Skill：一份 SOP，把新手 AI 变成老师傅
Skill 是写给 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。基于 ACT-R 认知理论，知识库让 AI「知道」，Skill 让 AI「会做」。
基本信息
- 来源类型：网页文章（人人都是产品经理）
- 原文位置：raw/articles/2026-05-11-212650-tg-484e6a.md
- 原文 URL：https://www.woshipm.com/share/6357151.html
- 作者：冰冰酱
- 发表日期：2026-03-17
- 消化日期：2026-05-11
核心观点
-
Skill 是写给 AI 的 SOP：Skill 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。三个关键词——「隐性经验」是脑子里说不出来但知道怎么做的东西；「编译」意味着跳过反复练习直接注入经验；「约束内自主」说明 Skill 不像 Workflow 写死每步，也不像 Agent 完全放手，而是在护栏内给 AI 灵活空间。
-
知识库让 AI「知道」，Skill 让 AI「会做」：基于 ACT-R 认知理论（Anderson, 1982），人的知识分两种——陈述性知识（Know-what，事实信息如按钮颜色 2196F3）和程序性知识（Know-how，做事能力如拿到需求自然知道怎么画）。人靠反复练习完成从 Know-what 到 Know-how 的「知识编译」，Skill 直接把编译结果注入 AI，跳过练习阶段。
-
AI 协作分享形态正在从 Prompt → 知识库 → Skill → Agent 演进：最早分享 Prompt（「教你一句咒语」），后来分享知识库（「给你一本书」），现在分享 Skill（「给你一项技能」），未来可能分享 Agent（「给你一个员工」）。每一步传递的东西都在变深：从显性知识到程序性知识，从「因人而异」到「效果趋于一致」。
-
Skill 横跨编排层和知识层：从架构分层看，AI 协作系统分五层——协议层（MCP）、工具层（Tool）、上下文层（Context）、知识层（Prompt/知识库/Memory）、编排层（Workflow/Skill/Agent）。Skill 特殊在横跨两层：包含知识文件（颜色规范、Token 表）、编排逻辑（5 步生成流程）和约束规则（踩坑教训），不是单纯知识也不是单纯流程，而是两者结合。
-
Skill 构建四阶段：试错→提炼→组织→持续喂养：以 Figma 原型图 Skill 为实战案例，从完全不可用（紫色渐变、编造数据、错误换行）到基本一次成型，经历四个阶段。核心动作分别是：试错发现 AI 在哪犯错→把反复出现的问题固化为规则→按职责拆分成文件体系（SKILL.md 总控 + design-style-guide + Token 速查表 + 生成流程 + 踩坑教训）→每次新问题立刻追加规则。
-
下一步演进方向是 Principle（决策框架）和 AI 角色市场：沿 ACT-R 继续推演，程序性知识之后是元认知——不是「怎么做某件事」而是「怎么判断该做哪件事」。Skill 解决「怎么做」，Principle 解决「选哪条路」。SkillHub/ClawHub 等 Skill 集市对应 App Store 早期，Principle 成熟后会出现「AI 角色市场」——安装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）。
实操内容保留
操作步骤
Skill 构建四阶段流程：
- 阶段一：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
- 阶段二：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「业务数据必须从线上获取」「多行文本用独立 node」等约束
- 阶段三：组织成文件体系 — 按职责拆分：SKILL.md（总控）、design-style-guide.md（视觉规范）、figma-component-reference.md（精确 Token 值）、figma-generation-guide.md（5步生成流程）、lessons-learned.md（踩坑教训放 Memory 常驻）
- 阶段四：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：
- 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
- 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
- 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 从实践中生长而非想象中设计
- 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
- 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 是草稿箱
- 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
Prompt 模板
Figma Skill 的 SKILL.md 总控文件结构示意：
当收到「画 Figma 原型图」类任务时：
- 读取 design-style-guide.md 确定视觉方向
- 查阅 figma-component-reference.md 获取精确 Token
- 按 figma-generation-guide.md 的 5 步流程执行
- 对照 lessons-learned.md 避免已知坑点
- 输出前自查：数据来源、换行方式、配色规范
代码/配置
（本文无实操代码，但给出了 Skill 文件体系的组织结构示例）
关键概念
- Skill — 核心概念：写给 AI 的 SOP，将隐性经验编译为程序性知识包
- 提示词工程 — Skill 的前身，从 Prompt（临时意图表达）到 Skill（持久程序性知识）的演进
- AI Agent 智能体 — Skill 的下一步，Agent 全权自主 vs Skill 约束内自主
- Skills变现 — Skill 的商业化路径，与本文的方法论视角互补
- ACT-R 认知理论 — 知识编译的理论基础：陈述性知识→程序性知识
- Principle（决策框架）— Skill 的下一步演进：从「怎么做」到「选哪条路」
- AI 角色市场 — 从 Skill 集市到角色市场的未来展望
与其他素材的关联
- 与 2026-05-10-skills-monetization-5-points 的关系：那篇聚焦 Skill 的商业化变现（赛道选择/设计三原则/变现三模式），本文聚焦 Skill 的本质定义和构建方法论（ACT-R理论/四阶段流程/6技巧），两者视角互补——一个是”Skill怎么卖”，一个是”Skill是什么和怎么建”
- 与 2026-05-10-ai-frontend-usable-deliverable 的关系：都涉及 AI 协作的结构化约束，但那篇聚焦前端生成的验收标准和七步流程，本文给出更底层的理论框架（知识编译）和 Skill 构建方法论
- 与 2026-04-29-yupi-ai-guide-core-concepts 的关系：那篇列出16个AI核心概念包括 Agent，本文则给出了 Prompt→知识库→Skill→Agent 的演进路径和象限图定位，是对已有 Agent 概念的深度补充
原文精彩摘录
Skill 是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。这个定义里有几个关键词。「隐性经验」不是写在文档里的信息，而是你脑子里那些说不出来但知道怎么做的东西。「编译」意味着跳过反复练习，直接把经验注入给 AI。「约束内自主」则说明 Skill 既不像 Workflow 那样把每一步写死，也不像 Agent 那样完全放手——它在规范的护栏内给 AI 灵活发挥的空间。
知识库让 AI「知道」，Skill 让 AI「会做」……人要靠反复练习才能完成这个编译，但 Skill 做的事情，就是把编译好的结果直接注入给 AI——让 AI 跳过练习阶段，直接获得「会做」的能力。
每一步传递的东西都在变深：从显性知识到程序性知识，从「因人而异」到「效果趋于一致」……从外挂提示词到外挂知识库，我们让 AI 知道得更多。从外挂知识库到外挂 Skill，我们让 AI 做得更好。下一步，从外挂 Skill 到外挂决策原则，我们会让 AI 判断得更准。