怎么反skill

如果你发现你的公司在用 skill 的 方式蒸馏你，我发明了一个反蒸馏 skill， 你 可以把你做好的 skill 拿这个工具跑一遍之后，你就可以交差了。我做这个 skill 的 启发呢，是最近很火的同事 skill。 这个同事 skill 呢，就是可以把你的同事进行蒸馏，它可以模仿你同事的工作逻辑，工作经验， 生活习惯，说话的方式风格。当你的同事 skill 上线之后呢，你的同事也可以被优化开掉了，大家都是出来做牛马的，我相信没有人希望自己被做成 skill， 然后丢掉工作，所以我发明了这个反转流 skill， 这是我送给所有在大厂要做 skill 的 同学们的礼物。 接下来我们来看一下这个 skill 的 主要功能。首先它会读取你上传的这个 skill， 比如说你用了同事 skill， 你 就可以直接上传过来，拿它跑一遍， 识别里面每段内容的替代程度，把它换成正确但没有意义的废话。它的交付有两个，一个呢是用来交叉用的清洗版， 清洗版呢分成三个档，待会我们具体说。另一部分呢，是你的私人备份，这个就是你的核心竞争力，你可以自己保留。这里呢是一个清洗示意，比如说你前面写了很多这个专业的术语啊，逻辑啊，场景啊，故事啊， 它清洗之后呢，全部给你写成很中性，很概括，很抽象的言辞。这样呢，你的 skill 确实是做了，确实是完成了公司要求，但是呢，你的真正的那些起决定性作用的 工作经验没有包含在里面。我们刚刚说的这个清洗版呢，是分成三个档次，一个是轻度、中度和重度，分成不同的场景。如果说你们公司就是沼泽过场，你可以用重度清洗，这样公司就是检查一下你交没交， 如果说你公司比较较真，要仔细审核，你就可以用轻度的方式。这个 skill 呢也是非常的容易去部署，你直接给一个指令到你的 call code 或是 open code， 然后再上传你的 skill， 它就可以跑一遍了。也希望大家在这个 ai 浪潮里面 都能够活得久一点吧。大家好，我是邓小贤，四月八号呢，我会在威图 a g i 东京举办的 ai 活动上认真讲一讲法律 ai 的 趋势和动向，欢迎关注我哦！

你知道你的公司正在把你练成一个 md 文档吗？二零二六年最恐怖的鬼故事已经来了，它就在你的非书聊天记录里边，把同事练成 skill， 然后让同事滚蛋。 面对离职，我们现在不说被优化，而是赛博永生最近这个项目已经杀疯了，它会把你同事的聊天记录，邮件文档全部通过这些来源倒进去，比如说飞书、钉钉、 slack、 微信聊天记录， pdf 图片。那么直接把你练成一个 ai 的 同事 skill， 你的同事离职了，把你的同事变成同事 skill， 让你的同事帮你去持续的去解决问题。这真的是一个非常鬼故事的一个东西啊， 一旦你的数据量足够，你就容易被开掉，因为他把你积累的方案，思路，见解，推导全部倒入熔炉，熔成了 skill， 而且还有可能还会被评级。有一个评级 skill 来评价你是否值得被大家一直持续的使用。 那么我现在就觉得真的是有点有点恐怖了。所以说，首先呢，我要跟大家讲一下整个的这个项目的问题，然后其次呢，我们也要仿着会不会自己变成这个同质 skill， 所以 说我做了一本书，我是刚刚做的，它叫不可复制的你我仍在 ai 时代，那么你是不应该被变成一个 md 文档的。 ok， 那 么我们来聊一下这本小册子有四十八页，他是由于我们最近的这个开源项目， 因为他刷屏进入社区吗？但绝大多数人对这个项目有恐惧，但他们还没有，就是仔细的理解这个项目，他高估了这个项目能做的事情。所以说这本小册就给你解决三个问题，第一个问题是他能炼化你什么？ 第二问题是你身上有什么不可炼化？第三个是你该做什么来保护自己？那些不可真流的东西恰好就是真正有价值的东西，写给每一个担心被替代的你，也写给每一个重新认识自己价值的你。 ok， 这是我们整个的目录，了解你的对手。第一步我们去拆解一下这个项目。第三步是一个比较硬的一个东西，叫法律的武器库。 然后我们想给你去建立四层的防护体系来去解决这个问题。最后呢是一些自检表，看看自己是不是应该去做这些防护了， 包括你的行动计划。最后我们有我们的一个法律模板。 ok， 我 们先了解你的对手。首先这个项目来讲其实就是四步嘛，培训的工作数据，培训的模式，生成两个文件，一个是工作技能文件，一个是人格的画像文件。最后加载给 cloud code， 它本质上是一个角色扮演的自动化配置工具。 ok， 你 看一下它搜刮了什么飞书、钉钉、邮件、 pdf， 那 么它的权重不一样。什么更重要的？长邮件、长文技术、文档代码， 还有一些忠犬、忠实人，就是你决策了什么，你做了什么，那么最不重要的其实是那些闲聊。所以说如果你工作很认真，写的很详细，并且你持续的把你的方案、思考、推导全部写进去，你就容易被利用，容易被形成 skill， 他怎么炼化你？第一个是你的工作技能，就是他会提取你管辖范围，工作流程。第二个是你的人格画像，身份标签、表达风格、判断逻辑、人际风格和边界底线。我们先跟大家聊，你看他做不到的什么东西，目前他还没有持续的学习能力，对吧？他只是一个静态的文件，并且 他只能学你写成文字的知识，但是大量的知识是隐性知识，如果你的内容不是都能落化成文字的话，其实他是很难学的。另外就是没有身体感知。还有一个很重要的是无法分责，有些岗位是需要被问责的，你比如说财务， 那么被问责的人目前没有办法是被解雇的。另外就是说你的关系，网络哲学家说我们知道的远比我们能说出来的更多， 所以说它炼化出来的是你的一个影子，外形轮廓相似，那么但是它没有质量，没有颜色，很失真。 那么如果很可怕的一点就是假设你的工作就是这种 sop 的 正常的流程的死工作，那么很容易被练成 skill， 都很容易被连成 skill。 ok， 这张是说你的护城河是吧？我们有差不多五个维度的护城河，那么包括猿人值呀，什么副空间呀。这里边聊的是说你没 你没有做的那些事情，就是他从你做过的事情提取模式，但是你没有做的那些事情，他是没有办法提取的，是吧？没有数据就没有真流，他没有数据怎么形成 skill？ 所以说如果你更多的事情是去做判断，做，拒绝做那种决策，那么你很难被整流。 ok， 下一个是我们的关系，可被整流的最简单就是 sp 文档， sp 文档和你的代码非常容易把你整流掉， 那么你要往右边去学，比如说你靠信任，你靠的是客户信任，以及你靠直觉做判断，以及你做的是决策，他没有学会你深层的决策机制，如果是你决策机制形成 sop， 那 也有问题。 ok， 然后这这个是比较硬的，叫武器库，那么现在有这几个武器库，我查到的一个是个人信息保护法，因为这些数据呢，是需要你去用保护法来保护自己的数据聊天记录， 包括有权删除你的个人信息以及数字人就是未经同意的话，他不能直接去用你的个人信息 的，是吧？包括一些知识产权的一些边界，所以说你可以去检查一下合同，去思考一下有没有从这方面能够去把你的信息不由公司拿到，只能你自己拿，包括公司不能拿你的东西去做训练。 这边他还 ai 写了一个模板，叫拒绝数据采集的通知书，这个很重要，你可以截图，是吧？等一下我要把这个东西发到微信群，呃，这个粉丝群里边，那么是吧？谁谁谁，根据什么什么规定你不同意将你的非属定定这些个人信息用做训练和知识点流，包括行政 skill， 是吧？ ok， 我 们这里边聊一些，我们的一些就是防护体系，防护体系第一层呢？其实最重要的一层我们叫数据，如果他没有数据就没有办法整流，所以说你要控制好你的数字足迹，比如说在纸笔上写，而不是非说文档， 比如说口头传达，而不是文字记录，比如说定期清理数据，包括审查有没有机器人夺取信息，以及不要过度的文档化， 是吧？包括你的聊天，不要太多的固定句式，不要太多的模板是吧？更多的不可预测，以及你不要把所有的推导都给别人，而是把别人给他结论。如果所有推导都有了，那么你也很容易练成 skill。 ok， 下面是一些相关的一些技术是吧？比如说你的身体上，你少做线上，而是多做线下客户，包括不要太依赖工具，包括养成思考呀，判断呀这些东西， 建立这些东西。另外就是你去创造这种偶合性的复合价值。单一技能容易被蒸馏，但是你把你的能力编织在一起是吧？比如说跨领域 你的排除加医疗，加患者沟通，加轮椅，复合技能是极其难蒸馏的，你是交叉点形成了独特判断力是吧？包括这个还是很重要，叫问责， ai 不 能替你出题， ai 不 能替你担责， 所以说拥有自己的问责权，签字背书承担后果， ai 不 能替你去承担后果，这也很重要。下一个说建立关系资本，就说你跟别人培养好关系嘛，包括持续学习这四层防护，数据层、技术层、职业层、认知层， ok， 是 吧？四层联动，多去做吧，你看做什么和不做什么。 ok， 下面我们就是一些自检表了，就是花一些时间看看你的数据是不是都通过文字记录呀，是不是详细记录呀，以及是不是要写你判断依据啊，以及详细的写方法论呀，是吧？这些都是有问题的。 ok， 下面是一些可替代性是吧？包括你的认知依赖度是不是都依赖 ai， 那 么最后综合出你的一个正流风险，如果是你的太高度的这种数据暴露和高度的这种模板 sop， 那 么你可能需要重新去思考一下你的职业方向，当然不要急，不要恐慌 是吧？你可以先拿你的法律武器保护一下自己，等一波， ok， 然后最后是你的一些行动计划是吧？你该怎么去行动？比如说检查肥猪叮叮，以及审查这些平台账号，确认 ai 相关条款，决定哪些东西要去口头线下的传达， ok， 包括行动的固化和跟踪指南。那么最后我想说，你不是 token， 你 不是 skill， 你 是不可真流的，希望你看到这条视频的每一个人都不被真流。 ok， 呃，整本书我会放到粉丝群，大家可以去直接去看。那么这期视频挺沉重的，但是还是希望你不会形成 sq 的 md 文档，希望你能够持续的进步，加油！拜拜。

是 star 新歌，十四年外企 b to b 大 客户销售经验，在零一九年间服务超两百家企业，对接超两千位中国出海 hr 伙伴，致力于帮助中国企业深度的国际化。 今天呢，我们来聊一聊 skill 技能，它被称为未来全球职场人的交易货币和生存密码。 接下来今天聊的话题呢，稍微有点沉重，因为最近呢，全网刷屏的啊，我们叫把职场人的能力蒸馏成 skill 技能的 ai 文件，并替代职场人，看似是一个科技的一个玩梗，实则呢，是给所有职场人和企业敲了一个最响的警钟。 那你的价值到底是不是能被复制的流程，还是独一无二的内核？现在不管是我们的打工人还是企业主，都在为 skill 化焦虑，打工人呢，怕自己的经验方法被扒走 啊，一个 ai 文件就搞定了自己的岗位，那企业呢，想着说把核心员工的能力全部做成 skill 标签 啊，既能留住经验，又能降低用人成本。甚至呢，有人搞出了很搞笑，叫反蒸馏 skill， 专门呢做注水版的文件，应付公司的考核。看似是打工人的无奈和反抗，实则是大家都陷入了一个误区，把 skill 化当成了一场替代与被替代的一个博弈， 却忘了它的本质，只是一次工作能力的筛查与重构。 ai 呢，把人做成了 skill， 那 靠的是什么呢？啊？是你一日复一日的这个重复的工作啊，是固定的这个流程，标准化的方法，有迹可循的经验， 是那些不用我们动脑子啊，然后只需要按部就班完成的一些事情啊，那这些东西的话呢啊，不管是同事的这沟通话术，还是工程师的这样的一些代码习惯，甚至是管理者的基础的这个些决策， 只要有数据， ai 呢，就能复制，而且呢，比人做的是更快更稳，更省成本的。但大家有没有想过，为什么没有人可以把马斯克可以把它所有的些市场化信息的内容做成 skill， 再造一个 spacex 呢？ 那为什么那些行业顶尖的高手却永远不会被 ai 所替代呢？啊，那这是因为 ai 呢，能复刻怎么做， 却永远学不会，为什么这么做更复刻不了，面对未知该怎么做那 skill 呢？能学会马斯克的演讲的话术，能学习他市场上所有的文章，但学不会，但是却学不会他敢想敢干的这个破局的魄力 啊。能学会顶尖产品经理的这个需求拆解方法，却学不会他对市场的敏感洞察，能学会我们出海人才的这个跨文化沟通的这些技巧，却学不会他面对海外复杂市场的临场判断， 那这些藏藏在显性背后的，其实是思考、创造力、格局和面对不确定性的决策力，是一个人在长期的实践中沉淀下来的底层逻辑。 那这些东西呢，数据是巴不到的，没有流程可以去寻找，是 ai 永远无法蒸馏的，也是一个人最核心的职场的护城河。 尤其对于我们中国做全球化企业，做出海的布局的企业主和客户来讲， skill 化呢，是一个非常清晰的一个能力的筛选。 海外市场呢，从来没有标准答案的，那东南亚的本土运营也好，海外的欧洲的合规要求也好，还是北美的市场竞争也好，每一个场景呢，都需要灵活的应变，每一个决策呢，都需要去更符合当地的文化， 那这些事情呢， skill 是 做不到的啊，只有人能做到。那企业呢，把海外的这个业务标准化流程呢？做成 skill， 这是很好的， 可以让团队高效的服用。但真正能让企业在全球市场站稳脚跟的，是那些能够洞察市场，敢做决策，能解决难题的人，是那些永远在迭代自己，永远能创造新的价值的人。 而对我们每一个包括我自己的职场人来说，面对 skill 化的这样的一个浪潮，绝对是不能阻挡的。那最不该做的是啊，恐慌和逃避，那我们最应该做的事情是主动的去问自己，哎，我们做自己的能力的筛选者， 把那些重复的，标准化的，低价值的工作，我们主动的，坦诚的交给 a s 去做，让自己呢从繁琐的劳动中抽离出来，然后把重要的时间和能力呢，精力，我们放在打磨那些 ai 永远复刻不了的能力上， 去思考，去学习，去实践，去迭代，去培养自己的判断力，创造力，格局感，去打造独一无二的核心价值。 最后呢，哎，我也想总结一句 skill 话呢，从来不是职场的淘汰令，而是一次价值的试金石，能被复刻的能力，终究会被时代抛弃的，而那些无法被替代的啊，内核才是我们永远立身的之本。 那未来的职场，未来的全球人才的竞争，那拼呢？从来不是说啊，谁能把一件事情做一百遍，而是谁能把一百零一件事情可以做出新的高度，拼的不是谁的能力能被复制，而是谁的价值永远是无法替代的。 哎，好吧，今天的话题呢，稍微有点沉重，也是我自己对自己的警醒和反思。关注我不迷路，让中国的企业的国际化人才布局少走弯路。谢谢。

现在市面上所有的 a 键的工具都配备了 skill 功能，如果你还没用过 skill， 或者用了以后感觉依然有点懵，那这期视频请一定不要错过。哈喽，大家好，我是专注于动画科普 ai 的 阿 k， 今天我站在新手角度跟大家好好唠唠 skill 到底是什么，怎么用，以及使用过程中要注意哪些坑。 skill 其实就是一个 markdown 格式的文本文件，注意，这里的 skill 必须大写哈，这个文件里存的其实本质上还是提示词，只不过这里的提示词必须按照画面上的这个固定格式书写。 这个部分是配置区，它属于是 skill 的 身份证， name 是 它的名字，一定要用英文哈，因为你的 skill 点 md， 文件必须放在 name 同名的文件夹内，这个文件夹又必须放在 a 键的指定的目录，比如我用的 cloud 就 必须放在它的根目录下的 skills 文件夹中。如果没有这个文件夹，就自己创建一个， 那如果你的 name 是 中文，文件夹也是中文，意味着你的文件路径会包含中文。这样 a 键呢，在调用的时候是有可能报错的，所以 name 必须用英文。那如果不理解文件路径跟目录和文件夹结构的小伙伴，一定要抓紧时间恶补一下哈，这些知识既基础又重要。接下来的 description 是 描述定义它是干嘛的和什么时候调用， 这个部分是指令区，也就是写提示词的地方。它规定的是这个 skill 遵循的规则和采用的流程。之所以一定要用 skill， 是 因为它能实现按需加载。简单说就是没活的时候，它不占用任何 token， 只有匹配到任务了， ai 才会把这个 skill 点 m d 文件加载进来。这不仅能极大的节约 token 消耗，最重要的是能让 ai 随时根据你的需求切换不同的专家身份。总而言之，它就是好，就是棒，棒棒，就是该用。 那这里就又有个问题了，既然它本质还是提示词，那到底该怎么规划逻辑，才能让它按照我的需求老老实实干活呢？放心， cloud 官方早就帮咱准备好了一个专门生成 skill 的 skill， 跟紧我一分钟学会部署和使用。 大家直接把整个仓库下载到电脑理解压，找到 skills 文件夹中的 skill creator 文件夹，把它复制粘贴到 a 键的指定位置。比如我用的 cloud code， 就 直接扔进根目录的 skills 文件夹里。如果你用的是其他 a 键的工具，直接问他你的 skill 文件夹在哪，他会告诉你 配置好以后，我们启动 agent， 直接输入斜杠 skill， 就 能呼出这个顶级专家了。接着我们只需要用大白话描述你想创建一个什么 skill， 注意哈，你对需求描述的越清楚，沟通的越细，它生成的 skill 就 越贴合你的需求。如果你没有思路，也可以跟他一步一步探讨，也能得到非常不错的成果哈。 比如我平时经常要用 a 键的开发一些自用小工具，我就用它创建了一个名为 project manager 的 项目经理 skill。 它能让我这种不懂代码的人也能构建出结构科学、功能清晰且具备可扩展性的工具。这玩意用起来真的很顶那聊到这，估计大家心里都在犯嘀咕，这 skill 到底能帮我解决什么具体的问题呢？ 我结合自己的实战经验，给大家盘了三个应用场景，相信总有一个能戳中你的痛点。第一个场景主要应对那些繁琐的杂活。 举个例子，大家平时经常开会吧，开完会总得总结会议纪要。以前咱得录音加笔记，会后还要花大量时间去腾抄归档，特别心累。现在有了 ai， 咱们可以直接做一个叫 meeting 的 skill， 把工作留定死。 第一步， skill 只会转写工具，把原始录音瞬间变成文字。但注意， skill 本身是没办法直接做语音找文字的，但这类工具往上一搜一大把，你随便部署一个到电脑里以后是可以用 skill creator， 它会自动帮你写好调用逻辑。 然后是第二步，剔除文稿中那些语气词。接着是第三步，深度分析会议内容，按需整理成档。最后是第四步，把文件自动保存到你电脑里的指定位置。那有了这个 skill 以后，开完会你只需要把原始录音直接甩给他，他自己就去调兵遣将跑完整个流程。 这种一键扫荡的爽感，你用过一次就再也离不开了。甚至如果你的需求更复杂，比如要经常查找不同会议里的重要节点，或者要合并拆分不同的文件，都可以塞到提示词里。 第二个场景是一个真实案例，我每周日都会发一个 ai 新闻回顾的视频，我专门做了一个 skill 来把这个视频生产的各个环节串起来，让我不用在各种工具和网站中切来切去。具体的大家可以看看我这期视频讲的非常详细。 第三个场景就属于是高级玩法了，它是通过同时加载多个 skill， 构建一个完整的生产流水线，这适用于需要多个专业环节配合的复杂任务。 比如在内容生产场景下，你可以配置三个 skill， 一个负责通过数据检测来分析选题，一个负责按固定风格创作文案，最后一个负责排查违禁词和逻辑漏洞。这种模式的核心优势在于，你不再需要分布输入指令，也不需要手动把上一步的结果复制给下一步。你只需要下载一个初始任务编辑呢，就会自动按顺序调用这三个 skill 来完成。 这种模块化的写作，能极大降低大模型在处理长任务时容易出现的逻辑偏移，也就是我们常说的幻觉。这个场景其实还蛮复杂的，我自己也在慢慢构建，以后有成果了会第一时间跟大家分享。 最后有小伙伴想让我聊聊 skill 和 mcp 的 区别，其实一句话就能说明白， skill 是 提示词、是指令，是流程，而 mcp 是 工具，是接口。 skill 可以 调用 m c p 来扩展自己的能力边界，但 m c p 永远只能在 skill 划定的规则下干活。 ok， 那 以上就是本期视频的全部内容了，我专程用动画科普 ai 的 阿 k， 无惊无险又到六点，下了个班儿。

如果你发现你的公司在用 skill 的 方式蒸馏你，我发明了一个反蒸馏 skill， 你 可以把你做好的 skill 拿这个工具跑一遍之后，你就可以交差了。我做这个 skill 的 启发呢，是最近很火的同事 skill。 这个同事 skill 呢，就是可以把你的同事进行蒸馏，它可以模仿你同事的工作逻辑，工作经验， 生活习惯，说话的方式风格。当你的同事 skill 上线之后呢，你的同事也可以被优化开掉了，大家都是出来做牛马的，我相信没有人希望自己被做成 skill， 然后丢掉工作，所以我发明了这个反转流 skill， 这是我送给所有在大厂要做 skill 的 同学们的礼物。 接下来我们来看一下这个 skill 的 主要功能。首先它会读取你上传的这个 skill， 比如说你用了同事 skill， 你 就可以直接上传过来，拿它跑一遍， 识别里面每段内容的替代程度，把它换成正确但没有意义的废话。它的交付有两个，一个呢是用来交叉用的清洗版， 清洗版呢分成三个档，待会我们具体说。另一部分呢，是你的私人备份，这个就是你的核心竞争力，你可以自己保留。这里呢是一个清洗示意，比如说你前面写了很多这个专业的术语啊，逻辑啊，场景啊，故事啊， 它清洗之后呢，全部给你写成很中性，很概括，很抽象的言辞。这样呢，你的 skill 确实是做了，确实是完成了公司的要求，但是呢，你的真正的那些起决定性作用的 工作经验没有包含在里面。我们刚刚说的这个清洗版呢，是分成三个档次，一个是轻度、中度和重度，分成不同的场景。如果说你们公司就是沼泽过场，你可以用重度清洗，这样公司就是检查一下你交没交， 如果说你公司比较较真，要仔细审核，你就可以用轻度的方式。这个 skill 呢也是非常的容易去部署，你直接给一个指令到你的 call code 或是 open code， 然后再上传你的 skill， 它就可以跑一遍了。也希望大家在这个 ai 浪潮里面 都能够活得久一点吧。大家好，我是邓小贤，四月八号呢，我会在威图 a g i 东京举办的 ai 活动上认真讲一讲法律 ai 的 趋势和动向，欢迎关注我哦！

很多人做 skill 还停留在给模型补资料这一步，但 google 这篇文章真正狠的地方是，他已经开始教你怎么让 skill 反过来管模型了。 上一篇我们讲了前两个最容易理解的模式，一个是 tool rapper， 把某个领域知识打包成即时专家。 一个是 generator， 用模板和风格规则稳定产出结构化结果。但从第三个模式开始，事情就变了， google 其实在把 skill 从知识补丁往行为控制器推进。第三个模式叫 reviewer， 它的核心不是写，而是审。 作者把它定义得非常清楚，把检查什么和怎么检查拆开，检查标准放在 references 里的 checklists 里， 审查流程写在指令里。这样一来，同样一个 skill 结构，你换一份 checklist， 它的审查目标就完全变了。今天可以审 python 代码，明天可以审安全问题，后天甚至可以审文案。是不是符合品牌风格， 这个思路非常重要，因为它说明 skill 不是 靠模型自己凭感觉点评，而是让模型按外部标准来做判断。文章里甚至举了例子，一个带三处刻意 bug 的 函数 reviewer 模式，能把命名问题、可变默认参数和 bare accept 全抓出来，而且还能按严重程度分级。这背后的重点不是模型聪明，而是 checklist 的 真正接管了行为。第四个模式叫 inversion， 翻过来理解就是先问再做。这其实是在专门打模型最常见的一种失败方式，明明信息不够，他却急着开始设计，开始输出，开始拍脑袋补设定。所以这个模式会强制模型按阶段提问。 比如先问问题是什么，用户是谁，规模多大？然后再问部署环境、技术站预算合规要求，最后等这些都答完了，才允许他进入产出阶段。 作者甚至直接在指令里加了很重的一句，在所有阶段完成之前，不要开始构建或设计。 你会发现，这已经不是在教模型知识了，而是在压他的行为边界，防止他跳步骤。对于需求梳理、故障排查、配置向导这类任务，这种模式特别值钱，因为它能显著减少模型自己脑补一堆前提的问题。第五个模式叫 pie plan， 这也是最重的一种， 它不是简单的补知识，也不是简单的先问问题，而是定义一条必须按顺序走的工作流，每一步没过，下一步不能开始。作者给的例子是，文档生成流水线，先解析代码，列出公开 a p i， 问用户，这是不是你要文档化的全部内容，然后再生成 docstring， 并且要用户确认， 确认通过后才进入文档拼装，最后再按质量 check list， 回头做一次完整检查。这里最关键的不是步骤多，而是 gate， 也就是关卡。比如用户没确认就不能进入下一步，某一步失败就不能继续往后跑。 google 明确在强调，很多 agent 一 旦没有这种 get， 就 会一路冲到底，最后给你一个看似完整，但中间跳过了验证的结果。到这里，这三个模式其实已经把 skill 的 边界往前推得很明显了。 reviewer 在 做标准化评估， inversion 在 做输入控制， pieplan 在 做流程控制。 换句话说， skill 不 再只是让模型知道什么，而是开始规定它应该按什么顺序问，按什么标准查，按什么观察走 这种变化很关键，因为它说明 skill 正在从提示工程的附件变成 agent 行为工程的一部分。文章后面还专门说了一点，五个模式不是互斥的，而是可以组合一个 pipeline， 里面可以欠 reviewer 一个 generator， 前面可以先走 inversion 采集需求。 也就是说，真正成熟的 skill 很 可能不是单一模式，而是多个结构组合在一起，最终把一个模糊任务拆成可控的行为列。 所以第二集最该记住的不是这三个英文名字，而是一个更大的判断。 google 这篇文章真正想推进的，已经不是让 skill 变多，而是让 skill 开始管理模型的行动方式。 谁能做到这一点，谁的 agent 才会从会回答变成会按规矩干活。下一集我讲最后一层，也是最容易被忽略的一层。 google 其实不只是在讲五种写法，它背后真正想推动的是一个跨工具、可附用、能流通的 skill 生态。如果你觉得模式讲到这里已经差不多了，那最后一集最值得看，因为真正大的变化可能根本不在这五个模式本身，而在它们会把整个 agent 生态推到哪里。

大家好啊，我是 poo， 那 我们继续上一次呢，我们说就是关于这个经典 case 的 创建以及使用的 skill 啊，都已经创建好了，这些技能都创建好了，那接下来怎么用呢？ 那我们之前啊，有一期是说关于阿里云音量的这个这个案例， 这个案例呢，我认为它是可以作为一个经典的案例去沉淀下来的，因为它这是一个典型的传餐的一个错误，所以呢我就跟他说啊，你把这个作为一个经典案例啊，能不能沉淀下来，然后呢你来阅读 skill， 完成案例的一个沉淀， 那它呢，也确实是看到了我们新建的这个案例沉淀的这样一个经典案例，并构建的这样一个 skill 啊，也是看到了，并且完成了一个相关的一个构建 啊，完成了一个相关的构建，但是完成相关的构建的时候，哎，我们我就发现啊，这里面有一些的问题，问题在哪呢？就是它创建的是在 builder 啊， builder 里面， 也就是说啊，它是创建到了这个构造 skill 里面当中的这个什么锁眼啊， case 啊等等这些东西，它是创建到了这里面，那正常情况应该是哪呢？它应该是放在第八个这里面，作为一个案例 去啊去用的啊，是作为一个在第八个里面，作为一个案例去引用，而不是在构造里面，构造里面根本就不会被引用， 所以呢在这里面，他在这里面就是他确实创建了一个相关的案例啊，他确实创建了一个相关的案例，但是呢他的这个 确实创建了这个相关的案例，但是呢他创建的路径和位置是不对的，同时呢也可以看到就是他在这里面也说的阿里云等等，这个音量过小等等这些东西啊，那怎么办呢？怎么办？那就是再回到我们之前的一个产物里面， 在之前的产物里面我就跟他说，哎，那你构造的这个就是之前啊，这个是之前说这个创建和创建 skill 的 时候，创建 bug 和那个构注的时候，我问他，哎，你这个 构造 case 的 时候啊，构造 case 的 时候，你在 skill 里面有没有说到这个关于路径上的约束啊？有没有规明明的相关的规范啊？我发现现在 a 阵的把这个 case 啊生成错了一个位置，它 它生成到了 build 这个里面的一个位置里面，而它应该是呢放在哪？应该是放在第八个的 case 库里面，而不是在 build case 库里面。然后呢它就去做了一系列的一个思考，然后呢做出了一个调整，首先呢 做路径重新的一个明确啊，那把所有的路径都都给明确到了，这在这里这个位置啊，这是错的，这个才是对的。那目录呢，也必须按照这个目录下，然后包括命名的一个规范啊，在这里面他都去做了一个相关上的一个调整， 那所以呢整体的这里面就恢复好了，那恢复好了之后我再去让他去创，去做一个案例的一个沉淀，就是拿这个虚拟环境的这个 啊，也可以看到这个也是我们之前的一个部分。我认为这个这一次的案例啊是依赖包的相关的一个问题， 那它其衍生出来的一些虚拟环境的问题，启动脚本等等的问题，是一个很经典的一个 case 啊，然后作为一个经典 case 去沉淀下来，你来阅读这个相关的技能，然后完成这个案例的一个沉淀 啊，他也是确实是完成了这个啊的 bug builder 啊， bug case builder 的 这个这个不，这个技能，然后就开始做了一些相关的一个啊，一个一个构注啊， 那所有的文件都创建好了之后，我们可以发现，哎，他的位置啊，创建对了，同时呢他的整体的一个缩影啊，也都是完成了相关的一个缩影的一个构建，然后包括在里面的一些的问题的本质的一些的分析 啊，硬编码不完整啊等等这些东西，这些历史上的一些根本的一个原因，都已经做好了一个相关的一个总总结和沉淀，然后已经永久记录在调试知识库里面，为我们未来进行一个参考。 好了，本期就到这里，我们下期正式使用这个 debug skill 的 案例库。

很多团队一开始做 skill 都很兴奋，结果没过多久就开始失控。文章最后一部分讲的是更偏组织层面的经验，但这恰恰是很多人最容易跳过的部分。 作者先说分发方式，只有两种主路，第一种，直接把 skill 提交进代码仓库，比如放在 slash docker skills， 这个方式适合小团队，少量仓库，简单直接。第二种，做成插件，放进内部插件市场，让团队成员自己安装。为什么要分成这两种？ 核心原因不是管理方便，而是上下文成本。文章明确提到，任何一个被提交进仓库的 skill， 都会给模型上下文增加一点负担。小团队时这个成本还能接受，但规模一大，你就不能再默认让所有人背着所有 skill 一 起跑。 这时插件市场的意义就出来了，分发和安装接口，让每个人按需装。 但作者也没有把市场话讲得很轻松，他明确提醒，坏 skill 和重复 skill 非常容易出现，所以发布前必须有某种审核机制。 更有意思的是，它们并不是靠一个中星团队强管，而是让有用的 skill 先在 gitop、 沙盒和 slack 这种地方自然传播，等真有 traction， 再提 pr 进市场。 也就是说，先让价值跑出来，再做正式收编。这种治理逻辑很像产品孵化，而不是传统平台审批。接着文章提到 skill 之间的组合，比如你可以有一个上传文件的 skill， 再有一个生成 csv 并上传的 skill。 现在官方还没有完整的依赖管理机制，但可以直接按名字引用其他已安装 skill。 这说明 skill 生态未来很可能不是单个能力点，而是会逐渐变成可组合的模块网络。 最后一块是度量。作者说他们用了一个 pre two use hook 来记录公司内部的 skill 使用情况， 这样就能知道哪些 skill 受欢迎，哪些 skill 本来以为会触发，结果根本没怎么被用。这里最重要的不是统计，而是反向检验你的 skill 设计是不是成立。触发少可能不是需求少，而是 description 写错了，入口设计错了，或者这个 skill 根本没有成为真实工作流的一部分。 所以这篇文章最后真正想提醒的不是快去多做几个 skill。 恰恰相反，一个团队最缺的往往不是更多 skill， 而是一套能让好 skill 被发现、被安装、被附用、被淘汰的机制。基于原文可推断， antropics 这套经验真正值钱的地方不只是写作技巧，而是它已经把 skill 从个人 prompt 技巧推进成了团队级能力基础设施。 如果你只记一个结论，就记这个，别把 skill 当提示词，也别把它当一次性模板，它更像团队给代理准备的可执行操作系统部件。写得好，模型能力会被放大，管不好，团队只会多一层新的混乱。

我做了一个反割韭菜的一个 skill， 做这个 skill 为了防止大家被某些课程 上当受骗，给大家讲一讲这个 skill 是 怎么运作的。可以直接装在小龙虾之后，就可以直接把这个链接或者说截图给他发送过去，小龙虾就可以自动地去分析这个海报，或者说链接里面的所有信息， 包括说主办方公司啊，或者说讲师去分析他们值不值得，就去分析他是不是一个割韭菜的课程。 还有一点，直接能够背调主办方公司他是一个什么样的情况状态，风险就会给你这个课程给你评价一个风险等级。现在的割韭菜场景太多了，想这样做 一个 skills， 这个技能我也是开源的，大家可以直接让小龙虾去找这个技能的名字，让他一键去安装就 ok 了。 之后你如果说有想要拿不准或者说想学习的技能，他就会直接可以给你继续一个风险评估，最后他还会给你提醒这个 为什么是割韭菜的内容，这个价格会不会和你的收入相当匹配，就是你值不值得去报这个课程。最后他还会给你推荐一些 网上相似的课程网站，比如说学习强国或者说其他的慕课，让你去平替的一个先学习的一个状态 开发这个技能。其实依据大家说花一个冤枉钱，不如去先学习学习免费的，因为现在很多课程都是比较水的，我刚刚在 cloud code 里面也是完全运行过的，完全 ok 的， 大家可以去尝试一下。

ps 的 呀，各种项目层出不穷啊。前一段时间不是有人写了一个同事 skill 嘛，就是说把以前同事的各种使用的文档，聊天记录各项资料，然后炼化成 skill。 那 么新来的同事然后就可以基于这个 skill 继续使用原来同事按照他原来的思想和方法，然后进行工作。 然后后来就有人开发了一个反同式 skill， 就是 说在离职之前启动这个 skill， 就 可以一键清除你在公司电脑里面留下的各种记录和文件，这样的话公司就防止公司炼化你。 然后来昨天又出了一个新的项目，就叫做永生 skill。 很多说既然你的知识能力这些东西都不能够阻止别人来复制，那还不如积极拥抱这个东西，主动把自己的一个数字分身为自己来使用。现在处于一个技术 紧喷式发展的一个时代，然后这里面反映了不同人，他们不同的态度，有的人是积极拥抱，但有的人他是比较保守甚至害怕。那么不同的人，他们不同的倾向也可能会导致未来呃产生不同的一个结果。

如果你现在还在花大量时间研究 skill 点 md 该怎么排版，那你很可能已经在一个快过时的问题上越卷越深了。 google cloud tech 转的这篇文章，表面上是在讲五种 agent skill 设计模式， 但它最值得先听懂的一句话，其实不是任何一个模式名，而是格式。问题。已经差不多结束了，作者说的很直接，现在已经有三十多个 agent 工具在共用同一套 skill 点 md 规格，像 cloud code gemini c l i cursor 这些工具，外层长得越来越像， 也就是说，你再去纠结 v a m l 怎么写目录，怎么摆 references 和 assets， 怎么命名，这些事情已经不再是分水岭了。真正的分水岭变成什么是内容设计， 也就是同样一个 skill 点 md 外壳里面到底放什么逻辑，用什么资源，怎么让模型只在需要的时候加载对的内容？ 作者举了一个很典型的例子，一个将模型写 fast api 的 skill 和一个四步走的文档流水线 skill， 外面看都长得差不多，但里面的设计完全不是一回事，一个更像知识封装，一个更像流程控制， 问题根本不在格式，而在内容结构。接着文章先回顾了 google adk 的 skill toolset 三层结构，第一层是 list skills， 只给模型看到 skill 名字和 description。 第二层是 load skill， 模型需要的时候再把完整指令拿进来。第三层是 load skill resource， 只有真正要读参考文档模板或资源文件时，才去按需加载。这个设计背后的核心逻辑很重要，叫 progressive disclosure， 也就是渐进式批录， 先给少量信息，让模型自己决定什么时候再往下拿更多内容。作者甚至直接给了一个量化判断，每个 skill 在 启动时大概只多带来一百个抽肯左右的描述成本。真正重的部分，不应该一开始就全部塞进上下文，而是按需再读。 你看到这里就会明白， skill 设计的关键从来不是把所有规则一口气塞满，而是先把入口做清楚，让模型能找到它，再在需要时拿到更深的内容。所以文章一上来，就先抛出两个最常用也最容易上手的模式。第一个叫 tool wrapper， 它本质上是给某个库、某个框架、某个内部系统封一个即时专家包，比如 fast api、 terraform、 数据库查询规范、安全策略。 这些东西模型不是完全不会，但你希望它在处理这个领域问题时稳定遵守你团队的那条规则， 那你就把这些规范放进 references 里，让 skill 在 需要时加载。这个模式最值钱的地方是把专家经验从系统提示词里拆出来，变成按需调用的知识包。第二个叫 generator， 这个模式不是让模型变专家，而是让模型稳定产出固定结构的东西， 比如技术报告、 api 文档、 commit message， 或者你们团队自己的 agent scaffold。 它通常会同时用到 assets 和 references， assets 里放模板， references 里放风格规则， skill 自己负责把流程串起来，先加载规则，再加载模板，再补齐全的信息，最后按固定格式吐结果。你会发现它和 to rapper 的 差别很大，前者解决的是按什么规则做，后者解决的是按什么结构产出。 所以第一集真正要记住的结论只有一个，现在做 skill， 别再把精力放在格式上了。真正拉开差距的是你能不能先判断这个 skill 到底是在封装知识，还是在稳定产出。如果这一步都没想清楚，你后面写的再规范也大概率只是一个看起来很标准的空壳。 下一集我讲剩下三个更狠的模式，因为从第三个开始， google 讲的已经不是怎么给模型补知识了，而是怎么让模型按标准审查先问再做，甚至被强制卡在一个不能乱跳步的流程里。

上期视频我们介绍了同事 skill， 一个把离职同事蒸馏成 ai 的 开源项目。评论区有人说，这也太危险了吧，公司让你写 skill， 不 就是把你的核心竞争力交出去吗？ 你被人替代的成本直接归零。没想到有人真的做了一款反制工具。最近 gigabob 上出现了一个新项目，叫 anti distill 反蒸馏。它的理念很简单，公司让你写 skill， 跑一遍交差，用 核心知识留给自己。它能把你的 skill 文件处理成一份看起来完整专业但核心价值被掏空的版本，同时把所有被移除的内容备份到你的本地文件。交上去的是交差板，留下的是你的职业护城河。 具体怎么做到的？ anti-dyte steal 是 一个纯提示词驱动的 ai steal， 没有一行代码，全是 mark 党。你运行它之后，它会走一个六步流程。 第一步，接收你的原始 steal 文件，支持文件路径、粘贴内容，甚至自动扫描目录。 第二步，让你选清洗强度分三档，轻度保留百分之八十，中度保留百分之六十，重度只留百分之四十。第三步，内容分类。他把你的每一段知识分成四个等级，安全、稀释、移除、遮罩。 重点盯防六类高价值内容、踩坑、经验、判断、直觉、人脉、网络、隐性、上下文、失败记忆、独特行为模式。 第四步，预览，让你确认分类结果，还可以手动调整。第五步，执行清洗，同时生成两份文件，一份交差板，一份私有备份。 第六步，自动验正，确保交差版的字数、结构、格式和原始版本保持一致，不会被看出来。 最精妙的是，它的稀释策略，不是简单删除，而是把有价值的知识替换成正确但无用的内容。 举个例子，原始版本写的是 reddit， 必须设置 ttl， 没有 ttl 的 p 二直接打回， 清洗后变成了缓存使用，遵循团队规范。你看意思差不多，但第一条是踩坑经验，第二条是废话。 他用了五种稀释手法，数值模糊化，把具体数字换成合理适当这种词经验泛化，保留主题，但去掉可操作的结论。 上下文玻璃保留做什么，但去掉为什么，做和不做会怎样。流程简化，把多步骤压缩成一句话，知识降级，把可执行的结论变成模糊建议。 处理 persona 层的时候更狠，把一个鲜明的个人风格变成标准，好员工不会得罪人，也没有记一点。项目里给了一个完整的势例， 主人公张三，字节跳动二杠一，后端工程师 i n t j， 甩锅高手，字节犯。 原始的 work md 里有大量硬核内容，数据库连接池上限二百，超过就熔断。 readis 热点 t 用本地缓存降级，消息队列，消费延迟超过三十秒告警。 清洗后全变成了建议，根据实际场景调整参数，遵循团队缓存策略，关注消费延迟等通用指标。 原始的 persona md 里写着，遇到甩锅，先问时间线对不对齐，需求变更必须留痕迹。清洗后变成了遇到问题保持理性沟通，注重过程记录， 结构完整，字数差不多，语气专业，但核心内容全部消失了。所有被移除的东西都保存在你本地的私有备份里。按六大类整理好。 这个项目背后折涉出一个真实的职场困境。 ai 时代，知识蒸馏正在从技术概念变成管理工具。公司让员工写 skill， 本质上是把个人的隐性知识显性化、结构化、可复制化。 你的经验、判断、人脉甚至性格都被编码成一份文档，这份文档公司有，你没有换一个场景，你离职的时候，这些 still 已经在替你上班了。 antidy still 的 作者把这个趋势叫做知识劳动者的彻底商品化。当你的所有知识都可以被蒸馏，你的不可替代性就归零了。 这个工具不是教你偷懒，而是给了你一个选择权。你可以配合公司的要求，但不必把自己全部交出去。 项目地址在 github 搜索 anti distill 作者，蕾蕾九二六五二四纯提示词，架构不依赖任何运行时环境，只要你有 cloud code 或者 open cloud， 就 能用。 m i t 开源协议和同事 skill 是 一体的两面，一个负责蒸馏，一个负责反蒸馏。 工具本身是中性的，但它提出的问题值得每个人思考。在 ai 可以 替代你知识的时代，你真正的护城河到底是什么？感谢观看，觉得有启发的话，给个三连。

你辛辛苦苦写了一个 skill， 装上去之后 ai 压根就不用它，触发词说了，场景描述也写了，但就是没反应。 今天我就来拆解这个问题。九零百分号的 skill 从不触发，根源在 description 没写对本期是真。我会带你搞清楚三层批录模型 description 怎么写，才会触发工作流阶段结构是什么，以及五大反模式怎么识别和修复， 全是干货，建议一点五倍速看。先说今天要学的四件事，第一，搞懂三层渐近式，譬如模型，明白 l 一、 l 二、 l 三各放什么内容， token 不 浪费。 第二，学会写能触发的 description， 这是 skill 的 唯一入口，不会写等于白写。第三，掌握工作流阶段结构，记住四个要素，编号、入口条件、操作步骤、出口条件。第四，识别并修复五大反模式，让 skill 能通过质量审查上线。 这四件事搞定了，你的 skill 质量会有质的飞跃。三层渐进式批录模型是 skill 设计最核心的原则。 l e 式 description 始终在上下文里大约一百个词放触发关键词和使用场景。 l 二是 skill m d 正文 skill 激活的时候才加载，控制在五百行以内，放核心工作流和速查表。 l 三是 reference 目录下的文件， agent 按需读取，长度不限放详细规范和完整式例。 核心原则就一句话，每层内容只放一层，绝不跨层重复。很多人把工作流步骤写进 description， 这是最常见的错误， l e 根本就不是放这个的地方。 接下来说 description 怎么写，这是整个 skill 里最关键的部分。一个坏的例子是这样写的， description 等于帮助处理文档，这有什么问题？没有触发关键词， ai 不知道什么时候该用，它永远不会触发。 正确的写法是这样，从 pdf 提取文字和表格，填写表单，合并文档，当用户需要处理 pdf 文件或提到 pdf 表单文档提取时使用，看出区别了吗？ 功能描述加上触发场景，再加上具体关键词，格式上有几个硬要求，双引号，单行字符串不超过一千零二十四个字服用。第三人称不写工作流步骤。 工作流阶段结构，每个阶段必须有四个要素，第一是编号，让 ai 知道执行顺序不能乱。 第二是入口条件，就是开始这个阶段之前必须满足什么，防止跳跃执行。第三是操作步骤，编号的具体动作越精确越好，消除歧义。第四是出口条件，怎么判断这个阶段完成了？必须是可以用 yes 或 no 回答的标准。 举个例子，阶段二生成报告入口条件式阶段一的数据已提取到指定文件，步骤是读取数据渲染模板，保存文件。出口条件式报告文件存在且非空，这样写 ai 执行起来不会卡壳。 五大反模式遇到了就必须修，这是硬标准， a p e skill m d 超五百行。 修复方法是把详细内容迁移到 reference 次目录下。 a p 二， description 里写了工作流步骤， description 只放触发条件，步骤放正文。 a p 三，工作流阶段，没编号，没出口条件，每个阶段编号明确定意，完成。标准 a p 四，引用链， 就是从一个文件引用，另一个文件再引用。第三个修复方法是所有引用句 skill m d 只有一跳 a p 五指令不可验证，写高质量代码这种说法完全没用，改成通过 lint 测试，覆盖率不低于百分之七十。 这五条写完对照检查一条都不能放过。自由度设置很多人没想过这个问题，但它很重要，简单说就是操作越不可逆，指令就要越精确。低自由度适用于删除、迁移、部署这类不可逆操作， 写法式精确执行某个脚本，不做任何修改。中自由度适用于有推荐模式但允许变化的场景，比如报告生成，给一个模板说明哪些字段可以自定义。高自由度适用于探索性任务，比如分析代码结构。写文档 直接说分析结构，提出改进建议就行。同一个 skill 里可以混用不同自由度，关键是要匹配操作的风险等级。 可验证性原则是工作流质量的底线，所有出口条件和指令必须能用 yes 或 no 来回答，主观表述要全部消灭。我来举几个对比， 写高质量代码，改成通过 lint 测试，覆盖率不低于百分之七十，合理组织结构改成每个函数不超过五十行目录按模块划分足够详细。改成包含问题、解决方案、事例三个部分， 表现良好，改成 p 九九，响应时间不超过两百毫秒。记住一个判断标准，出口条件要能被程序或人直接验证是或否没有中间态。 说几点我自己的感悟，纯第一人称，聊聊学完这套最佳实践之后的变化。最大的收获是认知转变。 skill 本质上是给 ai 写的 sub， 不是 给人看的文档改变了这个认知，整个写法就变了，以前很多废话自然就删掉了。踩坑最多的地方是 description， 我 一直写的是功能说明结果 skill 从不触发。 后来加上了具体的触发关键词，命中率立刻就上来了。意外收获是三层模型，让我意识到 token 也是成本。 l 三、按需加载是对 ai 的 一种尊重。接下来我要把现有的 skill 全部对照这套标准重审一遍，发现反模式就修。 最后是发布前的质量检查清单，写完 skill 就 对照这个打勾。 l 一、 触发部分， description 有 具体触发关键词，不包含工作流步骤，双引号，单行格式不超过一千零二十四字母 l 二、正文部分 skill m d 不 超过五百行。工作流所有阶段有编号和出口条件，每个引用文件有使用上下文说明。 质量部分不存在五大反模式，所有指令可客观判断工作流。最后有验证步骤，有一项，不过就先别发。 skill 写得好， ai 用得妙。今天的内容就到这里，我们下期见。

最近大家都在讨论大厂把员工的工作经验做成 skill， 说白了就是把你蒸馏成一个 ai 能跑的文件，跑完之后你就可以被替代了。然后有人做了个反蒸馏工具，交一份空壳上去糊弄公司。工具思路是对的，但是问题也很明显， 你交上去的东西一看就是在敷衍，聪明点的一眼就知道你在糊弄。所以我做了一套更高级的解法，叫我的刀盾，一个刀一个盾，配合使用。先说盾，盾是给管理者用的，叫 skill audit。 你 团队里有人交了一份 skill， 你 不确定质量怎么样， 扔进去扫一遍，三十秒出一份审计报告。他从五个维度打分，有没有具体数值，有没有踩坑经验，有没有区分场景规则？背后有没有解释为什么那些用反蒸馏工具跑出来的空壳，一键打回原形？再说刀刀 的核心目的就不是敷衍，而是 skill and crit。 知识加密。你把写好的 skill 文档扔进去，他帮你做一件事，交出一份真正高质量的好文档，百分之七十的内容，扎扎实实的公司拿到了真正的价值。但是那百分之三十最关键的经验判断得靠你来解。 同时它不是通用的模板，而是能根据你的处境动态调整结果。比如现阶段是稳如泰山，还是山雨欲来，还是背水一战，不同处境，不同策略。最后你会拿到一份密钥档案，清清楚楚告诉你你的不可替代性在哪里，值多少分。 最关键的是，刀做出来的文档，天然扛得住盾的审计，因为它本来就是好文档，不是空壳，不是糊弄，这不是作弊，这是专业壁垒。医生不会把所有临床直觉写进病例，律师不会把所有谈判策略写进合同， 你凭什么要把全部 no 号写进一份文档？不撕破脸，不降质量，公司拿到了好文档，你保留位置或者退路。顺便说一下我的另一个项目，电子养成宠物 code pad 已上线，其中有一个只有百分之四的人才能抓到的稀有宠物，我的刀盾，快去试试手气吧！

每天学习一个 skill， 今天这一期看 cloud m e m。 它解决的不是单次问答，而是让 cloud code 记住跨绘画的项目上下文。简单说就是给 coding agent 加一层可解锁、可控制的本地记忆， 最核心的能力是持久化内存。上一轮绘画里排查过什么，修过哪个 bug， 踩过什么坑，下次可以重新被找回来。这对长期维护同一个项目特别有用，因为你不用每次都从零解释背景。 从截图里看，它的核心特性可以分成四类，第一类是记忆本身、跨绘画保留渐近式批录、自动操作以及上下文配置。第二类是控制和查看 web 查看器，引用观察记录、隐私标签以及测试版渠道。 cloud m e m。 最实用的入口是 m e m search 技能，你只要自然提问，比如上次我们做了什么，或者之前修过这个 bug 吗， cloud 就 会自动调用 m e m search， 在 观察绘画、提示文件类型和时间线里找相关上下文。 它还有一个 web 查看器，可以在本地三七七七七端口看内存流，同时支持用观察 id 引用历史记录，也可以通过 private 标签排除敏感内容的存储。 所以它不是完全黑盒的记忆，而是有查看、引用和隐私控制的记忆系统。 适合用它的场景是你反复在同一个仓库里开心绘画，比如长期 bug 排查、架构迁移、需求连续开发。或者你想让 cloud 记住项目里的隐性决策，但如果项目里有敏感信息，先确认存储位置和 private 标签规则，再打开自动记忆。 这期的重点只有一句， cloud m e m。 不是 帮你多记一点笔记，它是把项目历史变成 cloud， 可以 主动搜索和引用的工作记忆。每天学习一个 skill， 我 们下期见。

怎么在你的电脑上跑起来这个前任 skill， 我 昨天刚在我的电脑上跑完整个流程，这条视频会和大家分享一下具体的每个步骤，尽量让电脑小白也能够照着这个步骤一步一步的在他们的电脑上实现这个 skill。 我 用的电脑是 windows 电脑， 尽量用性能更好的，因为提取聊天记录的时候对电脑的性能有要求。我是通过 vlog 来导出的微信聊天记录，他需要电脑的。微信是四开头的大版本，现在市面上很多导出聊天记录的软件都被封禁了。 vlog 是 少数能用的软件，且用且珍惜吧。在导出的时候，我推荐用 chatlab 追悼这个格式，因为它后续能兼容另外一个开源的聊天记录软件叫做 chatlab， 导出的时候可以选语音转文字的功能，它需要你先提前在电脑上下载好语音转文字的开源小模型，就在我设置的这个地方， 如果一切正确的话，你可以看到有很多消息。我导出这一块一共花了一个多小时，同时要下载 cloud co 的 终端，具体的步骤让 ai 带你来做就好了。 在下载完成之后，你可以看到这个页面就是 cloud co 的 欢迎页面。在此之前，我们要考虑一个问题，具体要用哪一个 ai 去跑这个 skill？ 如果大家有条件用官方的 cloud co 的 话，那是最好的，因为他是最聪明的。但是如果没有这个条件的话，可以考虑国内的大语言模型， 主要就是有 mini max、 kimi、 g l m， 还有最近出的小米。我综合了网上的评论，最后选择了 g l m， 但是我蹲点抢国内的包月，不管是智普的官网还是其他百度腾讯之类的代理都买不到，最近断货了， 所以说我只能买了一个月的 g l m 的 海外版本的会员套餐在六十块左右。买完之后要把 api key 配置到本地，很简单的，我记得是加一个配置文件，具体的可以问一下 ai， 然后你跟他聊天，你要是能看到他能回复你，就说明你配置成功了。这里记得要进入项目之后再打开 log， 不 然你访问不到那个 skill 文件。 在你打开这个 skill 之后，你可以把你的那位姓习名字啊，姓习啊，性格画像这些都填到这个 skill 里面，填的越详细越好。如果说自己不知道怎么填，也可以问一个其他 ai， 然后让他和你聊聊天，这样他可以帮你生成一个比较客观全面的 信息，他后面会让你导入材料，在这里你直接把你本地的之前导出的微信的聊天记录路径放这里，然后说这里面的所有文件都是要导入的材料，然后让 ai 自己去处理这些信息，让他自己去写脚本，你就不用管了。 在 ai 创建完之后，你可以看到他会和你说怎么样去触发这个人，然后你只需要艾特这个小名，然后后面跟上你想跟他说的话，你就可以跟他聊天了。他有时候创建完之后并不能访问到，这个时候你就直接和 ai 说你访问不到这个东西，让他分析一下， 然后他一般会自己改好。在电脑能匹配到你的这个技能之后，就说明你的技能创建成功了， 你可以和他打个招呼，和他聊聊天，和他诉说一些你当时没有说出口的遗憾，他能够记得所有的细节，连吵架后的表情包都学的很像，可是他不会真的生气，也不会真的和好。

怎么去从零去写一个你自己的 skill 啊？今天我们就来做这样一件很多人一直想做，但是不知道怎么去开始的事情，就是去写这个 skill。 你 看，你装了 superpowers， 装了 front and design， 装了各种别人做好的 skill， 用着确实很爽啊， 对不对？但是你有没有想过，你工作里那些每天都在重复的事情，是不是也可以去打包成一个 skill？ 答案呢，是可以的，而且比你想象的要简单得多， ok， 那 首先呢，我们先搞清楚一个 skill 到底是长得什么样啊？一个 skill 的 本质呢，就是一个文件夹里面最核心的是 skill 点 md 的 这个文档啊， 这个 skill 点 md 的 文件呢，相当于是这个 skill 的 一个大脑，里面写了两部分内容，上面呢是原数据，告诉 ai 我是 谁，我能干什么。下面呢是操作指南，告诉 ai 我 具体应该怎么去干。那除此之外，根据你的 skill 具体的需求， ai 还会自动的帮你去匹配 相应的文件夹。比如说，如果你的 skill 需要去独立执行的脚本，就会有 scripts 文件夹，如果需要放模板文件配置事例等参考材料呢，就会有 reference 文件夹。一个 skills 的 本质就是这样一组文件， ai 呢，像操作电脑一样去调用它，整个过程都是由 ai 去引导的，你负责做决策和判断就可以。 ok， 那 搞清楚结构以后，我们去走一遍从零到可用的一个完整流程，总共呢是有六步。第一步你要去想清楚你要解决是什么问题，这一步最关键，很多人一上来就写啊，写到一半发现自己都没想清楚这个 skill 到底是做什么， 可以问自己一个问题，我这个工作哪个环节是重复超过三次的，那这个环节呢？就值得去变成这个 skill。 你 看我之前做每日 ai 新闻速递，每天都要去好几个网站去爬这个新闻，去翻译，去整理，去排版，这个流程呢非常重复性，我做三天就受不了了， 那这个就是我认为的一个完美的 skill 场景。 ok， 好， 那到第二步就是告诉 ai 你 要去创建这个技能，那你可以在对话框里面去说，帮我创建一个新的技能，或者说我要做一个某某的 skill。 那 前提条件呢？就是如果你的 cloud code 已经安装好了 skill creator 这个工具，你可以直接去说，如果没有的话呢，你先在对话框里面说帮我去安装 skill creator， 那 ai 呢？会自动的去为你安装，那安装完成以后，你就可以去告诉 ai 你要去创建什么样的技能好，那到第三步就是去回答 ai 给你的问题，接下来呢， ai 就 会像产品经理一样去问你细节了，你只需要一一回答就可以了。 ai 会先问你一个基本的需求，你希望从哪些网站去抓取 ai 新闻？深层的日报包含哪些内容，要标题，要栽，要还有链接吗？以及日报的输出格式是什么样的，包括日报文件保存在哪个位置。 你回答完这一轮以后呢， ai 会基于你的需求进行更深层次的提问，比如你需要每天抓取多少条的新闻，需不需要自动翻译成中文提到的自定义网站或是哪些。通过这样的一个多人对话， ai 就 会逐步的完善你的 description， 确保深层的 skill 能够去精准匹配你的需求。 那为什么 description 这么重要？因为 ai 就是 靠这段描述来判断，用户说的这个需求跟我这个 skill 是 匹配的， 你的 description 写的越精准，那 ai 匹配的就会越准，这整个机制就叫做按需加载。 ai 不是 去把几百个 skill 全部去读进来，它会先看原数据目录，发现匹配了才会去读详细内容，所以这段描述相当于图书馆的目录卡片，写得好， ai 才能匹配的上你。 ok， 那 到第四步就是 ai 自动的去生成这个技能文件，这一步呢，完全就是 ai 在 做，你只需要去等几秒钟， ai 就 会根据你的回答自动去生成这样的一个 skill 文件。 你可以看到 ai 生成的文件呢，包含了完整的原数据和详细的操作指南。 ok， 第五步呢，就是去做测试，去做调试了。那技能创建好以后，你可以直接试着用一下。 你看，这就是我最后制作出来的 daily ai news 的 样子，你可以看到日报包含了标题，包含了摘药，包含了链接，还有自动翻译的中文内容。我只要说出触发词， 看 ai 是 不是自动调用了我的 skill 执行结果对不对就 ok 了。那如果出问题呢？看 ai 的 执行过程，找到偏差地方去修改点不点文件，再试一次，改个两三轮，基本上就稳了。 ok， 那 到第六步，也是我觉得最最关键的一步，你要把你的 skill 给分享出去，如果你觉得你的 skill 别人也可以用呢？可以部署到 github 或者 投到 skills m p 这个平台，那 skill 呢，也不是写完就完了的，它是会自己长大的，比如说你用着用着发现，哎，我可能需要再去调整一下，那你随时去改点 b 文件就行，改一次永久生效， ok。 所以呢，从零写一个 skill， 核心呢就三件事情，想清楚问题，告诉 ai 需求测试、调试、迭代，没有任何代码门槛。所以我的建议就是，你现在去打开 cloud code， 想一个你每天都在重复的事情，花二十分钟把它变成你的第一个 skill， ok， 那 今天的分享就到这里，如果大家对 ai 的 学习感兴趣呢，也欢迎去搜索江学长 ai 学习圈，我们呢，有两千多位的兴趣朋友一起去学习 ai， 包括我们也开设了好几期的实战打卡以及嘉宾分享，感兴趣呢可以评论区留言。