第1篇：什么是Skill？——从用户到创作者的认知跃迁

适用人群：零基础→入门 | 字数：约25,000字 | 预计阅读时间：60分钟

---

前言

如果你用过 ChatGPT、Claude、豆包、Kimi 或者 Loomy 这类 AI 平台，你可能已经注意到一个现象：有些人用 AI 只是"聊天"，问一句答一句；而有些人却能让 AI 变成"专属工具"——输入几个关键词就能一键生成周报、自动分析数据、定时推送行业资讯。

这种"专属工具"的背后，往往是一个叫作 Skill（技能） 的东西。

那么问题来了：Skill 到底是什么？它和普通的提示词有什么区别？我们平时用 AI 聊天问问题和用 Skill 完成任务，背后的逻辑有什么不同？一个完全不懂编程的普通人也能自己创作 Skill 吗？如果能，该从哪里入手？

这一篇，我们就从最底层开始回答这些问题。读完这篇，你将建立起关于 Skill 的完整认知框架——它是什么、能做什么、内部怎么工作、为什么它比普通提示词强大这么多。这个框架将支撑你之后所有的创作实践。

---

第一章：从日常困惑开始——为什么我们需要 Skill

1.1 你很可能经历过这些场景

我们先来看三个真实的场景。这些场景你可能一点都不陌生。

场景一：每周都要写的周报

每个周五下午，小张都要花 30-40 分钟写项目周报。他打开 AI 对话框，输入一段提示词：

“你是一位项目经理，请帮我写这周的周报。我这周完成了A模块的开发，修复了3个bug，和客户开了需求对齐会。关键数据：代码提交45次，bug修复率95%。”

AI 输出了一份不错的周报。小张觉得挺好，用了。

第二周周五，他又来了：

“你是一位项目经理，请帮我写这周的周报。这周我完成了B模块的联调，发布了v2.1版本，写了技术文档。”

内容不同，套路一样。第三周、第四周……每个月他都要重复做这件事 4 次。每次都要重新想提示词怎么组织、格式怎么写。如果有一个固定的"周报生成器"，填上本周的重点工作就自动输出——那该多好？

场景二：从好用到共享不了的竞品分析

小李花了一个小时精心打磨了一个提示词——“竞品分析提示词”。用它来分析竞品又快又好，输出结构清晰、洞察深刻。同事看到了也想用，但问题来了：小李怎么把这个提示词"给"同事？

他试了三种方法：

• 复制粘贴到聊天窗口 → 格式乱了，同事看不懂
• 当面演示一遍 → 同事记不住，转头就忘了
• 写一份使用文档 → 额外花了一小时

如果有一个标准化的方式把这个提示词"打包"成一个可共享的工具——该多好？

场景三：想让 AI 定时帮我做事

小王每天早上需要花 15 分钟浏览行业新闻。他希望 AI 能每天早上 8 点自动把最新的行业新闻推送到他手机上——但他发现普通的对话式 AI 做不到。因为它不会"定时执行"，不会"自动推送"。

如果 AI 能像手机 App 一样，设置好就自动运行——该多好？

这三个场景揭示了一个共同的痛点：普通的"一问一答"式 AI 交互，在重复性任务面前效率太低了。

1.2 普通提示词的三个"先天不足"

上面的三个问题，根源在于提示词的三条"先天缺陷"：

缺陷一：不可复用

每一次使用都是"从零开始"。你上周写了一个很棒的提示词，这周又要重新写一遍——至少要把时间、数据等变量改一遍。

这背后的本质是：提示词没有"封装"和"变量替换"机制。

你没法把提示词做成一个"模板"，只在需要的时候填入新的内容。每次使用都要全文重写。

缺陷二：无法共享

提示词天然是"一次性、私有"的。你没有标准化的方式把它"打包"成一个别人也能用的模块。

这背后的本质是：提示词缺乏"元信息"——名称、描述、参数定义、使用说明。 别人拿到你的提示词，不知道它是干什么的、要怎么用、参数怎么填。

缺陷三：没有"行动能力"

提示词只能在"对话框"里完成工作——你说一句，AI 回一句。它不能：

• 定时执行（每天早上 8 点自动运行）
• 调用外部工具（查询数据库、发送消息、创建文档）
• 自主决策（根据不同输入走不同处理逻辑）

这背后的本质是：提示词只是一个"指令"，不是一个"程序"。 它没有逻辑、没有工具、没有生命周期。

1.3 Skill 正是为了解决这些问题而生

Skill 的出现，就是为了弥补上面三个缺陷。

它是如何做到的？

缺陷	Skill 的解决方案
不可复用	把提示词"封装"成模块，用变量替换动态内容
无法共享	给模块加上名称、描述、参数说明等"元信息"
没有行动力	给模块加上工具调用、定时触发、逻辑分支能力

用一个比喻来理解：

提示词是"食材"——新鲜的、原始的，每次做饭都要重新切洗烹炒。

Skill 是"预制菜"——已经配好料、写好菜谱、封装好了，拿出来加热就能吃。

更形象地说：

普通提示词 = 打电话问一个人问题
Skill = 下载一个 App 到手机上

用 App 的比喻来展开：

当你使用一个 App（比如美团）时，你不会每次打开都重新告诉它"我要点外卖、我在北京、我想吃什么"。你打开 App，它就知道自己是干什么的，也知道该怎么工作。

Skill 也是这个道理。你打开"周报生成" Skill，它自动进入"我是周报生成器"的模式——不需要你重复告诉它角色和格式。你只需要提供本周的工作内容这个"变量"就可以了。

1.4 Skill 的正式定义

现在我们给出 Skill 的正式定义：

Skill 是一个封装好的、可复用的、可执行的 AI 能力模块。它把角色设定、提示词指令、工具配置、处理逻辑和输出规范统一打包成一个整体，让 AI 能够反复、可靠地完成某一类特定的任务。

这个定义可以拆解为四个关键点：

第一：封装好的
所有东西都在一个"包"里——不需要用户自己拼装。打开 Skill，一切就绪。

第二：可复用的
一次创作，多次使用。每次使用只需要提供"变化的部分"（变量），“不变的部分”（指令、格式）由 Skill 自带。

第三：可执行的
不只是"回答"，还能"行动"——可以调用工具、定时执行、触发事件。

第四：AI 能力模块
Skill 的本质是"把 AI 的通用能力封装为专用能力"。通用 LLM 什么都能做一点，但都不精；Skill 让 LLM 在特定任务上做得又快又好。

---

第二章：Skill 的"解剖"——拆开看里面有什么

2.1 从外部看 Skill

从外部看，每个 Skill 都有一张"身份证"：

┌─────────────────────────────────────┐
│  名称：财经资讯                      │
│  版本：v1.1.9                       │
│  作者：Loomy 官方                   │
│  描述：查询财经新闻、热点资讯……       │
├─────────────────────────────────────┤
│  触发方式：关键词命中 / 意图匹配      │
│  适用场景：股市、财经、新闻等          │
└─────────────────────────────────────┘

这张"身份证"告诉用户和系统三件事：

1. 这个 Skill 叫什么（名称）
2. 它是做什么的（描述）
3. 什么时候会用到它（触发方式）

2.2 拆开外壳看内部

如果我们把 Skill 拆开，会看到它包含五个核心组件：

┌─────────────────────────────────────────────────────────────┐
│                    Skill 内部结构                             │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌────────────────────┐   ┌────────────────────┐            │
│  │  ① 身份标识        │   │  ② 指令系统        │            │
│  │  ·名称             │   │  ·角色设定          │            │
│  │  ·描述             │   │  ·行为准则          │            │
│  │  ·版本             │   │  ·处理流程          │            │
│  │  ·作者             │   │  ·约束条件          │            │
│  └────────────────────┘   └────────────────────┘            │
│                                                             │
│  ┌────────────────────┐   ┌────────────────────┐            │
│  │  ③ 工具集          │   │  ④ 配置项          │            │
│  │  ·搜索工具          │   │  ·参数定义          │            │
│  │  ·计算工具          │   │  ·默认值            │            │
│  │  ·消息工具          │   │  ·开关选项          │            │
│  │  ·API 工具          │   │  ·模板变量          │            │
│  └────────────────────┘   └────────────────────┘            │
│                                                             │
│  ┌──────────────────────────────────────────────────────┐   │
│  │  ⑤ 执行逻辑                                          │   │
│  │  ·输入校验 → ·任务分解 → ·推理执行 → ·工具调用       │   │
│  │  ·条件分支 → ·状态维护 → ·错误处理 → ·输出组装       │   │
│  └──────────────────────────────────────────────────────┘   │
│                                                             │
└─────────────────────────────────────────────────────────────┘

下面我们逐一详细解析每个组件。

2.3 组件一：身份标识

身份标识是 Skill 的"名片"——它告诉系统和用户"我是谁"。

身份标识的构成要素：

（1）名称
名称是 Skill 的第一印象。好的名称要满足三个条件：

• 简短：2-6 个字最合适
• 清晰：让人一眼知道是做什么的
• 易记：用户下次想用的时候能想起来

✅ 好名字示例：
“周报生成”、“财经资讯”、“会议纪要”、“代码审查”、“文案润色”

❌ 差名字示例：
“一个很厉害的工具”、“帮我写东西的”、“工具12号”

（2）描述
描述是 Skill 的"说明书"。它有两个读者：人（用户）和机器（Skill 匹配系统）。

对用户，描述要回答"这个 Skill 能帮我做什么"：

“将会议笔记整理为结构化会议纪要，自动提取主题、讨论要点、决议和待办事项。适合项目评审会、周会、需求会。”

对系统，描述要回答"用户的什么输入应该匹配这个 Skill"：

“当用户提及’整理会议纪要’、‘写会议记录’、'会议总结’等时匹配此 Skill。”

描述的质量直接影响 Skill 的"触发准确率"。 描述写得模糊，系统在应该触发的时候没触发，或者在不需要触发的时候乱触发。

（3）版本号
版本号让 Skill 的演化可追踪。推荐使用"语义化版本"（SemVer）规范：

主版本号.次版本号.修订号

主版本号（v1 → v2）：重大重构，不兼容旧版本
  例子：完全重写了指令系统，新增了复杂工具调用

次版本号（v1.0 → v1.1）：新增功能，但兼容旧版本
  例子：增加了新的输出格式、新增了一个工具

修订号（v1.0.0 → v1.0.1）：修复问题
  例子：修复了边界情况处理、优化了措辞

（4）作者信息
标注作者有两个作用：一是责任归属（出了问题找谁），二是信誉积累（做得好的作者会被认可）。

团队内部还可以加上"维护人"信息——当 Skill 需要更新时，知道该找谁。

2.4 组件二：指令系统

指令系统是 Skill 的"大脑"——它定义了 AI 应该怎么思考、怎么行动。这是 Skill 质量最核心的决定因素。

指令系统包含四个子模块，每个子模块都至关重要。

子模块一：角色设定

角色设定告诉 AI “你是谁”。这个看似简单的设定，对输出质量的影响极其深远。

原因在于：大语言模型的训练数据中包含了海量的文本，这些文本按照"说话的人是谁"被隐性分类。 当你设定一个角色时，你实际上激活了该角色对应的"知识域"和"表达模式"。

来看一个对比实验：

无角色设定：
“帮我分析这个季度的销售数据。”
→ AI 输出：通用分析，没有特定视角，信息罗列

有角色设定：
“你是一位有8年电商经验的资深数据分析师，擅长从数据中挖掘增长机会。你的分析风格是：先给核心结论，再用数据论证，最后给出可执行的策略建议。请帮我分析这个季度的销售数据。”
→ AI 输出：有深入洞察，有专业术语，有策略建议

同样的数据，输出质量差了几个等级。

角色设定的"三阶递进"法则：

第一阶：角色身份
  → "你是一个数据分析师。"
  → 激活通用数据分析知识

第二阶：角色+领域
  → "你是一位专注于电商行业的数据分析师。"
  → 缩小到电商领域的分析模式

第三阶：角色+领域+经验+风格（推荐的最低标准）
  → "你是一位有8年电商行业经验的数据分析师，擅长用漏斗模型分析用户转化。
     你的风格是：先给核心结论，再用数据支撑，最后给出可执行的建议。
     你在做出分析结论前会先确认数据的完整性和可靠性。"
  → 完整激活资深电商数据分析师的思维模式

角色设定的"微调"技巧：

当 Skill 的输出在某些方面不够理想时，不需要重写角色设定，而是做"微调"：

问题：输出太技术化，非技术人员看不懂
微调：在角色中加入"善于用通俗易懂的方式解释复杂概念"

问题：输出太保守，缺乏前瞻性
微调：在角色中加入"不仅分析现状，还要预判未来趋势"

问题：输出浮于表面，不够深入
微调：在角色中加入"习惯做多维度交叉分析，挖掘深层驱动因素"

子模块二：行为准则

行为准则是 Skill 的"宪法"——所有处理过程都必须在准则的框架内进行。

好的行为准则应该是具体、可执行的，而不是空泛的口号。

✅ 好的行为准则：

1. 忠实原则：所有输出必须基于用户提供的信息，不编造事实和数据
2. 不确定标注：如果某条信息无法从输入中确认，标注'未注明'，不猜测
3. 语言规范：使用简洁的商务语言，避免口语化表达
4. 完整性要求：对于多事项任务，确保所有事项都被处理，不遗漏
5. 一致性：同一类型的输出格式必须保持统一

❌ 差的行为准则：

1. 准确
2. 规范
3. 完整

行为准则要写得让 AI 能"检查"自己有没有违反——不仅知道"什么不能做"，还要知道"应该怎么做"。

子模块三：处理流程

处理流程是 Skill 的"SOP"（标准操作流程）——它告诉 AI 按什么顺序、什么方法来处理信息。

处理流程的核心价值：让 AI 的输出从"随机发挥"变成"稳定生产"。 没有流程，AI 可能每次都用不同的方式处理；有了流程，AI 每次都走同样的步骤，质量自然稳定。

我们来看三个不同复杂度的处理流程设计：

流程设计一：简单任务——直接处理

适合：翻译、摘要、格式转换

步骤1：理解用户的输入内容
步骤2：直接执行核心任务（翻译、摘要等）
步骤3：输出结果

流程设计二：中等任务——多步有序处理

适合：会议纪要、数据分析、文章写作

步骤1：分析输入，理解内容结构和关键信息
步骤2：提取需要的信息要素（逐项提取）
步骤3：按照指定格式组织信息（先搭框架，再填内容）
步骤4：质量检查（检查完整性、格式、语气）
步骤5：输出最终结果

流程设计三：复杂任务——分支+多步处理

适合：客服分类、智能问答、复杂分析

步骤1：分析用户输入，判断任务类型
  情况A（类型A）→ 走 A 流程
  情况B（类型B）→ 走 B 流程
  情况C（类型C）→ 走 C 流程

步骤2（各分支内继续）：
  分支A：步骤A1 → 步骤A2 → 步骤A3
  分支B：步骤B1 → 步骤B2
  分支C：步骤C1 → 步骤C2 → 步骤C3 → 步骤C4

步骤3：汇总各分支结果（如果流程有汇总需要）
步骤4：输出

设计处理流程的三个关键原则：

原则一：可执行。 每个步骤的动作要明确——AI 看到就知道"这一步我该干什么"。

✅ “步骤1：从输入内容中提取所有日期和参会人姓名”
❌ “步骤1：处理好输入数据”

原则二：有顺序。 前一步的输出要为后一步的输入做准备。

先理解，再提取，再组织，再输出。顺序错乱会导致"信息还没提取出来，就开始组装了"。

原则三：有闭环。 最后一步应该是"检查"而不是"写完就完"。

在输出之前加一个"质量检查"步骤，可以让质量显著提升。

子模块四：约束条件

约束条件是 Skill 的"护栏"——明确划定什么可以做、什么不可以做。

约束条件的四类：

第一类：内容约束

• 不编造数据
• 只使用用户提供的信息
• 不确定的内容要标注，不能猜测

第二类：格式约束

• 字数不超过 XXXX 字
• 必须使用指定的输出模板
• 每个章节必须有内容，不能为空

第三类：安全约束

• 不透露系统内部的配置信息
• 不输出其他用户的隐私数据
• 涉及敏感信息要添加脱敏处理

第四类：行为约束

• 在调用工具前，先确认用户的意图
• 执行不可逆操作前，需要用户二次确认
• 在提供建议时，同时说明可能的局限性

约束条件写作的黄金法则：用"要"代替"不要"。

这是提示词工程的核心原则之一——告诉 AI "做什么"比"不做什么"更有效。

❌ “不要写得太长”
✅ “字数控制在 800 字以内”

❌ “不要编造数据”
✅ “只使用用户输入中明确提供的数据”

❌ “不要用口语”
✅ “使用正式、专业的商务语言”

2.5 组件三：工具集

工具集是 Skill 的"手脚"——它让 AI 不仅能"说"，还能"做"。

为什么需要工具？

因为 LLM 有三个能力边界：

1. 知识边界：训练数据截止于某个时间点，不知道之后的事
2. 信息边界：无法访问你的私有数据库和内部系统
3. 操作边界：只能在对话框里生成文字，无法操作外部系统

工具就是用来突破这三个边界的。

工具的类型：

信息获取型：
  - 网页搜索：获取实时信息
  - 数据库查询：访问私有数据
  - API 调用：获取第三方数据

操作执行型：
  - 发送消息/邮件
  - 创建/编辑文档
  - 设置日历事件
  - 管理任务

计算处理型：
  - 代码执行（做精确计算）
  - 数学运算
  - 数据格式转换

工具的配置要素：

每个工具的配置包含四个部分：

（1）工具名称
唯一标识，不要和别的工具重名

（2）工具描述
告诉 AI 这个工具是干什么的、什么时候该用
描述越详细，AI 调用越精准

✅ “搜索互联网获取最新实时信息。当用户问及新闻、最新动态、时效性信息时使用。不要用于数学计算。”
❌ “搜索”

（3）参数定义
调用这个工具需要提供什么参数
每个参数都要有清晰的说明

（4）使用规则
什么条件下才能用、用了之后怎么办

工具不是越多越好。 每个工具都有调用成本（时间消耗、API 费用），而且过多的工具会让 AI “选择困难”。一般来说，一个 Skill 配置 1-3 个核心工具就够了。

2.6 组件四：配置项

配置项让 Skill "灵活"起来——同一个 Skill，通过调整配置就可以适应不同的使用场景。

典型的配置项：

输出字数：500 / 800 / 1000 / 自定义
  → 控制输出的详细程度

输出语言：中文 / 英文 / 双语
  → 控制输出的语言

语气风格：正式 / 专业 / 轻松 / 亲和
  → 控制输出的语气

详细程度：简洁 / 标准 / 详细
  → 控制输出包含的信息量

输出格式：Markdown / 纯文本 / JSON
  → 控制输出的组织方式

配置项设计的核心原则：每个配置项都要有合理的默认值。

用户打开 Skill 什么都不改，用默认值就能得到不错的结果——这是合格的设计。
用户改了配置项后能得到更满意的结果——这是优秀的设计。

配置项数量控制：

配置项数量	适用场景	说明
0-2 个	简单 Skill	不需要用户调整
3-5 个	标准 Skill	给用户基本的选择权
5+ 个	复杂 Skill	需要用户参与调优

超过 5 个配置项，用户会觉得"太复杂了"。如果确实需要更多配置，可以考虑把高级选项收起来。

2.7 组件五：执行逻辑

执行逻辑是 Skill 的"神经系统"——它定义了信息如何在 Skill 内部流动。

执行逻辑的几个关键环节：

环节一：输入处理

用户输入的内容在被送到 LLM 之前，可能需要经过处理：

- 格式标准化：把各种输入格式统一为内部格式
- 参数注入：把用户的配置参数填入提示词模板
- 上下文增强：补充系统自动获取的信息（时间、用户身份等）
- 输入校验：检查输入是否符合要求（长度、格式、内容）

环节二：任务分解

对于复杂任务，把大任务拆解为一系列小任务：

大任务："分析这个季度所有产品的销售表现"
→ 分解为：
  子任务1：按产品分类整理销售数据
  子任务2：计算每个产品的增长率和贡献率
  子任务3：找出表现最好的和最差的产品
  子任务4：分析关键变化的原因
  子任务5：撰写综合报告

环节三：条件分支

根据不同条件走不同的处理逻辑：

IF 输入长度 < 200字 → 简单处理模式
IF 输入长度 200-2000字 → 标准处理模式  
IF 输入长度 > 2000字 → 先做摘要再处理模式

IF 用户选择了"简洁模式" → 输出只保留核心信息
IF 用户选择了"详细模式" → 输出包含完整分析

环节四：错误恢复

当处理过程中出现异常时怎么处理：

工具调用失败 → 自动重试1次 → 如果还失败，告知用户
格式检查不通过 → 让AI重新生成 → 重新检查
安全检查触发 → 拦截内容 → 告知用户内容被过滤

---

第三章：Skill 的工作原理——从触发到交付的完整旅程

3.1 Skill 的七阶段生命周期

当一个 Skill 从"被触发"到"交付结果"，它经历了七个阶段。理解这个生命周期，能帮你更好地设计 Skill。

阶段一：触发——Skill 被激活
    │
    ▼
阶段二：加载——加载配置和指令
    │
    ▼
阶段三：组装——组装成完整 Prompt
    │
    ▼
阶段四：推理——LLM 进行分析
    │
    ▼
阶段五：工具调用（如果需要）——获取外部信息
    │
    ▼
阶段六：生成——产出最终内容
    │
    ▼
阶段七：交付——后处理并交到用户手中

3.2 各阶段详解

阶段一：触发

Skill 可以通过四种方式被触发：

方式一：主动触发
用户明确选择或输入命令来调用 Skill
例子：用户在输入框输入"/周报"来调用周报 Skill

方式二：意图匹配
系统根据用户输入自动判断并匹配 Skill
例子：用户说"帮我整理一下会议记录"→ 系统自动匹配会议纪要 Skill

方式三：定时触发
在预设的时间点自动执行
例子：每天早上 8:00 自动执行新闻推送 Skill

方式四：事件触发
外部事件触发 Skill 执行
例子：收到新邮件时触发邮件摘要 Skill

阶段二：加载

系统找到匹配的 Skill 后，从存储中加载它的所有配置：

加载的内容包括：
- 身份标识（名称、版本、描述）
- 完整的指令系统（角色、准则、流程、约束）
- 工具集（所有工具的定义和配置）
- 配置项（用户自定义的参数和默认值）
- 执行逻辑（处理规则和异常策略）

阶段三：组装

所有加载的内容和用户输入组装到一起，形成一个"超级 Prompt"：

┌──────────────────────────────────────────────────────┐
│                  最终的 Prompt                         │
├──────────────────────────────────────────────────────┤
│  [Skill 系统指令]                                     │
│  角色设定、行为准则、处理流程、约束条件……               │
│                                                      │
│  [用户当前输入]                                       │
│  "帮我整理今天的会议纪要……"                             │
│                                                      │
│  [系统上下文]                                         │
│  当前时间：2026-05-20 15:30                            │
│  用户身份：张三                                       │
│                                                      │
│  [工具定义]                                           │
│  可用工具清单和调用规则                                │
└──────────────────────────────────────────────────────┘

阶段四：推理

组装好的 Prompt 被发送给 LLM。LLM 开始做三件事：

第一件事：理解
理解用户的意图、上下文、需要完成的任务

第二件事：规划
决定需要什么信息（是否需要调用工具？），按什么步骤处理

第三件事：执行
开始生成内容，或者准备调用工具

阶段五：工具调用（可选）

当 LLM 判断需要外部信息时，它会输出一个"工具调用请求"：

工具调用请求（由 LLM 输出）：
{
  "tool": "query_weather",
  "params": {
    "city": "北京",
    "date": "2026-05-21"
  }
}

→ 系统执行这个工具
→ 获取返回结果
→ 将结果送回给 LLM
→ LLM 基于结果继续推理

阶段六：生成

LLM 生成最终的文本输出。这个输出遵循 Skill 定义的所有规范和格式要求。

阶段七：交付

输出经过一系列后处理：

格式校验：检查是否符合 Markdown/JSON 规范
安全检查：检查是否包含敏感信息
内容过滤：移除不允许的内容
长度检查：是否在字数限制内
最终：呈现给用户

3.3 一个完整的执行例子

我们把"会议纪要整理 Skill"的完整执行过程走一遍：

用户输入：
“今天开了一个项目评审会，参加的有张三、李四、王五。讨论了项目A的进度——基本正常但测试资源紧张；项目B的需求变更——客户增加了两个新功能。决议是项目B同意变更。待办是张三负责评估工期，周五前给结果。”

触发阶段：
系统分析输入 → 用户提到"项目评审会" → 匹配"会议纪要整理" Skill

加载阶段：
加载 Skill 的配置和指令：
  - 角色：资深会议秘书
  - 流程：理解→提取→组织→检查→输出
  - 约束：不编造、不确定的标注"未注明"

组装阶段：
组装后的 Prompt 包含：
  [系统指令] 角色设定 + 流程 + 约束
  [用户输入] "今天开了一个项目评审会……"
  [上下文] 当前时间 + 用户身份

推理阶段：
LLM 分析输入 → 识别出会议主题、参会人、三个讨论点、一个决议、一个待办

生成阶段：
按照 Skill 指定的输出模板生成结构化会议纪要

交付阶段：
格式校验 → 安全检查 → 输出给用户

用户看到的最终结果：
# 会议纪要
**会议主题：** 项目评审会
**时间：** 2026-05-20
**参会人：** 张三、李四、王五

## 核心讨论
1. 项目A进度：基本正常，但测试资源紧张
2. 项目B需求变更：客户增加两个新功能，讨论后同意变更

## 待办事项
| 事项 | 负责人 | 截止日期 |
|-----|--------|---------|
| 评估项目B工期 | 张三 | 周五前 |

---

第四章：为什么 Skill 能创造更大价值？

4.1 效率价值——省时间

Skill 最直观的价值：把重复性劳动自动化。

一个 Skill 被创作出来后，可以被反复使用。每次使用只需要输入"变化的部分"，而"不变的部分"由 Skill 自带。

计算公式：

每次节省的时间 = 手动做这件事的时间 - 使用 Skill 的时间
累计节省的时间 = 每次节省的时间 × 使用次数 - 创作 Skill 的时间

一个真实的例子：

假设你每周写周报，手动需要 30 分钟。
你花 2 小时创作了一个"周报生成 Skill"。
之后每次写周报只要 5 分钟（输入工作内容）。

第 1 周：已节省30分钟（但花了2小时创作，暂时还是"亏"的）
第 4 周：累计节省了(30-5)×4 = 100分钟，减去120分钟的创作时间，还"亏"20分钟
第 5 周：累计节省了(30-5)×5 = 125分钟，超过了创作时间的120分钟 → 开始"赚"了
第 10 周：累计省了 250 分钟 = 4 个多小时

所以：重复频率越高、每次耗时越长的任务，创作 Skill 的回报越大。

4.2 质量价值——保质量

Skill 的第二个价值：把最佳实践固化下来。

一个 Skill 的指令系统凝聚了创作者的经验和智慧：

• 最合适的角色设定
• 最优的处理流程
• 最完善的约束条件
• 最规范的输出格式

这意味着什么？

团队里最会写数据分析报告的同事，把他分析的思路、框架、表达方式做成一个 Skill。其他同事使用这个 Skill，产出的分析报告质量稳定在"良好"以上——即使使用者本身并不擅长数据分析。

Skill 让"个人能力"变成了"组织能力"。

4.3 能力价值——做新事

Skill 的第三个价值可能是最激动人心的：让 AI 做到以前做不到的事。

单个提示词的能力边界是很窄的——你问它答，仅此而已。

但 Skill 通过工具调用 + 多步推理 + 定时触发的组合，可以实现以前需要多个人、多个工具才能完成的任务。

例子：“竞品监控 Skill”

以前要完成这个工作，需要一个运营专员每天：

1. 打开浏览器搜索竞品动态（15分钟）
2. 阅读并分析文章（15分钟）
3. 撰写简报（15分钟）
4. 发到团队群（5分钟）
   → 每天 50 分钟

现在一个"竞品监控 Skill"可以：

1. 每天早上 8:00 自动触发（定时）
2. 自动搜索相关关键词（工具调用）
3. 自动分析搜索结果（AI 推理）
4. 自动生成简报并推送到团队群（工具调用）
   → 每天 0 分钟人工，全自动

这就是能力价值——Skill 把 AI 从"被动响应"变成了"主动服务"。

---

第五章：Skill 的分类——了解不同种类的 Skill

5.1 按功能分类

根据 Skill 的核心功能，可以分为六大类：

第一类：内容生成型

这类 Skill 的核心是"生成文本内容"。它们主要依赖 LLM 的文本生成能力，通常不需要或很少需要工具调用。

典型例子：

• 周报生成：根据工作内容生成结构化周报
• 文案撰写：根据产品信息生成营销文案
• 文章润色：优化文章的语言表达和结构
• 邮件起草：根据场景生成商务邮件
• 标题创作：根据文章内容生成多个备选标题

设计要点：角色设定要精准，输出格式要明确。这类 Skill 的质量 80% 取决于指令系统的质量。

第二类：分析处理型

这类 Skill 的核心是"从信息中提炼洞察"。它们通常需要先理解输入，再进行推理分析，最后输出结论。

典型例子：

• 会议纪要整理：从会议记录中提取关键信息
• 数据分析：解读数据，给出业务洞察
• 文档审查：检查文档中的问题和遗漏
• 竞品分析：对比多个产品的优劣势
• 情绪分析：分析文本中蕴含的情绪倾向

设计要点：处理流程要清晰，推理链路要完整。这类 Skill 质量的关键是"步骤分解是否合理"。

第三类：信息获取型

这类 Skill 的核心是"获取并整合外部信息"。它们必须调用外部数据源（搜索、API 等）来完成工作。

典型例子：

• 财经资讯：搜索并汇总最新财经新闻
• 股票行情：查询股票实时数据并给出解读
• 知识问答：搜索互联网获取准确答案
• 事件追踪：持续追踪某个事件的最新进展

设计要点：工具配置要准确，信息整合要自然。这类 Skill 质量的关键是"信息源的质量"和"整合方式"。

第四类：自动化操作型

这类 Skill 的核心是"代替人执行操作"。它们调用工具来执行真实世界中的操作。

典型例子：

• 定时推送：每天定时推送信息到指定渠道
• 文档归档：自动整理和归档文件
• 审批提醒：在审批超时后自动提醒
• 会议安排：自动协调参会人时间并创建会议

设计要点：安全边界要严格，错误处理要完善。这类 Skill 如果出错会造成实际影响。

第五类：交互对话型

这类 Skill 的核心是"多轮对话"。它们需要在多轮交互中逐步了解用户需求，最终完成任务。

典型例子：

• 客服咨询：通过多轮对话解决客户问题
• 需求收集：通过问答逐步明确用户需求
• 面试模拟：模拟面试官进行多轮问答
• 学习辅导：根据学生水平进行个性化辅导

设计要点：状态管理要到位，对话逻辑要清晰。这类 Skill 质量的关键是"能否记住之前说了什么"。

第六类：混合型

大多数实用的 Skill 都是混合型——结合了以上多种类型的特点。

例子：“市场调研助手”

• 信息获取（搜索竞品信息）
• 分析处理（分析信息并提炼洞察）
• 内容生成（撰写调研报告）
• 自动化操作（将报告推送到团队群）

5.2 按交互方式分类

单轮 Skill：
用户输入一次，Skill 输出一次，任务结束。

适用：任务明确、一步到位的场景
例子：翻译、摘要、格式转换

多轮 Skill：
需要在多轮对话中逐步完成任务。

适用：需要逐步确认信息的场景
例子：客服、需求收集、面试模拟

静默 Skill：
不需要用户主动输入，按预设条件自动运行。

适用：后台任务、定时任务
例子：每日新闻推送、定时数据备份

---

第六章：Skill 与提示词、Agent 的关系

6.1 三者的演进关系

Skill 不是一个孤立的概念。它处于 AI 交互能力演进链条的中间位置：

                 更高复用性、更强自主性
                         │
                    ┌────┴────┐
                    ▼         ▼
    提示词 ───→ Skill ───→ Agent
    一次性      可复用      可自主决策
    无工具      有工具      有多工具协作
    无状态      有配置      有完整记忆

提示词： 最基本的 AI 交互单元。一次性的、无工具、无状态。
Skill： 封装后的 AI 能力模块。可复用、有工具、可配置。
Agent： 自主的 AI 智能体。可自主决策、多工具协作、有长期记忆。

6.2 核心差异对比

维度	提示词	Skill	Agent
复用性	低（每次重写）	高（一次创作多次使用）	中（依赖场景）
工具调用	无	有（预设工具）	有（动态选择）
状态管理	无	简单（配置和上下文）	完整（长期记忆）
自主决策	无	有限（在预设范围内）	高（可自主调整策略）
组合能力	无	有（可被编排）	有（内嵌编排）
创作门槛	低	中	高

6.3 什么时候用哪个？

对于初学者来说，选择原则很简单：

一次性的任务 → 写提示词就够了
要做多次的重复任务 → 封装成 Skill
需要自主规划和多步决策 → 考虑 Agent

大部分日常工作中的 AI 需求，用 Skill 就可以很好地解决。

---

第七章：从"使用者"到"创作者"——你需要做的准备

7.1 心态上的准备

创作 Skill 最需要的不是编程能力，而是一种思维方式的转变。

转变一：从"写一次"到"设计系统"

写提示词时，你只需要考虑"这一次"：

• 这一次用户输入什么
• 这一次格式长什么样
• 这一次语气怎么样

创作 Skill 时，你需要考虑"每一次"：

• 每次可能有什么变化？→ 提取为变量
• 每次可能出现什么异常？→ 设计兜底逻辑
• 每次用户的需求可能有什么差异？→ 设计配置项

转变二：从"个人使用"到"可能被共享"

你自己的提示词只需要你自己能看懂。

但 Skill 可能会被共享——团队成员甚至陌生人都可能使用。所以 Skill 需要：

• 清晰的名称和描述
• 完整的配置说明
• 易懂的示例

转变三：从"追求一次完美"到"接受迭代优化"

第一版一定不够好。这不是能力问题，这是规律。

好的 Skill 不是"写"出来的，是"迭代"出来的。v1.0 能用就行，v1.1 修一些 bug，v1.2 加一些功能——这才是健康的创作节奏。

7.2 知识上的准备

创作 Skill 的"最少必要知识"清单：

必须理解：
□ "输入→处理→输出"三层框架
□ 角色设定是什么、为什么重要
□ 约束条件怎么写、约束什么
□ 怎么用变量让 Skill 灵活

最好了解：
□ 工具是什么、怎么配置工具
□ 条件分支怎么写
□ 怎么测试和迭代

不需要知道：
□ Transformer 架构
□ 注意力机制原理
□ 模型训练方法
□ 编程语言

7.3 实践上的准备

创作第一个 Skill 的最佳路径：

第一步：选择一个你"每周至少做 3 次"的重复任务
  → 写周报？整理会议纪要？分析数据？
  → 重复频率越高，Motivation 越强

第二步：用"三层框架"设计你的 Skill
  → 输入层：用户给我什么？
  → 处理层：我怎么加工？
  → 输出层：我怎么交付？

第三步：先做一个"能用"的版本
  → 不管完美不完美，先让它跑起来

第四步：用起来，观察哪里不够好
  → 每次使用都留意"这里可以改"

第五步：迭代优化
  → 改角色设定？改流程？加约束？加工具？

---

写在最后——准备好成为 Creator 了吗？

提示词让你成为 AI 的使用者——你能用好 AI。
Skill 让你成为 AI 的创作者——你能让 AI 为你工作。

从使用者到创作者，需要的不是技术基础，而是观察和抽象的能力——

• 观察你工作中那些"反复做"的事情
• 把它们抽象成一个"可以被 AI 自动完成"的系统

如果你准备好了，后面的 9 篇文章将带你一步步走完全程：

第2篇：Skill 核心架构——输入、处理、输出
第3篇：手把手创作第一个 Skill
第4篇：Skill 提示词设计精要
第5篇：工具集成——让 Skill 有"手脚"
第6篇：状态管理与上下文控制
第7篇：错误处理与边界设计
第8篇：测试与质量保障
第9篇：组合与编排——复杂工作流
第10篇：生态建设与未来趋势

---

课后练习：

1. 观察练习：接下来一周，记录你每次使用 AI 的场景。标出那些"每周至少做 3 次"的任务——它们就是 Skill 的最佳候选。

2. 拆解练习：找一个你常用的 AI 功能（如"总结文章"），尝试用"输入→处理→输出"的框架拆解它。

3. 创意思考：列出 3 个你工作中"费时且有固定套路"的任务，为每个任务写一句话说明"如果做成 Skill，输入是什么、输出是什么"。

---

下一篇预告：《第2篇：Skill的核心架构——输入、处理、输出三要素》
任何一个 Skill，无论多复杂，它的内部都可以被抽象为输入层、处理层、输出层三个层次。下一篇，我们深入拆解这三个层次，建立 Skill 设计的通用蓝图。

---

提示词让你成为 AI 的使用者。Skill 让你成为 AI 的创作者。你准备好迈出这一步了吗？🚀