AI优先｜重复三次的工作，就应该考虑做成Skill
我现在越来越有一个很简单的判断标准：
如果一件事情已经重复做了三次，就应该考虑把它做成Skill。
这里的“三次”当然不是一个绝对数字。
它真正想表达的是：
不要反复用临时对话解决长期重复的问题。
第一次做，可以摸索。
第二次做，可以改进。
如果第三次还在重新写提示词、重新解释要求、重新告诉AI文件在哪里、输出什么格式，那就说明这件工作已经值得标准化了。
而Skill，本质上就是把一次次临时使用AI的方法，变成一个可以重复调用的能力。
一、很多人每天都在重复“训练AI”
比如合同审查。
第一次告诉AI：
- 代表哪一方；
- 重点看什么；
- 不要随便修改商业条款；
- 法律依据要核验；
- 保留原结构；
- 输出修改版和修改说明。
第二次审类似合同，又重新说一遍。
第三次再审，还要重新解释。
这其实是在重复做一件事情：
培训同一个岗位。
如果这些要求基本稳定，就没有必要每次都重新写。
应该把它固化下来。
以后只需要说：
调用合同审查Skill，处理这个文件夹。
剩下的规则，Skill自己知道。
这时候AI才真正开始形成“能力”，而不是每一次都临时听指令。
二、提示词解决一次问题，Skill解决一类问题
我觉得可以很简单地区分：
提示词，是这一次怎么做。
Skill，是以后遇到这类事情都怎么做。
比如：
“帮我把这个文件夹里的PDF按公司名称分类。”
这是一次任务。
但如果你每周都要整理某类文件，那么就应该进一步定义：
- 怎么识别文件；
- 怎么命名；
- 怎么分类；
- 遇到无法识别的怎么办；
- 重复文件怎么办；
- 结果放哪里；
- 完成后输出什么日志。
一旦这些规则固定下来，它就不应该继续停留在一段临时提示词里。
应该变成一个Skill。
所以Skill真正解决的是：
标准化。
三、什么工作最值得做成Skill
并不是所有任务都值得Skill化。
如果一个任务非常个性化，而且以后大概率不会再发生，就没有必要折腾。
真正适合Skill化的，通常有几个特点。
- 第一，重复出现。
比如合同审阅、法规检索、文件整理、案例提取。
- 第二，步骤相对稳定。
每次虽然材料不同，但流程大体相同。
- 第三，输出格式比较固定。
例如每次都要生成Word、Excel、风险清单或者修改说明。
- 第四，存在稳定的质量要求。
例如法律依据必须核验、不能覆盖原文件、保留原编号。
- 第五，人工每次都在重复解释同样的东西。
只要你发现自己经常复制上一段提示词再改几个字，就已经是一个很明显的信号：
这个任务该Skill化了。
四、Skill不是“高级提示词”
很多人会把Skill理解成：
一个保存起来的长提示词。
我觉得不完全是。
真正有价值的Skill，不只是告诉AI“怎么回答”。
还应该告诉它：
- 输入在哪里；
- 先做什么；
- 后做什么；
- 需要调用哪些工具；
- 哪些步骤必须检查；
- 错误怎么处理；
- 最终输出什么；
- 文件保存在哪里；
- 什么时候算完成。
也就是说：
Skill更像一个标准操作流程。
如果提示词是一张任务单，
那么Skill更像一本岗位操作手册。
它不仅描述目标，还描述工作方法。
五、好的Skill，应该尽量减少人的中途参与
前面我讲过：
不要陪AI工作。
Skill其实就是实现这一点的重要工具。
一个成熟的Skill，应该尽量做到：
给它输入；它自己执行；最后交付结果。
例如一个合同审查Skill，可以自动完成：
- 读取原文件；
- 识别合同主体；
- 检查重点条款；
- 调用法规检索；
- 提出修改；
- 生成修改版；
- 生成修改说明；
- 检查文件完整性；
- 保存到输出目录；
- 列出人工复核事项。
如果每次调用Skill以后，人还要一步一步告诉它下一步做什么，那这个Skill还没有真正成熟。
所以一个Skill是否好用，可以用一个很简单的标准判断：
它能不能让你少说话。
六、Skill最大的价值，是稳定
AI临时对话有一个很明显的问题：
同样的问题，今天一种做法，明天可能又是另一种做法。
尤其是模型更新、上下文变化以后，输出可能发生波动。
Skill的价值，就是尽量给这种不确定性加上一层稳定结构。
例如固定：
- 审查顺序；
- 风险分类；
- 文件格式；
- 输出字段；
- 核验要求；
- 命名规则。
这样即使底层模型换了，工作方式仍然相对稳定。
所以前面我说：
模型可以换，工作系统不要跟着换。
Skill就是工作系统里面非常重要的一层。
七、Skill还能帮助不同Agent共享同一种工作方式
这一点和前面的多Agent体系也能接起来。
如果所有规则只存在ChatGPT的某段历史对话里，那么换到Codex、OpenCode或者其他Agent时，就需要重新解释。
但如果核心工作流程已经Skill化，就容易很多。
新的Agent只要能够读取或理解这套Skill，就可以快速接手。
所以Skill还有一个很重要的意义：
把个人经验从某一个具体Agent里抽出来。
这样能力属于你的工作系统，而不是属于某个AI产品。
这也是为什么我越来越重视：
- 提示词外置；
- 规则外置；
- Skill外置；
- 知识库外置。
只有这样，AI工具才真正可替换。
八、Skill应该从真实工作里长出来
我不太建议一开始就花很多时间设计几十个Skill。
这样很容易出现一个问题：
为了搭系统而搭系统。
最后做了一堆看起来很完整的Skill，但真正工作时根本不用。
更合理的方式是：
从真实任务里沉淀。
比如第一次完成一个任务以后，问AI：
“总结一下这次任务成功的流程和关键规则。”
第二次再做时，用这套流程试一下。
发现问题，再修改。
第三次已经比较稳定，就可以正式固化成Skill。
这个过程其实很自然：
做一次 → 总结 → 再做 → 修正 → 固化。
而不是一上来就设计一个完美系统。
九、失败的经验也应该写进Skill
Skill不应该只记录“正确步骤”。
还应该记录：
哪些坑不要再踩。
比如：
- 某类PDF解析容易漏页；
- 某个网页接口不稳定；
- 某种文件不能直接覆盖；
- 某个法规来源经常过时；
- 某类Word修改会破坏格式；
- 某个命令在Mac上和Linux不一样。
如果AI已经踩过一次坑，就应该让系统记住。
否则下次再执行同一个任务，又重新踩一遍。
所以一个成熟的Skill，实际上包含两部分：
怎么做。
以及：
不要怎么做。
这也是长期使用AI以后非常有价值的积累。
十、Skill本质上是在保存你的工作经验
以前一个律师工作很多年以后，经验主要存在：
- 脑子里；
- 以前的文件里；
- 模板里；
- 同事之间的口头经验里。
现在还可以多一种形式：
把经验转换成AI可以执行的Skill。
比如你知道一份合同应该怎么看。
以前这个经验只能靠你自己执行。
如果把它变成Skill，以后AI可以先按照你的方法做一遍。
你再复核。
这就意味着：
经验不再只能“被人记住”。
还可以逐渐：
被系统执行。
我觉得这是Skill真正重要的地方。
十一、从提示词到Skill，是AI使用方式的分水岭
很多人长期使用AI，仍然停留在：
打开一个对话；临时想一段提示词；做完；关闭。
下一次重新开始。
这种方式当然也能提高效率。
但很难产生复利。
因为每一次使用都是孤立的。
真正开始形成AI工作系统以后，应该逐渐出现这样的变化：
- 第一次靠提示词；
- 第二次复用提示词；
- 第三次固化成Skill；
- 以后直接调用。
于是一个个零散任务，就逐渐变成：
一个个可重复使用的能力模块。
今天有合同审查Skill。
明天有法律检索Skill。
以后再有：
- 尽调Skill；
- IPO问询Skill；
- 证据整理Skill；
- 文件归档Skill；
- 电脑排障Skill。
最后这些Skill组合起来，就构成了你的AI工作系统。
所以我越来越认可一句很简单的话：
重复三次的工作，就不要再把它当成临时任务。
想办法把它沉淀下来。
如果前面几篇讲的是：
让AI帮你工作。
那么Skill解决的是下一步：
让AI以后一直按照已经验证过的方法工作。
这才是AI真正开始产生复利的地方。
