什么是Skill？
核心定义
Skill是写给AI的SOP。更完整地说，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：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
理论基础：ACT-R认知架构
这背后有一个经典的认知心理学理论：ACT-R（Anderson, 1982）。它把人的知识分成两种：
知识的两种形态
陈述性知识（Know-what）：我知道按钮颜色是#2196F3，我知道间距要用8px网格。这是事实和信息。
程序性知识（Know-how）：我拿到需求就知道该怎么画，不用想颜色该用什么，手上自然就对了。这是做事的能力。
一句话总结：知识库让AI「知道」，Skill让AI「会做」。
Skill vs 其他概念
| 概念 | 知识类型 | 持久性 | 核心作用 |
|---|---|---|---|
| Prompt | Know-how（表达意图） | 临时 | 单次对话指导 |
| Context | Know-what | 临时 | 信息窗口 |
| 知识库 | Know-what | 持久 | 存储事实信息 |
| Memory | Know-what | 持久 | 记录偏好 |
| Skill | Know-how | 持久 | 编译的程序性知识 |
Skill设计的六步法
业务场景识别
识别高价值、高频次、标准化的业务场景，评估Skill化的ROI
SOP梳理与提取
与业务专家深度访谈，梳理标准操作流程，提取隐性知识
约束边界定义
明确Skill的能力边界、输入输出规范、异常处理机制
Prompt工程实现
将SOP转化为结构化Prompt，设计Few-shot示例
工具集成封装
集成必要的工具调用（API、数据库、文件系统等）
测试迭代优化
多场景测试，收集反馈，持续优化Skill表现
构建Skill的6个技巧
技巧1：踩坑即沉淀
每次AI犯错，不是口头纠正就算了，而是立刻让AI把教训写进规则文件。这是持续改进的关键。
技巧2：让AI自己找工具
不需要自己去研究有哪些API可用。直接告诉AI你的目标，让它自己去探索可用的工具。这能大大加速开发过程。
技巧3：先做一遍，再提炼Skill
很多人的直觉是先规划好Skill再执行。但实际上反过来效率更高——先让AI做一遍真实任务，从过程中提炼出该固化的部分。
技巧4：让AI帮你写Skill本身
不是手写每一行规范，而是在对话中告诉AI「把刚才做的这些总结成规范文件」。AI是Skill的最佳助手。
技巧5：用Memory做Skill的「热补丁」
不是每次踩坑都要改Skill主文件。小的教训先写进Memory，积累到一定量再整合进Skill正式文件。
技巧6：分享意图而非指令
不要试图写死AI的每一步操作。告诉它「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。
Skill文件体系结构
SKILL.md # 总控文件，规定什么时候该做什么
├── design-style-guide.md # 视觉规范
├── component-reference.md # 精确的Token值
├── generation-guide.md # 生成流程
└── lessons-learned.md # 记录踩坑教训（放Memory里）
未来展望：从Skill到Principle
回顾一下，在通用大模型之上，我们一直在叠加不同形式的外挂：
- 先是外挂提示词——告诉它做什么
- 然后是外挂知识库——告诉它知道什么
- 再然后是外挂Skill——告诉它怎么做
下一步：外挂Principle（决策框架）
沿着ACT-R理论继续推演，程序性知识之后是自动化与元认知——不是「怎么做某件事」，而是「怎么判断该做哪件事」。
Skill解决的是「这个任务怎么做」，而Principle要解决的是「面对多个任务该选哪条路」。比喻来说：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。
终极愿景
我们正在见证AI协作从「分享信息」走向「分享能力」，最终走向「能力的自由流通」。当Principle层成熟后，下一步会出现的是「AI角色市场」——你装载的不再是单个技能，而是一个完整的专业角色。