别只会跟 AI 聊天了：用 Skills 把它训练成你的超级员工
你有没有这种感觉：每次用 AI 写代码、写文章、做分析，都得把同样的话重复说一遍？
“帮我写一篇文章，要中文，2000 字左右，口语化表达，要有小标题……” 每次都这么说，累不累？
这就好比你招了一个能力很强的新员工，但他每天早上来上班都失忆了——你得从头跟他交代一遍工作流程。聪明是聪明，但你的时间全花在”交代”上了。
真正让 AI 变成”超级员工”的秘密，不是更好的模型，不是更长的上下文，而是——Skills。
什么是 Skills
简单说，Skill 就是一份写给 AI 的”岗位手册”。
你把某个任务的完整流程、要求、约束、输出格式写成一个 Markdown 文件，存到项目里。以后每次需要干这件事的时候，打一个斜杠命令（比如 /writing-agent），AI 就按照手册来执行，不用你再重复交代。
拿我自己的博客举例。我写了一个叫 writing-agent 的 Skill，里面详细规定了：
- 拿到选题后先搜索 3-5 篇参考资料
- 生成 3 个标题候选，选最好的
- 按照固定的 Hexo frontmatter 格式输出
- 文章要 2000 字，口语化，有场景有数据
- 自动生成封面图片
- 写完直接存到
source/_posts/目录
现在我写一篇文章，从选题到成稿，就一句话的事：/writing-agent 帮我写一篇关于 XX 的文章。AI 自己去搜资料、选标题、写内容、生成封面、创建文件。整个流程 5 分钟，我只需要最后审一遍。
没有 Skill 之前呢？我得先跟 AI 说搜什么资料，再说标题怎么取，再说格式是什么，再说风格要求……一篇文章光”教 AI 怎么干”就要花十分钟。
这就是 Skill 的价值：把你教 AI 的过程固化下来，一次教会，永久生效。
一个 Skill 长什么样
别被”Skill”这个词吓到，它其实就是一个 Markdown 文件。以我写的”AI 味检测器”为例，核心结构就三部分：
1. 头部声明
1 |
|
这两行告诉 AI：”你叫什么，你干什么。” description 很重要——Claude Code 靠它来判断什么时候应该自动调用这个 Skill。
2. 角色设定
你是一个专业的”内容人味分析专家”，擅长识别文章中的 AI 痕迹，并提供可操作的修改建议。
一句话定义角色。不是”你是一个有用的助手”这种废话，而是精确到具体领域。
3. 执行步骤
这是 Skill 的核心。我的 AI 味检测器分了 6 个步骤：
- 步骤 1：从 6 个维度打分
- 步骤 2：逐段分析，标出可疑句子
- 步骤 3：算出总评分
- 步骤 4：总结核心问题
- 步骤 5：给出具体优化建议
- 步骤 6：直接编辑原文，重写优化
每个步骤都有明确的输入、输出和格式要求。AI 不需要猜你要什么，它只需要按步骤执行就行。
这就像你给新员工写的 SOP（标准操作流程）——越详细，他犯错的概率越低。
为什么 Skills 比”每次说一遍”强太多
你可能会想：我每次把要求复制粘贴一下不也行吗？
不一样。区别在三个地方。
一是稳定性。 你每次手动说需求，措辞会有微妙变化。今天说”口语化”，明天说”接地气”，AI 的理解可能不同。Skill 里的指令是固定的，每次执行的结果一致性高得多。就像麦当劳为什么能全球统一口味？不是因为厨师厉害，是因为 SOP 够详细。
二是可迭代。 你发现 AI 某个环节做得不好，改一下 Skill 文件就行了。比如我发现文章结尾老是用”我们正在经历一个转折点”这种套话，就在 Skill 里加了一条”禁止使用’我们正在经历’开头的句子”。下次就不会再犯了。这种改进是永久的、累积的。
三是可复用。 一个写好的 Skill 可以在不同项目里用，可以分享给团队，甚至可以开源。GitHub 上已经有好几个 Star 过千的 Skill 仓库了。你不需要从零开始，站在别人肩膀上就好。
我第一版 Skill 有多烂
在讲技巧之前，先说说我第一次写 Skill 时翻的车。
我的第一版 writing-agent 就一句话：”帮我写一篇高质量的中文科技自媒体文章，2000 字左右。” 信心满满地跑了一次，出来的东西开头是”随着 AI 技术的飞速发展”，结尾是”让我们拭目以待”，中间通篇正确的废话。我当场就知道，这玩意儿得重写。
第二版我加了风格要求：”口语化，有故事，有数据。” 好了一点，但 AI 自己瞎编数据，引用的链接打不开。第三版我加了搜索步骤和来源限制。第四版加了标题生成逻辑。第五版加了输出格式模板……
改到第十几版的时候，writing-agent 已经从一句话变成了一份 300 多行的详细手册，拆成了 13 个步骤。但效果也从”勉强能用”变成了”说一句话就能产出高质量文章”。
这个过程教会我最重要的一件事：步骤拆得越细，AI 的自由发挥空间越小，输出质量越稳定。
写好 Skill 的几个关键技巧
“不要做什么”比”要做什么”更有效
我在写作 Skill 里加了很多”禁止”条款：
- 避免抓取 reddit.com、zhuanlan.zhihu.com 等网站
- 少用形容词，多用名词、动词
- 不要堆砌金句
- 不要用”首先/其次/最后”的结构
这些负面约束比正面指令更有效。因为 AI 默认会走最”安全”的路线——用套话、用排比、用中庸的表达。你不告诉它”别这么干”，它就一定会这么干。
给模板和决策框架，但别控制一切
光说”输出要有结构”没用，你得告诉它结构长什么样。我在 Skill 里放了完整的输出示例——从 frontmatter 格式到文章骨架到结尾互动话题。AI 有了参照物，格式就不会跑偏。
但也不能什么都写死。好的 Skill 要在关键节点给 AI 决策空间。比如我的写作 Skill 里，分类选择是这样写的：”根据文章内容从以下分类中选择最合适的一个：AI / 编程 / 产品 / 教程 / 工具 / 观点。” AI 知道有哪些选项，剩下的让它自己判断。该细的地方细到每一步，该松的地方给它自由。 这个度需要自己摸索。
最重要的：持续迭代
没有 Skill 是一次写好的。前面说了，我的 writing-agent 改了不下二十版。上周我发现文章结尾老是出现”让我们拭目以待”这种句子，就加了一条”禁止使用’让我们’开头的结尾”。这周我发现生成的封面风格不统一，又加了封面 prompt 的约束条件。
这个过程就像带新员工：一开始手把手教，每次犯错就加一条规矩，慢慢地他就能独立干活了。区别是——AI 不会忘记你教过的东西。
不只是 Claude Code
虽然这篇文章用 Claude Code 举例，但”给 AI 写操作手册”这个思路不只适用于一个工具。
我在 Cursor 里也写过 .cursorrules，但说实话体验差了不少——它没法调用外部工具（比如搜索引擎），没法自动触发，也没法带参数执行。Claude Code 的 Skills 在可编程性上领先一截。不过 Cursor 的 Rules 写起来更简单，适合轻量级的代码风格约束。两个工具我都在用，各有各的甜蜜点。
有人把这个新兴的能力叫做 Skill Engineering（技能工程）。跟 Prompt Engineering 不同的是，Prompt 是一次性的指令，Skill 是可复用的工作流。Ben AI 说得好：”不管 AI 模型变得多强，它们仍然需要针对你的业务、你的流程、你的工作方式的具体指引。” 模型是公共的，但你的 Skill 是私有的。Skill 才是你跟用同一个模型的其他人拉开差距的地方。
从哪里开始
如果你还没写过 Skill，建议从最简单的开始：
- 找到你重复最多的任务。 什么事情你每次都要跟 AI 说一大段话？那就是你的第一个 Skill。
- 写一个最小版本。 不需要一开始就写得很完美。先把核心步骤列出来，跑一遍看效果。
- 根据结果迭代。 AI 哪里做得不好，就在 Skill 里加约束。哪里做得好，就固定下来。
- 去 GitHub 上找灵感。
agent-rules仓库（5500+ Star）、skills仓库（1300+ Star）里有大量现成的 Skill 可以参考。
文件放在 .claude/skills/你的skill名/SKILL.md，下次打 / 的时候就能看到了。五分钟就能上手。
写在最后
上周我用 /writing-agent 写了三篇文章，用 /ai-tone-detector 检测并优化了每一篇的 AI 味。从选题到发布，三篇文章总共花了不到一个小时。换作以前，光写一篇就得大半天。
这不是因为 AI 变强了——模型还是那个模型。是因为我花了时间把工作流沉淀成了 Skill。AI 不再是一个”每次都要教”的新人，而是一个”打个招呼就能干活”的老员工。
这可能是 2026 年最值得投入时间学习的技能：不是学怎么用 AI，而是学怎么训练 AI 帮你干活。
你写过自己的 AI Skill 吗？用它来干什么？评论区聊聊你的实战经验。