘金作者实战筛选 Claude Code Skill 的经验——装 30+ 个 Skill 两个月后只留 6 个。核心洞察：装太多 Skill 会降低触发准确率到 50% 以下（Claude 扫描所有描述决定用哪个，描述一多就乱猜）。提出唯一筛选标准”能不能替我每天省掉一步手动动作”和”Setup Porn”陷阱概念（拿配置当拖延借口）。推荐 6 个精选 Skill：通用类（Skill Creator 元技能 / Planning with Files 长文规划 13,410 Stars / Document & Presentation Skills 官方全家桶），创作类（SEO Blog Writer 三合一 / Newsletter Automation 全链路 / Content Repurposer 语气感知多平台分发）。

• 2026-05-13-ai-pm-requirement-scheduling：Jo斯达展示了 Skill 在产品经理需求管理中的具体落地：一个需求拆解 Skill 将客户成功/销售的自然语言需求转成 Feature、Story 和 Gherkin 验收场景，并通过继承模式、异常场景库、SaaS 关键路径校验适配真实敏捷流程；另一个智能排期 Skill 读取 stories.md，按业务价值、实现成本、风险等级、用户影响范围打分，结合依赖图排序，只处理“已确认”的 Story，并在用户确认后写回优先级和“已排期”状态。这个案例强调 Skill 是“外挂大脑”而非替代 PM 判断，自动化的是 checklist、算分和依赖解析，最终决策仍由人负责。

• 2026-05-13-ai-agent-productivity-20x：深思圈把 Skill 放进更完整的 Agent 系统里讨论，强调 Skill 的本质是“写给 AI 的 SOP”，是整个体系里复利最强的一层。它的重要性不在单次 prompt 更漂亮，而在把提案格式、广告分析、晨间简报、播客嘉宾研究等可重复流程打包为可调用能力，再与上下文、记忆、MCP 和定时调度串联，形成会持续运行的自主工作流。文章还给出两种高复用的构建方式：基于课程/流程文档直接生成 Skill，或先与 Agent 手动跑完真实流程，再把结果提炼成 Skill。

• 2026-05-20-self-as-product-sop：这篇文章虽然讨论的是“自我产品化”，但其核心写法本质上也是 Skill 思维在个人成长场景的投射：把产品经理对自己的成长管理从零散灵感升级为可执行 SOP，用立项评审、PPRD、Backlog、Sprint、Dashboard 和定期复盘把隐性的成长经验编译成持续可复用的流程。它说明 Skill 并不只适用于 AI 协作或工具调用，也是一种更广义的“把 know-how 结构化、流程化、可持续迭代”的思维方式。

• 2026-05-23-build-sop-personal-effectiveness：蔡锦海给出的”工作 SOP”是 Skill 概念的镜像投影——Skill 是写给 AI 的 SOP，工作 SOP（PDCA/5问/SCQA/重要紧急四象限）是写给人自己的 SOP。两者本质同源：把重复发生的工作场景编译成可调用的标准动作。差别只在编译载体（AI 文件 vs 大脑习惯）和执行者（AI 自主 vs 人主动）。这条线索很重要——它说明 Skill 思维不是 AI 时代独有，而是”能力强的人”沉淀经验的通用模式，AI 出现只是让这种沉淀第一次能被精确编译并直接注入另一个执行体。详见 工作SOP。

• 2026-05-26-woshipm-pm-skills-claude：秀琴江湖飘介绍的 PM Skills 插件包把 Skill 从”可构建的流程文件”推进到”可安装的职业工作台”。它通过 claude plugin marketplace add phuryn/pm-skills 添加市场，再用 claude plugin install 一次安装八个 PM 包，并用 /pm-execution:create-prd、/pm-market-research:competitor-analysis 等命令触发具体工作流。这篇素材的价值不在底层架构，而在用户视角：Skill 真正普及后，普通 PM 不一定先学习 YAML、description 和资源目录，而是先用命令调用别人打包好的流程；但作者提醒”别一上来就把他当成万能的”，说明 Skill 的边界仍是”流程辅助”，不是”责任转移”。

• 2026-05-27-woshipm-central-skill-symlink：甜橙和亨亨从多 Agent 并用的真实痛点出发，提出”中央 Skill”方案——用软链接把所有 Agent 的 Skill 文件夹统一指向同一中央文件夹，实现 Single Source of Truth。操作上只需创建 SharedSkills 文件夹、删除各 Agent 原有 skills 目录、用 ln -s 创建软链接三步。这篇文章的独特贡献不在工程架构，而在两个更深层的洞察：(1) Skill 碎片化不只是操作不便，而是”逐渐不知道自己有什么 Skill——Skill 库变成自己都不信任的黑盒”，这是资产管理的失败；(2) 在模型快速迭代、工具不断演进的 AI 时代，Skill 是为数不多的确定性——“Skill 的价值曲线和 AI 的进化轨道是独立的，AI 越强，自己的方法论越能发挥更大的价值”。这两个观点将 Skill 从”可复用的程序性知识包”提升为”可积累、可增值的确定性资产”，为统一管理 Skill 提供了超越便利性的深层理由。

• 2026-05-27-woshipm-ai-ecommerce-kol-agent：Elaine.H 的”达人帮你挑”电商 AI 导购 PRD 把 Skills 定位为 “原子化执行单元”，与 Agent 层形成严格分层关系——Agent 层是”全局唯一调度中枢”（具备自主决策与流程跳转能力），Skills 层是”无自主决策能力的执行手脚”，仅接收 Agent 下发的固定指令，完成单一闭环任务，输出标准化结果。关键规则：技能之间无直接调用，所有工具统一标准化入参出参格式，由 Agent 中枢统一调度；工具调用支持超时熔断、异常重试、降级兜底；调用结果必须可溯源、可审计、全程留痕。这种”大脑+手脚”的严格分层与本词条已有的”Workflow（写死）→ Skill（约束内自主）→ Agent（完全放手）“编排视角形成具体的工程落地——在企业级多技能 Agent 架构中，Skills 退化为”被调度的能力原子”，Agent 承担所有判断责任，从而保证海量 KOL 分身并行部署时的可控性和稳定性。这把 Skill 的”约束内自主”在企业级场景具体化为”接收指令、独立完成、标准输出”三件事，是 Skill 在大规模 Agent 系统中的标准位置。

• 2026-05-20-woshipm-6377843-tg-test-claude-opus：沃垠AI 的万字入门教程（与 2026-05-21-agent-skills-woshipm 同作者姊妹篇），侧重动手实操而非架构拆解。核心贡献：(1) Skills 是 2026 年最值得学习的 AI 技能这一开篇定位——让 Agent 从”职场小白”变”开箱即用老同事”，是与 Prompt、MCP、Agent、Projects 并列的第五块拼图。(2) description 字段是触发唯一依据的关键认知——90% 的 Skill 未触发问题来自 description 不够具体，黄金写法是省略第二人称的祈使句 + 字数不超过 500 字 + 必须包含触发关键词/场景，可用 claude --debug 诊断。(3) Skill 质量阈值的量化数据——Anthropic 内部团队经验”3 条约束 + 1 个示例 = 60% 稳定性提升”，约束必须用绝对化词汇（必须、严禁、总是、绝不），输出示例给出实际内容而非只描述格式。(4) Skills 跨平台扩散的完整时间线——从 2025-10-16 Anthropic 首发（仅限 Claude Code + Pro 付费）到 2025-12-18 开放标准，Codex、Cursor、OpenClaw（龙虾）、Hermes Agent（爱马仕）等十余个 Agent 陆续支持，印证 Skills 已成为类似 npm 之于 Node.js 的生态协议。(5) HTML 信息图生成器完整实现案例——从 YAML 元数据、命名规则、Prompt 模板到 SKILL.md 结构、文件夹存放位置、调试命令的端到端实操，是本词条”实用信息”节的重要补充来源。

• 2026-05-27-woshipm-yunshu-skill-practical-guide：云舒（云舒的AI实践笔记）写了上百个 Skill 后总结的”实操作业手册”，从一线踩坑路径反推 Skill 工程的可复制做法。三个核心贡献：(1) Skill ≠ 大号 Prompt 的精确边界——最简单的 Skill 等价于 Prompt，但 Skill 在「调用方式」（多 Skill 描述预加载 + 模型自动选）和「承载复杂度」（可包含规则/参考文档/Python脚本/素材库，分阶段调用）两个维度上突破了 Prompt 的天花板，这与 提示词工程 词条 “Prompt→Skill 演进” 形成具体的工程化差异说明。(2) “先跑通再封装”四步作业法（跑通→复盘→封装→回溯）+ Agent 时代必须先跑通的原因（任务复杂度涉及脚本、工具调用、subagent 分工，没法一次性设计）—— 这是冰冰酱 2026-05-11-skill-sop-for-ai “先做再提炼”原则的最具体实操化。(3) 三层渐进式加载机制（name+description 触发 → SKILL.md 主流程 → references/scripts/assets 按需）+ 熟悉/不熟悉领域的元判断模型——熟悉领域走经验蒸馏，不熟悉领域看能否建立回溯验证机制（六爻占卜失败 vs 编程自动化测试成功的对比，把”哪些场景能 Skill 化”从模糊感觉变成可决策的判断标准）。同时用多视角深度分析 Skill 1.0→3.0 + PPT Skill 1.0→4.0 两个真实演进案例佐证”像做产品一样迭代”的方法论。

• 2026-06-17-ai-skill-workflow-封装：Rik 的掘金文章从”人肉提示词工程”问题出发，用 “给 AI 写的 SOP” 类比解释 Skill 的核心价值——每次对话都要重复说一遍规则的效率低、不一致、有遗漏、不可复用，Skill 实现了一次编写永久生效。提出 Skill 编写 5 个黄金法则：(1) 一个 Skill 只做一件事（按需加载避免 token 浪费）；(2) 写规则不写教程（AI 已知概念，只需告知怎么做）；(3) 用示例代替描述（getUserById ✓ / getData ✗ 胜过千言万语）；(4) 明确禁止事项（AI 擅长遵守”禁止”规则）；(5) 控制篇幅（理想 200-500 行，200 行≈600-800 tokens）。给出 6 个开箱即用的 Skill 模板（Java Spring Boot、React + TypeScript、Code Review、Git Commit、RESTful API、需求分析）和 从 0 到 1 搭建 Skill 体系四步法（回顾最近 10 次对话找重复指令→按场景分类→写第一个 Skill→测试和迭代）。提供实战效果对比数据：新会话启动时间从前 5 分钟 → 即刻、代码一致性从风格不同 → 严格统一、Review 通过率从 60% → 90%+、重复提示从每会话 3-5 次 → 0 次。核心洞察：“把 Skill 体系搭建好，你的 AI 开发工具就从’每次都要调教的实习生’变成了’熟悉你所有规范的老同事’“，适用范围远超代码，涵盖周报模板、竞品分析框架、商业计划书结构等任何有重复流程的工作。这篇素材与 2026-05-20-agent-skills-intro-claude-opus 和 2026-05-21-agent-skills-woshipm 形成互补：沃垠AI 两篇从工程实现层讲文件结构、description 路由和渐进式披露机制，Rik 从用户实操层讲怎么从日常对话中识别、提炼、迭代 Skill，以及为什么要控制篇幅和明确禁止事项。

• 2026-06-18-bpm-vibe-coding-skill-guide：Serencry 从 B端产品经理实战视角 揭示了 Skill 的完整培育路径——一个成熟 Skill 不是设计出来的，而是在实战中一步一步”长”出来的。提出 Skill 培育四阶段：(1) 混乱期（踩坑+记录协作日志，积累种子）；(2) 收敛期（归纳规律，抽象成三五条规则的 v0.1，从”被动踩坑”进入”主动驯化”）；(3) 验证期（压力测试暴露规则间的矛盾，精细化规则+增加场景分支，从个人武器升级为团队资产）；(4) 稳定期（演化成六部分结构：角色定义+核心工作流+输出质量铁律+场景分支+禁止清单+迭代记录）。提出 Skill 对 B端PM 的三层递进价值：效率价值（协作起点抬高）→ 思维价值（反向逼迫产品感觉显性化、结构化，本质是训练产品判断力）→ 组织价值（个人隐性知识变团队共享资产）。两个实操心法：(1) 从最疼的点开始，Skill 是长出来的不是设计出来的；(2) 用”参考系”和”禁止清单”代替形容词（“参考 Ant Design Pro”比”要专业”有效100倍）。三个避雷：规则要验证过不要”我觉得”、警惕 skill 膨胀定期做减法、Skill 不能替代对业务的理解。这篇素材的独特贡献是揭示了 Skill 从零到成熟的完整成长曲线和B端PM场景下的产品直觉外化方法论，与 2026-05-27-woshipm-yunshu-skill-practical-guide 的四步法（跑通→复盘→封装→回溯）形成互补——云舒偏”怎么做”，本文偏”经历了什么”。

• 2026-06-29-bnext-anthropic-17-claude-skills：未来商务整理了 Anthropic 官方在 GitHub 公开的 17 个 Skill 完整清单，将 Skill 从”概念”拉回”可安装的具体工具”视角。17 个 Skill 按五大类组织——文件制作（pdf/docx/xlsx/pptx 四件套构成完整文档处理流程）、设计与品牌（brand-guidelines/canvas-design/theme-factory/algorithmic-art 解决”AI 输出缺乏个性”问题）、工程与开发（claude-api/mcp-builder/frontend-design/web-artifacts-builder/webapp-testing 覆盖 API 串接到自动化测试）、沟通与内容（doc-coauthoring/internal-comms/slack-gif-creator 维持格式与语气一致性）、Meta Skill（skill-creator 引导用户自製 Skill）。核心实用洞察：(1) Skill 启动时 Claude 只读名称与说明两个栏位，完整指令等任务匹配后才载入；(2) 安装数量过多时功能相近 Skill 容易产生触发竞争，官方建议 5-8 个为最佳——这与 2026-05-11-claude-code-6-skills 精选 6 个的实战经验完全吻合；(3) skill-creator 是最特殊的 Meta Skill，载入后 Claude 引导逐步完成 Skill 撰写，包括 YAML frontmatter 的 description 措辞技巧（决定是否被正确触发的关键）。这篇文章的价值在于提供了官方 Skill 生态的完整地图，与 2026-06-13-claude-skills-66-experts 的第三方 66 个专家 Skill 互补——官方提供基础能力层，开源项目提供领域专家深度层。

• 2026-07-01-woshipm-learn-ai-from-bilibili-up：盒饭财经的这篇报道把 Skill 从”工程/PM 落地工具”拉回到 大众文化现象 的视角——B站UP主花叔看到”同事.skill”爆火后，GitHub 上冒出了”一整个蒸馏宇宙”（前任.skill、反蒸馏.skill、老板.skill 等），他顺势做了 女娲.skill（输入一个名字自动完成对大佬的调研、提炼、验证全流程），4 天 6000+ Star，两个多月后星标超 26.4k。这个案例说明 Skill 已经突破技术圈，成为普通人也能参与创作和传播的 AI 协作产物——花叔本人”并不是技术出身，没想到能在 GitHub 这种技术圈里产生影响”。它与本词条其他偏工程/PM 视角的素材形成互补：Skill 不只是”写给 AI 的 SOP”这种严肃工具，也可以是一种承载大众对”蒸馏名人智慧”想象的轻量创意产物，而”蒸馏一个人是可行的”这一认知本身正在放大普通人”会不会被取代”的焦虑。

• 2026-06-27-claude-code-ai-marketing-team：以旅行品牌 Go Travel 为例展示了 Skill 在营销团队中的系统化应用——12 个营销 Skill（品牌 PPT、社交媒体创意、博客写作、Lead Magnet、数据可视化等）组成完整的营销能力矩阵。关键创新是**“参考驱动”的 Skill 创建法**（Reference-based Method）：先让 Claude 分析品牌 PPT 模板生成详细分析报告，再基于分析结果扩展官方 Skill 生成品牌定制版。核心洞察：“设置参考资料的质量直接决定 Skill 输出质量——不是让 Claude 照抄设计，而是让它理解设计的氛围（vibe）“。同时展示了 Skill 通过 MCP 连接外部工具（Nano Banana 图片生成）的扩展能力，以及在 CLAUDE.md 中写入 Agent 路由规则（研究用 Agent、执行用 Skill）的编排模式。这篇素材把 Skill 从”个人效率工具”推向”团队协作基础设施”——当 12 个 Skill 组成矩阵、5 个 Agent 各司其职时，Skill 就是营销团队的”共享操作手册”。

• 2026-07-05-woshipm-ai-requirement-analysis-report：光点神奇把“需求分析”这个 PM 高频场景提炼成可复用 Skill 骨架：步骤一采访（输入上下文和领导原话，AI 每次只问一个问题，重点问谁用、看什么、解决什么决策、数据从哪来、多频繁）；步骤二整理（输出背景/用户场景/功能描述/数据字段/异常场景/不做的事，要求每部分≤200字、不写空话、每条可直接给研发）；步骤三挑战（扮演需求方、研发、测试三人审文档，每人直接指出 2-3 个问题）。这篇素材的价值在于说明 Skill 不只是代码规范、设计规范或营销模板，也可以承载 PM 的追问与评审 SOP；它把“AI 帮我问对问题”固定成 AI需求分析三步法，是 Skill 在需求澄清场景的典型落地。

• 2026-07-06-juejin-agent-plan-sales-workbench：Agent Plan 销售工作台案例把 Skill 从“单个提示流程”推进到“项目迭代记忆”。文章要求在销售工作台开发完成并通过业务链路验证后，将本次过程沉淀为可复用 Skill；后续用户说“继续优化销售场景工作台”时，Codex 应基于这个 Skill 继续迭代，而不是重新生成一个全新项目。这说明企业业务型 Skill 的价值不只是触发某个功能，而是把资料导入、业务边界、后端接入顺序、问答限制、失败兜底和验收经验编译成长期流程资产。

• 2026-07-06-blocktempo-fable-5-self-improving-agent：这篇素材把 Skill 定义为自我改进代理系统里的“程序记忆”。STATE.md 负责记录项目级事实、开放失败和上次会话；Skill 负责把跨任务可复用的教训、已知失效模式、反模式和 eval suite 固化成长期能力。核心观点是：每一条确认过的教训都应该进入 Skill，而不只是留在对话或临时状态文件里；否则系统下一次仍会从零推导。一个成熟 Skill 应该随真实失败增长，像产品一样持续更新，而不是一次写完的静态提示词。

• 2026-07-07-woshipm-content-repurposer-skill：前进ing 的 qianjin-content-repurposer 案例展示了内容运营类 Skill 的典型形态：不是把“帮我改写成小红书/抖音/知乎风格”写成一句大号 Prompt，而是把六个平台的标题公式、开头结构、字数范围、语气约束、镜头/停顿标注、互动引导和质量评分封装成一次输入多版本输出的工作流。它说明 Skill 很适合承载“平台规则 + 提示词模板 + 质量检查”的程序性知识：用户丢一篇文章进去，即可得到小红书、抖音、知乎、B 站、视频号、公众号等多个平台版本。但该素材也清楚划定边界：AI 完成 80% 的结构和表达，最后 20% 的真实案例、个人经历、热梗和人味儿仍要人补，这与 Skill“约束内自主、责任仍在人”的基本定位一致。

• 2026-07-07-woshipm-fable-5-prompts-before-offline：这篇素材把 Skill 放到“模型会换、账号可能消失，但工作模式不能消失”的迁移语境里。工作模式蒸馏 提示语要求 Fable 5 遍历历史聊天、重复提示、文档、项目、Skills 和工作流程，找出用户最常做的任务、总是手动重写的指令、应该变成可重用 Skill 的流程，以及过去应避免的方法。它补充了 Skill 的一个新入口：不是先想象一个 Skill，而是让重型模型从真实工作痕迹中反向发现 Skill 候选，再输出 Skill、使用指南、工作流模板和给其他模型的系统指令。

• 2026-07-08-abmedia-claude-code-four-loop-types：这篇素材把 SKILL.md 放到 turn-based loop 的质量控制位置：每个手动 prompt 都是一轮 Claude 自行“收集上下文→行动→验证→回传”的循环，而循环是否可靠，取决于环境里是否提前写清“怎么确认做对了”。文章建议把前端修改的验证流程写入 Skill，例如启动开发服务器、直接交互、检查 console 无新增错误、运行 Chrome DevTools MCP 性能追踪。这个视角补充了 Skill 的一个实用定位：它不仅是“会做某件事”的 SOP，也是每一轮 Agent 协作的验收标准注入层。

• 2026-07-08-woshipm-skill-validation-version-handoff：Zoe产品手记把 Skill 的问题从“怎么做出来”推进到“怎么让别人敢用”。文章指出，交接障碍不在说明书不够长，而在输入边界、事实标签、自查清单、失败兜底、Skill 版本记录 和 Skill 交接条件 这些隐藏判断没有写进去。它给出 30 分钟极速迭代法：选一个小任务、跑 V1、只找一个最影响使用的问题、判断属于输入/过程/输出/验证哪一层、只改一条规则并记录；并要求用相近但不同的真实任务复测。它补强了本词条“先跑通再封装”的后半段：跑通只是起点，可复测、可追踪、可交接才是成熟 Skill。

• 2026-07-19-woshipm-ai-output-failure-diagnosis：同一系列第 8 篇把“效果不好”拆成 输出失败诊断树：六类症状（空泛/编造/跑偏/不可交付/难复核/换任务失效）→ 输入/过程/输出/验证四层主因 → 只打一条规则补丁 → 复测四态（消失/缓解/无效/转移）。明确反对未命名失败前继续堆 prompt；示例补丁是“触达渠道与授权未确认时不得写入具体短信方案，须列为待确认”。与版本记录衔接：诊断树产出可直接填进修复工单。

• 2026-07-11-woshipm-5min-data-dashboard-skill：伍德安思壮（时间之上）把 Skill 从”要自己写 SKILL.md”的工程视角进一步下沉到”零基础小白直接抄”的消费视角——普通运营/自媒体不需要理解 Skill 的文件结构，只要从 GitHub 下载 anthropics 官方的 skill-creator ZIP 包（或更精准的 interactive-dashboard-builder 子技能），传进任意支持本地 Skill 的 Agent（Coze、WorkBuddy、Codex），三步（传表格→写提示词→加 Skill 包）5 分钟生成企业级 HTML 数据看板。核心洞察：Skill 是”专业标准工作流”的封装，它把”光靠 AI 瞎写代码，样式丑、有 Bug、交互稀烂”的波动输出，变成布局/交互/样式都有成熟模板的标准化输出——作者原话”装上 skill-creator 相当于给 AI 套了一套专业标准工作流，输出质量直接拉满”。这与本词条”约束 + 示例 = 60% 稳定性提升""改变工作流而不是换壳 Prompt”的判断在大众场景得到印证：90% 新手会漏掉”加技能包”这一步，而这一步正是”随机 AI 输出”与”稳定专业输出”的分水岭。它也补充了 Skill 的一个新分发形态——不装到本地目录，而是以 ZIP 包形式即传即用，降低了非技术用户的使用门槛。

• 2026-07-11-woshipm-knowledge-base-engineering-practice：@Sean 用个人知识库实践给出 Skill “被真实需求一个个长出来”的完整案例。四个 Skill 的产出顺序（deep-discuss → topic-deep-discuss → card-govern → kb-apply）就是作者的真实需求演进——先学会理解一篇文章，再学会聚合一个主题，然后治理整体结构，最后输出对外内容，“不是规划出来的，是一个痛点解决了下一个痛点冒出来再接着做”。它补充了三个具体工程经验：(1) 超长 SKILL.md 会”漏规则”——不是没读到，而是上下文太长时约束被”稀释”，解法是拆成 SKILL.md（核心流程+触发条件）+ assets（模板）+ references（细则）三层按需加载，与本词条”三层渐进式加载”完全吻合；(2) 准入准出条件治漂移——LLM 理解规则但在长流程中”走着走着就偏了”，需要在节点间加检查点（见 准入准出条件），呼应”分享意图而非指令”但更强调”拦住它不做什么”；(3) 反向蒸馏产生 Skill——把和 Claude Code 的真实讨论过程反向蒸馏成 deep-discuss，与 工作模式蒸馏 和”先跑通再封装”一致。

• 2026-07-17-woshipm-apple-design-skill：逛逛GitHub 介绍 Emil Kowalski 的 emilkowalski/skills 项目。apple-design 是 Skill 在设计工程领域的一个新品类——它不教 AI “怎么把代码写对”，而是教它”界面为什么会舒服”：17 条从 Apple WWDC 演讲蒸馏的设计原则覆盖流体交互、可打断性、材质层级和字体排版。这补充了 Skill 的一个重要维度：Skill 不仅可以承载 code review 规则、PM 工作流、营销 SOP，也可以承载审美判断力——把”好的交互应该像能被控制的真实物体、差的交互像播放写死的视频”这种隐性审美编译为 AI 可执行的规则。项目 10.5K Star、一套四个设计 Skill（apple-design、review-animations、improve-animations、emil-design-eng）构成设计工程领域的可安装专家系统。安装方式：npx skills@latest add emilkowalski/skills。

• 2026-07-15-woshipm-ai-workbench-7-days：王耑从另一条路径验证了”Skill 是长出来的不是设计出来的”——7 个 Skill（文件处理→产品管理→spec-kit→…）的诞生顺序就是真实需求演进，“每个 Skill 都源于’这件事做了至少两遍，不想再做第三遍’的冲动”。同时补充了 Skill 体系设计的三个重要原则：(1) 索引入口模式——同类 Skill 聚合在父目录下通过 SKILL.md 索引，入口只有一个、内部怎么组织都行；(2) 数据可流转——前一个 Skill 的产出可作为后一个 Skill 的输入，如调研结果直接喂给产品定型 Skill；(3) 可离线自包含——工具链打包在 Skill 目录内，复制到新电脑后一条命令重建，不依赖系统环境。还有重要反面经验：后来砍掉了 knowledge-refiner 和 session-archiver 两个 Skill，“不是因为没价值，而是因为 AI 本身具备知识提炼和会话归档的能力，不需要专门写 Skill 来指导”——与”改变工作流而非换壳 Prompt”的判断形成互补：不仅要判断 Skill 是否改变流程，还要判断它是否做的事 AI 本身就能做到。

• 2026-07-16-agent-500-days-9-ai-pm-reminders：从投资人与开发者的对话中补充了 Skill 的商业化维度和品味转化机制。(1) Skill 的本质不仅是”写给 AI 的 SOP”，更是”把一个人过去反复做对的事情，压缩成可以再次执行的上下文”——设计师说”这里不够高级”、编辑说”这段没有节奏”，背后是长期形成的、本人也未必能完整说清的隐性判断，当 Agent 可以读取历史作品、观察修改记录、比较用户选择后再让人校正，原本隐性的品味才有机会变成显性的生产资料。(2) Skill 商业化四步闭环：从历史行为发现重复模式 → 生成可读可编辑的规则 → 通过真实任务验证 → 根据修改继续更新。Skill 不是一次性配置，而是人和 Agent 共同维护的工作方法。(3) Skill 商业化的难点不在供给而在信任、分发和结果验证——C 端用户已为 Token 付费，很难接受再为文本形式的 Skill 付费；壁垒未必是文件本身，而是品牌、评测、分发、兼容性和持续更新。优先基础设施包括统一效果评测、可复现示例任务、权限披露、版本依赖管理和信誉系统。(4) 核心金句：“一个开发者未必能做出统治级 Agent，却可能做出被多个 Agent 安装的统治级 Skill”——Skill 改变了个人能力的复利方式，审美和经验可以被封装、安装、传播甚至跨 Agent 运行。

• 2026-07-17-juejin-workbuddy-agnes-ai-api：小虎用 WorkBuddy 消化 Agnes AI 官方文档页，由文档直接生成 API 调用 Skill（覆盖 image flash 与 video v2.0）。这补了一条与「人写 SOP / 反向蒸馏对话」不同的 Skill 生产路径：厂商文档即 Skill 源——文档写清模型列表、能力边界与调用约定，Agent 宿主负责编译为可执行 Skill，用户只提供 API Key（环境变量）。价值在于把「会不会写客户端」从门槛里拿掉；边界在于 Skill 只保证「调得通」，不保证「生成结果符合身份一致性预期」——人脸锁定缺失、审美先验等仍是模型层问题，需在 Skill 说明或上层选型规则里写清分流（如人物一致 → HeyGen）。

• 2026-07-17-woshipm-claude-cowork-agent-workflow：Anthropic 营销运营案例把 Skill 运营推到「信任工程 + 持续进化」：周报侧用 Prep / Proofreading / Action-items 三 Skill，Proofreading 要求每个数字可溯源，对不上就标 gap 而不是瞎填——「让 Agent 学会说不确定比学会写报告更重要」。活动侧用 Dispatcher（只路由）+ 专家 Skill + 零上下文 Audit 实例 + Manager；同一 Agent 审计会「记得自己刚搭的流程」而跳过验证。运营三招：session 结束反思写回 Skill；问 Agent「指令哪里难懂」；同一错误纠正第三次就固化。黄金经验含「重复纠正两次以上→写进 Skill（可让 Agent 自己整理）」「先搞 Proofreading」「善用定时任务」。国内用 Claude Code Skills / AGENTS.md / Dify 模板 + cron/n8n 复现，强调 Skill 体系工具无关。

• 2026-07-17-woshipm-course-consulting-assistant-3-iterations：课程咨询助手把 Skill 放在 材料处理任务 上——OCR + 材料解析 Skill 提取截图信息并对照材料清单提示可能缺失项，但输出被产品定义为“材料准备提示”而非最终审核结论。Skill 与 MCP 分工：Skill 做可复用的解析/清单能力，MCP 做只读业务状态查询；服务闭环飞轮要求把“被频繁请求但尚未建设的能力”沉淀为新 Skill。与营销运营案例互补：一边是信任工程与审计，一边是交付场景里的权限边界与人机终审。

• 2026-07-18-bnext-ai-agent-reverse-workflow：Wesley（凯钿 HR）给非工程师的 Skill 选型边界：(1) Skill vs Tools——Tools 是发信/查日历这类「能调用外部世界」的能力；Skill 是「如何从留言提炼洞察、如何写社群贴文」这类步骤与方法，二者在 Agent 里接力；(2) 不要为学概念而全量 skill 化——工作流一改，Skill 往往要整段重做，维护债会被低估；(3) 量化 ROI 闸门：任务每月做几次 × 每次省几分钟 = 总省时，若梳理与维护 Skill 的时间超过总省时，就别做；(4) 与「按钮优于教 Prompt」一致：把稳定 Skill 产品化给同事，比让人人会写临时提示词更可扩展。

• 2026-07-19-juejin-claude-meeting-minutes-skill：掘金 To_OC 给出行政/统筹向的会议纪要 Skill 端到端实操：连开四天例会后，用 skill-creator 把「删口语停顿词 + 会议基础信息/目标/讨论内容/行动项四板块 + 不确定留空」固化到项目 .claude/skills/，调用只需 @meeting_content.txt 总结会议纪要；真实团建转写可过滤「那那那/行行行」、按选址/出行/行程/餐饮拆主题并抽行动项，相对手搓纪要至少省 1 小时。关键补充三点：(1) 建 Skill 需求四要素——输入源、处理步骤、输出固定结构、边界规则，只说「写会议纪要」生成的 Skill 与裸 Prompt 无异；(2) 四坑——路径必须是项目内 .claude/skills/、改 skill.md 后要重载防缓存、文件与粘贴纯文本皆可、文件夹名纯英文；(3) 封装闸门——周重复 ≥3 次、每次要贴 >5 行固定提示词、有固定文件源、输出强结构化才值得做。并用大白话区分：Agent 是多步骤自主智能体，Skill 是给模型/Agent 补的单项专业能力；团队共用纪要/周报/接口文档 Skill 可统一输出格式。与 Wesley 的 ROI 闸门、数据看板 skill-creator 案例形成「办公高频文档」互补。

• 2026-07-19-juejin-claude-meeting-minutes-one-command：掘金小林ixn 同场景第二篇，把会议纪要定义为信息提取游戏（主题/负责人/截止日期/共识），并估「纪要专员」常占约 20% 精力。贡献偏可复制 SKILL.md 骨架与定量班味样例：YAML name: meeting-minutes + 四段输出 + 行动项 Markdown 表 + 五步处理（去语气词→实体→主题聚类→行动承诺→待确认）；示例含 Q3 预算约 50 万、v3.2 会员/积分、前后端 2+3+1 周与 9 月初提测。方法论三点：(1) 宁缺毋滥——未提时间地点必须留空，真实优先于完美；(2) 保留「王老板：」类发言者标签提升归属 NER；(3) 可选接 MCP 模型上下文协议 补项目/人员库，并扩展邮件/Notion/复盘。金句：重复工作是 AI 的朋友，固定流程是 Skill 的土壤。与 To_OC 篇互补：To_OC 偏封装闸门与调用口令，本文偏模板全文与示例对照。

• 2026-07-20-youtube-shopify-ai-toolkit-headless-store：Shopify AI Toolkit 提供三种安装形态——plugin（推荐，整包自动更新）、individual agent skills（如只装 GraphQL Admin API skill，需手动更新）、Dev MCP server。这把「平台官方 Skill」和「局部 Skill 选型」对照得很清楚：长期跟官方变化用 plugin；只取定点能力用 skill；偏好协议化工具接入用 MCP。对通用 Skill 方法论的补充是：SaaS 平台正在把 Skill/plugin/MCP 当作一等分发形态，自动更新能力本身成为选择标准，而不是只看单次安装方便。

• 2026-07-22-youtube-xiangyu-skill-twitter-pipeline：翔宇把 Skill 从「单点 SOP」推到 多 Skill 内容生产管线。五个 Skill（克隆→采集→创作→配图→发布）串联 Twitter 运营；公开定义 Skill 相对对话的三优势——持久化、可组合、可独立运行（无头模式）。编排层贡献五原则（单一职责、文件系统传递、幂等、可观测、容错）与数据流卫生（一 Skill 一目录、时间戳隔离、增量去重）。运行选型：无头质量稳定性约 +30%、Token 约 3× 子 Agent；全流程无头约 20–40 分钟。内容侧用 人格复刻 三维画像 + 人格化打分做放行闸门。与 n8n：规则链路用 n8n，需 AI 判断用 Skill，常混合调度。工程卫生：命名「领域-动作-对象」、版本与变更日志、标准用例、设计意图/已知限制；社区 140+ Skill 优先改再写。价值判断：组合化学反应 > 单 Skill 炫技；先画数据流契约再写代码。

• 2026-07-23-woshipm-grill-me-skill：鱼皮用安装量 60 万+、排行第 3 的 grill-me 证明：爆款 Skill 可以只有几句话、一个文件。价值不在代码生成，而在改写默认节奏——决策树一次一问、事实自查、决策等人、每题推荐答案、共识前禁止动手。Cursor 实战：模糊需求 → 十多轮澄清 → 方案确认 → 约 10 分钟做出 Skill 管理桌面应用。与「写规则不写教程 / 装太多降触发率」形成对照：极简 Skill 若卡住最高频失败路径（需求未清就开写），仍可成为安装量级资产；也与 Superpowers 的「先想再写」同向，但形态是最小单技能而非 20+ 子模块框架。

• 2026-07-23-woshipm-claude-record-a-skill：易安说AI 补上 Skill 创建入口侧：Claude Cowork 的 Record a Skill 用录屏+口述生成初版，绕过「最需要流程的人最没时间写文档」。Skill 被定义为可工程化的结构（触发条件、步骤、资源、例外分支、验收标准），且相对 RPA数字员工 更偏任务语义沉淀而非固定路径回放。文章同时把 Skill 推到工作分工层：自由撰稿人案例中 Skill 文件夹部分替代多年服务关系；价值上移到定义问题、设计标准、处理例外。安全上强调「干净工作台」与人工复核，避免录屏门槛变低后把密钥/客户数据写进 Skill。

• 2026-07-27-create-an-asset-skill：养乐多和胸口碎大石拆解了 Anthropic 开源的 create-an-asset 这一具体 Skill 案例——一个 7 阶段售前自动化 Skill。这篇素材为 Skill 概念补充了一个「垂直一体」的落地形态：它不依赖用户会拆流程、会组合工具，而是将端到端的售前资产生成（上下文采集→自适应研究→结构决策→内容生成→视觉设计→澄清→交付→迭代）全部内置在一个 SKILL.md 内。其中自适应研究深度的 Rich/Moderate/Sparse 三级分档体现「称手时省算力、缺乏时深度挖」的成本策略，品牌色提取+受众差异信息优先级体现 Skill 的定制化天花板。同时指出一个重要的 trade-off：两轮澄清硬上限保正流程不发散，但信息不足时生成假设未必准确；自包含 HTML 格式保证了交付可靠性（无外部依赖），但排除了 PDF/PPTX 原生支持。这篇素材呼应了 Skill 的「约束内自主」「先保证能跑通」和「从实践中生长」的设计哲学。

• 2026-07-27-woshipm-anthropic-80-percent-context-engineering：Anthropic 官方在 Claude Code 系统提示词 80% 删减中首次给出了 Skill 的新撰写标准，直接来自 Claude Code 团队 Thariq 的实践总结。关键判断有四条：① Skill 应写成轻量指南——帮 Claude 按需找到信息，不是当规章制度；② 避免过度约束，除非涉及关键领域——前沿模型（Opus 5/Fable 5）不再需要大量规则和示例；③ 最该编码进 Skill 的是「模型不可能自己知道的那部分」——团队为什么放弃某个方案、某个接口有历史包袱、什么情况下必须找谁确认——这些才值得写进去，通用规范不需要；④ 长 Skill 用渐进披露拆成多文件——主文件只放路由和判断，细节放 references，需要时才读。这与已有素材强调的「先跑通再写规则」「用实践中生长的错误写约束」形成对照——Anthropic 的官方标准更进一步：不是所有在实践中犯过的错误都值得写进 Skill，只有「模型自己不可能推断出」的团队特定知识才值得编码。

快速上手步骤

1. 找一个你经常让 AI 做的任务（如画原型图、写文案、做数据分析）
2. 不写规范，直接让 AI 做一遍，记录它犯错的地方
3. 把反复出现的错误写成规则文件（如 design-style-guide.md）
4. 组织成 SKILL.md 总控 + 各职责文件的体系
5. 每次踩坑立刻追加规则（或先写 Memory 再整合）
6. 定期做工作模式蒸馏：从历史对话和重复提示中发现新的 Skill 候选，而不是只在当下任务里临时想象
7. 准备交接前补齐Skill 交接条件：输入边界、事实标签、停止条件、自查清单和最近复测证据
8. 用Skill 版本记录 管理迭代：一次只改一条规则，用相近但不同的真实任务复测，避免“感觉变好了”但无法归因

常用提示词/命令

Skill 构建过程中的关键指令：

「帮我写进 lessons-learned」— 踩坑后立刻沉淀 「把刚才做的这些总结成规范文件」— 让 AI 写 Skill 「按照 SKILL.md 的流程执行」— 调用已构建的 Skill

注意事项/避坑指南

1. 不要一开始就写完美的 Skill：先做再提炼，从实践中生长而非想象中设计
2. 不要把所有东西塞进一个文件：按职责拆分，方法论在脑子里，细节在手册里
3. 不要写死每一步操作：分享意图而非指令，约束目标和边界，把路径交给 AI——这是 Skill 和 Workflow 的根本区别
4. 不要忽略踩坑的价值：每个错误都是一条新规则，踩坑即沉淀
5. PM 需求管理类 Skill 适合拆成两段：先用需求拆解 Skill 输出 Feature/Story/Gherkin 和异常场景，再用智能排期 Skill 按分数与依赖关系给出迭代候选。不要让同一个 Skill 同时承担需求澄清、技术方案、资源分配和变更管理，否则边界会失控
6. 通用插件包适合起步，深度业务仍需定制：PM Skills 插件包 能快速覆盖 PRD、竞品分析、用户画像、SWOT、OKR 等通用 PM 场景，但行业术语、内部审批链路、评测红线和团队文档格式仍需要在实践中继续定制或二次封装
7. 需求分析类 Skill 应先采访再产出：不要把“帮我写 PRD”作为第一步。更稳定的结构是 AI需求分析三步法：先逐轮采访问清上下文，再整理文档，最后多角色挑战；否则 Skill 只会放大模糊需求。
8. 失败先诊断再改规则：面对“答得像对的”或返工输出，先用 输出失败诊断树 命名症状并判层，只改一条规则并用相近任务复测；不要一次改输入/流程/格式/语气/清单。
9. 会议纪要类 Skill 要写清四板块与留白：建技能时写死「基础信息 / 目标 / 按主题讨论 / 行动项」和「不确定留空」，并把路径锁在 .claude/skills/；改配置后务必重载，避免缓存旧规则（见 2026-07-19-juejin-claude-meeting-minutes-skill、2026-07-19-juejin-claude-meeting-minutes-one-command）。输入侧尽量保留发言者标签；输出侧宁缺毋滥，禁止补全未提及的时间地点。
10. 运维上优先单主机集中 Skill：Skill 应集中在一台 24h 主力机上，手机/笔记本只做遥控器，从根上避免多机 Skill 同步与版本漂移（与中央 SharedSkills 软链接思路互补：一个是「多 Agent 共目录」，一个是「多设备共主机」）——来源：2026-07-17-woshipm-agent-remote-control-codex-uu。
11. description 用用户会说的话，副作用必须手动触发：自动路由只看 description——含触发关键词可将触发率从近 0 拉到约 90%；部署/迁移等副作用 Skill 必须 disable-model-invocation: true。Claude Code 下还可：!`cmd` 预注入、$ARGUMENTS 参数化、context: fork 子代理隔离、${CLAUDE_SKILL_DIR} 外置规则；压缩时注意约 5k/Skill 与约 25k 多 Skill 预算（见 2026-07-19-juejin-ai-skills-specialized-employee）。
12. 极简澄清类 Skill 可以极短：像 grill-me 一样，几句话也能成为高安装量资产——前提是纪律写死（一次一问、推荐答案、共识前不动手），而不是再堆长教程（见 2026-07-23-woshipm-grill-me-skill）。
13. 录屏可当初版，不可当终版：Record a Skill 适合捕获隐性流程，但必须脱敏录制、写停止规则、录后复核，并补版本/权限/样例/验收，否则会从没人看的 SOP 变成没人敢碰的黑箱（见 2026-07-23-woshipm-claude-record-a-skill）。

• 2026-07-19-juejin-workbuddy-workrally-ai-short-drama：同一「Open API 文档 → 编译 Skill → Agent 调用」范式落到腾讯 WorkRally CLI（约 33 命令）。Skill 不是聊天里的临时 Prompt，而是把角色设计、分镜、5 秒视频与合成串成可一句话触发的短剧流水线；与 Agnes 文共同说明：Skill 的价值在外部工具能力编排，宿主可以是 WorkBuddy。

• 2026-07-27-tiktok-codex-agent-skills（aronlq）：将 Skill 的实践推向MCP 数据驱动型垂直业务 Skill。四套 TikTok Shop Skill 全部依赖达人精灵MCP 获取真实数据，把 Skill 的定义重点从「给 AI 一段 Prompt」推进到「给 AI 一套方法」——查询顺序、筛选逻辑、数据优先级、证据要求、缺失处理、输出格式全部固化在 Skill 里。与本页其他 Skill 案例（知识工作、会议纪要、文档生成、营销编排）相比，这个案例的独特贡献在于：(1) Skill 的输入不是用户提供的文件，而是 MCP 返回的实时商业数据流；(2) Skill 的输出被要求标注数据范围和统计窗口——从「能生成」迈向「可核查」的质量标准。GitHub: aronlq/tiktok-agent-skills 四套 Skill 全部开源。

• 2026-06-30-juejin-bizhi-skill（后端小肥肠）：展示了 Skill 在小红书虚拟商品（壁纸品类）中的完整变现流水线——用三个 Skill 串联选品、图片反推和套图生成全流程。选品 Skill 自动生成品类对标样本、定价建议和 7 天执行计划；图片反推 Skill 从无版权开源图片中提取风格 DNA；壁纸生成 Skill 一条指令输出原图 + iPhone 锁屏样机 + 钢化膜展示样机三件套，把原本人工需做”生图→裁比例→找样机→套样机→导出”的整套工序压缩为一键执行。它与 Codex（已选为主执行终端，img2 模型生图）的链结以范例说明”Skill 应用最目标场景是已有通路 (OPC/小末路电商) 用户本能上已会的操作但太费时的重复性流程”。同时带来的重要警告来自作者的真实观察：训练营中有群友极度依赖爆款笔记 Skill 后不去研究对标，导致光辉以后快速卡流——“Skill 的角色一定是你的助理而非主导”这一守卫判断与 Skill 文献中”Sud 应在呈真实的用户设为输入、“替换机制”的前提下保持”人决定力目标”的一致性。

• 2026-07-02-skill-3-ways-ai-workflow（刘小妮sanny）：将 Skill 构建方法论按”可操作的三种通用入口”组织。（1）结果反推法——把已满意的成品交给 AI 反推为 Skill；（2）记录工作流优化法——做一遍任务让 AI 记录每步判断，结束后总结为 Skill；（3）说明书工程化法——先写流程五要素，让 AI 补充边界条件与兜底规则。配套的通用 Skill 模板（场景/角色/输入/流程/标准/输出/兜底）适用于设计/运营/写作/产品/销售/客服等多数重复工作。作者还给出四个自己实际使用的 Skill（Humanizer-zh、Content Research Writer、卡兹克写作、归藏 PPT）及 GitHub 链接。Skill 存放策略：项目级优先多于全局级。核心金句：“只要一件事你重复做过三次，就可以尝试把它变成 Skill”——与词汇中”封装闸门”、“小时单位 ROI”、“先跑通再封装”形成可操作互补，将”何时开始”的判断从统计频次下沉到直觉门槛。也把艰苦性与 grill-me 的极简约束、多 Skill 流水线形成有趣张力：本素材的”通用 5 件事模板”位于二者之间——既不是最小量，也不是全套流水线，而是每个行业都可以套用这套标准输入/输出/检查/交付/兜底格式。

• 2026-08-11-ai-digital-employee-halo-overview（混沌福王）：在 Halo 数字员工系统中引入 Skill 的一种自有形态——browser_skill。与通用 Skill（SKILL.md + 模型现场生成执行代码）不同，browser_skill 在 SKILL.md 外多带一段预先编写的 index.js 脚本，由内置工具 browser_run 注入内置浏览器的当前页面执行。关键差异：(1) 模型不再现场生成执行代码，只决定调用哪个 browser_skill 和传什么参数；(2) 脚本是确定性的、版本化的，与用户登录态和 cookie 共享同一份 session；(3) browser_skill 作者只管写”做什么”，“在哪做、以谁的身份做”由 Halo 环境提供。这补全了 Skill 的工程形态光谱——从”语义级”（agentic Skill，写描述给模型自己执行）到”操作级”（browser_skill，写确定性脚本由 browser_run 注入执行）——对应 Blog Sastre 第三章中将 AI 判断和确定性执行分离的架构原则。同时，文章提出了通过 Browser 登录态（cookie 共享）来让 Skill 直接调用前端 HTTP 接口的企业内网零适配方案，将”需要 IT 部门配合”的门槛降至”会用 F12 就行”。

相关页面

• AI 数字员工
• grill-me
• Record a Skill
• Claude Cowork
• Fable 5
• 自我改进代理系统
• 验证者子代理
• 提示词工程
• AI Agent 智能体
• Skills变现
• MCP 模型上下文协议
• create-an-asset
• Smithery
• AI产品经理工作流
• PM Skills 插件包
• 工作SOP
• 自我产品化
• AI导购
• 女娲.skill
• AI需求分析三步法
• 2026-07-05-woshipm-ai-requirement-analysis-report
• Skill 版本记录
• Skill 交接条件
• 事实标签
• 2026-07-08-woshipm-skill-validation-version-handoff
• 输出失败诊断树
• 2026-07-19-woshipm-ai-output-failure-diagnosis
• Agent Plan
• Agent 工作台
• 2026-07-06-juejin-agent-plan-sales-workbench
• 普通人学AI
• qianjin-content-repurposer
• 多平台内容分发
• 2026-07-07-woshipm-content-repurposer-skill
• 2026-07-18-bnext-ai-agent-reverse-workflow
• 2026-05-26-woshipm-pm-skills-claude
• 2026-05-27-woshipm-ai-ecommerce-kol-agent
• 2026-05-27-woshipm-yunshu-skill-practical-guide
• apple-design
• WorkRally
• 2026-07-19-juejin-workbuddy-workrally-ai-short-drama
• 达人精灵
• Agent Skill · MCP · 模型三层架构
• 2026-07-27-tiktok-codex-agent-skills