如何将prompt升级为skill

哈喽，朋友们，我是阿水， a 正的 skill 最近真的太火了，但是很多朋友肯定想知道到底啥是个 skill， 凭什么这么火？那朋友们莫慌莫慌， 我呢已经为大家整理好了一套小白必读的 skill 大 全，今天的内容呢，我们将从简单到困难，一路升级打怪。首先呢，我们来看 skill 的 结构和它的原理， 然后呢，我们通过学习来定制自己的 skill。 这个 skill 呢，我们只需要简单的一句话，帮我根据这篇文章生成 ppt 分 析和内容规划，那它就会自动去执行和生成我想要的资料。 另外呢，我还会给大家推荐一些好用而且必用的 skill， 比如说帮你的文章配图，把杂乱的知识变成一个教学网页， 一句话处理表格等等等等等等。这期所有的资料我都已经整理成了文档，只需要一步一步跟着做，跟着看，就一定可以学会。那还在等什么呢？赶快点赞收藏关注呀！ ok， 那 我们就 let's go！ 那说了这么半天，到底什么是 agent skill 呢？直译过来呢，其实就是技能呗，比如可以把它看成一只小狗，这只小狗呢，它会记路线，听指令，使用工具，能听懂你的语气。那 agent 呢，也是同理，它要和你和平相处，也是要会这些东西的。 所以在 a 证的 skill 的 术语里面呢，它最最最核心的文件就是 skill 点 m d ai 的 工作手册，当然呢，还会有其他的文件，最后将这些文件集合在一起，打包成一个文件夹，这就是一个技能，一个 skill 了。 那有同学就要问了，阿水看着挺复杂的呀，这么做的好处是什么？本质上来说， skill 对 不懂代码和不懂怎么去创建软件的小白群体来说， 是大大降低了门槛的来，如果还是不懂，我们做一个超级简单的 skill 就 好了。这里呢，我用到的是谷歌的反重力工具 模型呢，因为可多扣的真的封号太严重了，我就用 jimna。 那 这个软件的下载方式呢？我已经放进了文档里面，可以说是非常的 perfect， 比如说我们打开反重力，在这里呢，选择模型 jimna pro 就 可以， ok， 我 们就可以开始创建了。那我们就先创建一个可以制作 ppt 的 skill 吧，可以根据我输入的文章链接或者文字帮我生成一个 ppt 内容规划。那按照反重力的创建规范呢？局 skill 必须在这个目录下面， 那我们先用最基础的方式手动创建这些文件夹，这个文件夹的名字呢，就是我们的 skill， 名字就叫做阿水 ppt 吧。这里的文件夹里面呢，必须有一个核心的文件，就是 skill 点 md， 文件 内容我已经创建好了，我们只需要把它粘贴过来就可以了。好了，这就是一个 skill 了啊啊， 有同学就会问了，这么多内容代表什么呀？别着急，我们一个一个来看。那这个文件里面呢，上面两条横线里面的内容，它叫做原信息，里边呢，有两个信息，一个是 skill 的 名字，一个是描述，就是它用来干嘛的，什么时候可以用它？ 那我这里呢，直接写的，用 ppt 的 时候可以用。下面这一大段信息呢，就叫做指令，其实这里就是告诉 skill 它应该怎么做。那这里呢，我就直接写到怎么用，输出的格式是什么？那这个时候呢，就有同学又要问了，你这和自己写提示词有什么区别呢？嗯， 其实呢，还是稍微有点区别的，比如我们之前在用 jimmy 里面去生成，每次都是需要去重复输入提示词， 那如果现在去用 ide 文件，那我们只需要去输入需求就可以了。当然上面这个案例呢，是最最最初级的创建方法，简单的 skill 完全可以这么实现。那在做这个的时候，我就在想，有没有创建 skill 的 skill 呢？ 果然不出我所料呀，可罗得克的官方出了一个创建 skill 的 skill， 它可以通过你的自然语言描述帮你创建一个 skill。 那 这个 skill 的 安装方法呢？大家可以去看我上期视频，巨简单。 当然这期的文档中呢，我也整理了安装方法。安装好了之后呢，我们只需要在这里用大白话描述帮我创建一个可以根据我提供的文章链接 pdf word 帮我生成 ppt 图片。这里呢，因为我们需要用到 nintendo 的 模型 api， 我 们就直接将 api 输入进去就好了。那通过我们这么一番描述，可以看到 ppt scale 就 创建好了，现在的 scale 就是 一个完整的 scale， 可以看到有说明文档，有脚本，还有输出文件夹。嗯，奇怪，我怎么感觉高级版创建起来怎么还比初级版创建起来更快更方便，更简单呢？对，主要是我们使用了创建 skill 的 skill 工具， 那我们来试试效果，出来的效果图呢，都是很不错的。那其实这个案例看下来呢，我们更多的是在用自然语言去写程序的一个功能，降低了代码的难度，而且拉近了普通人和创建软件的距离。所以只要你有明确的输入要求，或者有明确的方法 规范流程知识，创建 skill 工具呢，都会帮你创建出来一个定制的 skill 文档，里面呢，我整理了一些收集 skill 的 网站，里面有成千上万的 skill， 并且呢，我也给大家搜罗了一些普通人常用必备的 skill 工具，比如做 ppt 处理，文档表格处理，我们可以直接拖进文件夹就可以使用了。还有这个就是前端设计的 skill， 还有这个动画生成 skill， 可以 帮你做一些数学上难懂的演示动画。 当然大家也不用太焦虑怎么去把所有的东西都创建一个 skill， 我 们每个人呢，都不是必须成为技能开发者， 我们只需要把自己已经掌握的小技能或者已经沉淀出来的一些方法，重复性的事情交给让他去帮你做一些重复性的劳动力就可以了。那最后呢，资料链接我都放在了评论区， 大家快去手动创建试试吧。这个时候呢，大家就不要吝啬自己的点赞收藏关注技能了，我们下期再见，拜拜！

这条视频给大家讲一下 front engineer， 就是 提示词工程 front 到底该怎么写？刚好我最近研究了挺多 ai 提示词大神怎么写 cloud 最佳实践的那个官方文档，包括 gemini 最佳实践官方文档，它们这些顶级大模型公司出了这个教程，今天我一条视频给大家汇总一下。我先说一下这条视频适合什么样的人看。首先你有使用大模型的需求， 就是你至少是一个已经在跟 ai 对 话的人。第二个就是你的需求至少要是有一点点难度的啊，比如说问大模型明天天气怎么样的这种 用户的话也不需要看了啊。我这条视频的核心在于工程化和稳定性，教你把 ai 变成一个保质保量，能完成你工作的固定员工。如果你有以下几种需求的话，那么这个视频对你来说非常好。第一，当你需要批量化且质量稳定的产出， 比如你要写五十篇小红书文案，比如你要写十篇日报周报。第二，当你眼高手低时，你只有矮。第二，但是你没有动手能力，你只知道自己想要一个什么样的结果，但中间这个过程你不会干。 比如说你想写一个 python 脚本，但你不懂 python 语言。比如说你想写一份商业分析报告，但是你不是分析师。第三，就是你的任务太复杂， ai 每次完成你的任务都固头不固定，让 ai 做一件很长，然后逻辑很绕的事情。比如说帮我提取这段视频的文稿，提炼里面的观点，再结合我的痛点产出一篇文章，还要翻译成英文， 就是他中间要做的事情很多，那么你把一串指令丢给 ai， 他 可能会丢掉其中一两步，或者说给你一个很水的答案。第四就是当你对味道很挑剔时，比如说你想让 ai 模仿 macintosh 的 翻译墙，或者 macintosh 的 ppt 样式，你不知道怎么描述清楚的。 ok， 那 么我们正式开始。其实网上很多教程太卷了，一会让你学结构化，一会让你学 markdown 各种语法，但其实随着 cloud 啊 jpg 这种模型它的更新迭代，它本身模型非常牛的时候，其实逻辑没必要那么复杂， 首先是我自己写提示词的步骤和思路。首先第一步呢，就是把你脑子里的东西先倒出来，不管你要做分析也好，写文案也好，还是什么复杂的各种 idea 需求也好，我会先把脑子里的所有的想法，你对这件事情所有的知道的来龙去脉，背景啊，结果， 过程要怎么样，你想达成什么样的目标，一股脑的告诉他，用大白话也好，穷尽你能写出所有的对这件事情的描述，甚至说你在网上看到几篇风格很不错的文章，全部丢给 ai。 现在 ai 的 上下文很长，你完全不用担心输入框限制了他。到完之后你跟他说这样一段 prank， 我是 这个领域的小白，但我想要达到专家级的效果。 这些是我的原始想法和参考素材，请你先不要生成内容，先消化这些信息，告诉我你理解了没有，让 ai 去读你的心，去读你的想法。 当你把这些素材投喂给他的时候，你再反过来问他，基于你刚刚学到的这些素材，如果我要完成这个任务，你需要我补充哪些背景、哪些信息，或者利用你自身的知识，帮我把这些大白话翻译成结构清晰、逻辑严密的 system prompt。 这时候你会发现 ai 自己写出来的提示词 里面充满了专业的术语、行话和深层逻辑。这是你自己在家闭门造车，手搓 prompt 手搓不出来的。让 ai 自己给自己写 prompt。 好， 我们到了第三步，拿到了 ai 自己写好的 system prompt 或者提示词之后，不要直接用， 我们先彩排再开机。第三阶段，我会对他说，基于你刚刚这个 prompt， 请你立刻生成三组用户输入到模型输出的模拟案例给我看，检查一下，这时候 ai 只是在模仿你的字面意思，还是说已经读懂了你的神韵？ 如果你看案例的时候你觉得不对劲，你不需要去改那一大串复杂的 system pond， 直接用人话反馈给他。比如说第二个案例，逻辑太生硬了，没有人味，像 ai 写的，我想要那种犀利中带点幽默的，请你调整一下 pond， 直到它生成的案例完全符合你自己的审美，这个 system pond 才算定稿。 以上是我写 point 一个基本的流程，然后下面我再补充一下我从 gemini cloud 的 最佳实践手册里面学到的几个调优的原则。第一个就是别说客套话，直接说需求。如果你对模型的要求很高，千万不要丢给他模糊的指令，一定要给他明确目标。 比如说你扔给他一段图片，说写个分析，那肯定不如说创建一个包含交互功能的分析仪表盘，越全越好。第二点就是举例子比讲道理有用。这个技巧叫做少量样本提示，也叫 few shot one shot。 如果你想模仿特定的文风，你在那里描述，不如直接丢个原版的例子给他，你跟他说，就照着这个味写，你的例子越好， 他的产出就越稳。如果说你是那种需要处理复杂任务的用户，比如说先提取啊这个视频的文案，再分析这个视频的文案，再结合我的痛点生成文案，再把这个文案翻译成某某语言。 你的任务里面包含了多个子任务，那你可以试试提示词练。简单来说就是不要贪图一口吃个胖子，把你的大任务拆成好几个小任务， 上一步的输出变成下一步的输入。举个例子，你拆解完任务之后，你先写一个 point a， 是 用于提取药物，然后它输出了 output a， 那 你再写一个 point b， 基于 output a 写大纲，输出 output b， 你 再写一个 point c， 是 基于 output b 扩写成整篇文章。 这个就是牺牲速度换精确度的策略。你可以精准地调控每一个 point， 每一个子任务里面的细节。 这个是一个用来构建稳定 ai 工作流的思路。其实 a 正的思路就跟这个差不多。下一条原则呢，是多模态融合，现在的 prompt 不 再仅限于文字了。呃，图片、视频、音频，一切的模态都是平等的输入， 特别是对于 jimmy 三用户来说啊，他对于长视频的理解现在特别到位。还有就是允许不确定性。为了减少 ai 的 幻觉，我们可以明确地授权给 ai 说，你可以说你不知道， 比如说，请基于某某数据分析趋势，如果我给的数据不足以支持输出结论的话，请直说，不要编造，我可以给你补充更详细的数据。 最后一个技巧就是让他先想后说，如果遇到复杂的任务，可以要求 ai 在 输出结果之前先列一个提纲或者一步步推理。你可以直接给一个 point 说，在回答之前，先一步步拆解你的思路， 增加 ai 思考的步骤。这件事情非常重要，它可以大大的减少你 ai 胡说八道的几率。 ok， prompt 怎么写？如果你听到这里，学到这里，你已经很厉害了， 不要再纠结那些复杂的结构。好的 prompt 一定不是写出来的，而是聊出来的，是测出来的。所以说你要做的就是把话说明白，然后给他足够的例子。把你重复性的、繁复的工作丢给 ai， 咱们只需要把控方向，检查它的产出即可。

这种感觉啊， top code 的 skill 一 大堆，但你根本不知道该装哪个。其实最简单的方法就是抄冠军的作业。 github 上有个项目叫 everything cloud code， 这是啊， hackson 冠军整理的一套 cloud code 的 工作流不是几个 prompt， 而是一整套的工程化配置。里面直接打包好了，五十六个 skills， 三十三个 commanders， 还有十四个 agents。 而且你还能看到很多高手的工程套路，比如说头看优化记忆，持久化并行执行，还有紫 a 阵的编排等等。 安装也特别简单，两行命令。唯一要注意的就是 m c p 不要全开，因为工具描述本身会占用上下文。所以如果你不知道装什么 skill， 那 就先抄冠军作业吧。

skill 学习指南，如何用模块化思维让 ai 按规范工作，从零掌握 skill 的 设计与开发？你是否遇到过这些问题？ ai 写的代码风格不统一，每次提交的代码格式都不一样，部署流程总有步骤遗漏或顺序错误，明明给了要求还是写成另一套， ai 不 按规范工作真的很头疼。 解决方案来了， skill 是 一种可赋用的能力模块，把领域专家的知识固化下来，让 ai 具备专业能力。核心公式，专业知识加操作流程加工具调用。 skill 三要素，第一，专业知识领域特定的规则标准和最佳实践。第二，操作流程步骤化的工作流程和检查清单。第三，工具调用自动化脚本和辅助工具 概念对比 system prompt 是 一次性指令，简单但不可附用。 mcp 是 让 ai 能调用外部工具的能力扩展协议 skill 是 可附用的行为约束，专门解决 ai 不 按规范工作的问题。 skill 的 文件结构， skill md 是 核心配置文件，必须要有 scripts 目录存放可执行脚本， references 目录存放参考文档， assets 目录存放静态资源。 skill md 的 五要素，原数据包含 name 和 description， 基本信息是用上下文说明什么时候触发。执行流程是 ai 的 工作步骤，约束规则是必须遵守的，边界输出规范是返回格式要求。 三大设计原则，原则一，精简优先论文只包含 ai 未知的信息。原则二，自由度匹配，根据任务特性设定约束强度。原则三，渐近式批录，核心放正文，细节放 references 目录。 总结，掌握 skill， 让 ai 按你的规范工作，从今天开始用模块化思维重构 ai 工作流。

所以，如果你也在做智能体，我建议你今天开始换一个思路，不要再指定 the prompt， 而是先问自己这四件事，任务怎么拆？模式怎么选？上下文怎么给？结果谁来审？当你开始这么想的时候，你的 agent 才真正从 demo 走向系统。 这是昨天谷歌发布的一套 a 阵的架构设计方法，我觉得这个内容特别值得讲，因为现在很多人在做智能体，还停留在写提示词、接几个工具，拼一个工作流这个阶段。但谷歌这次其实讲的很明确，真正决定 a 阵的上线的不是提示词，而是架构。 这套内容里，他总结了五大 a 阵的技能设计模式。看完你就会明白，为什么有些智能体只能做 demo， 有 些却真的能落地， 为什么要开始从模块化思考。这一页其实是在讲一个很现实的问题，很多团队现在做 agent， 其实越做越乱，前面加一个提示词，后面挂一个工具，中间再塞点知识库，最后整个系统像毛绒球一样，谁都不敢动。所以谷歌这里提了一个非常关键的方向， 不要再把 a 证它当成一个大一桶黑盒，而是要拆成模块。比如输入要怎么处理，上下文怎么拿，输出怎么生成，结果怎么审核，每一块都应该有边界，只有这样，你这个智能体才能赋用，才能维护，也才能往企业场景里放。先拆开一个 a 证，它技能包 一个完整的 agent 技能其实不是一句提示词，而是一整套设计，里面通常包括什么呢？有角色定义，有模板、有参考资料、有规则说明， 说白了就是 agent， 不 只是你，是谁？请你帮我干什么这么简单。他背后应该有完整的技能包，这样他在执行任务的时候才知道自己该按什么标准做，遇到什么情况，怎么处理，输出又该长什么样。那以后做 agent 不要只写 prompt， 要开始写 skill。 第一个模式叫 to rapper， 你可以把它理解成把一个明确能力分装成工具，让 agent 去调用。比如查数据库，查知识库，发请求，调接口，执行动作，这些都很适合做成图。 这样 agent 本身不需要什么都懂，他只需要知道我什么时候该调用这个工具，传什么参数，拿回来什么结果。这个模式最大的好处就是两个字，稳定。因为你把能力边界定义清楚了， agent 就 不会老是自由发挥。 所以如果你要做企业里的智能体，像审批、查询报表、数据检测这种，我觉得 to rapper 基本是绕不开的。第二个模式叫 generator， 也就是生成器。这个模式适合干什么？适合做报告、邮件、方案、总结文案这种有固定结构的内容生成。 谷歌这里强调的重点不是让模型随便写，而是模板驱动生成，先把格式固定好，再让模型往里面填。比如一份周报，开头写本周正点，中间写进展，后面写风险和计划。那你就不要每次让模型自己想结构，而是直接给他模板，让他按这个框架输出， 这样做出来内容就会更稳，也更适合业务场景。所以这一页其实在告诉你，生成了 agent 想要好用，关键不是更能写，而是更会套模板。第三个模式叫 reviewer， 也就是审查者。这一页我觉得特别重要，因为很多人做智能体只关注怎么生成，但真正决定能不能用的，往往是谁来检查。让一个 agent 负责产出，另一个 agent 负责审核。审什么呢？ 审格式对不对？逻辑顺不顺？内容全不全？有没有明显风险？本质上，它是在模拟真实团队里的分工，一个人写，一个人审。 这个模式就特别适合高要求场景，比如合同、报告、方案、流程、文本、制度、文档。因为你只靠一个 a 站台一次生成很容易飘，但如果后面再挂一个 review 了， 整体质量就会文很多。第四个模式叫 in in 第四个模式叫 in warren。 这页稍微抽象一点，它特别关键，它想表达的是，不要一开始就把所有的上下文都塞给 agent， 而是让 agent 在 真正需要的时候再去拿对应的信息。 比如有些知识规则、历史记录，并不是整个流程每一步都需要，那你其实没必要从头带到尾， 应该是谁需要谁去取，什么时候需要，什么时候再加载。这样做的好处很明显，第一节省上下文，第二减少干扰，第三也更利于系统扩展。说白了，这一页讲的就是上下文不是越多越好，而是越精准越好。 第五个模式叫 poplan， 也就是流水线。这个模式就很好理解了，你把一个复杂任务拆成各个步骤，那第一步理解输入，第二步处理任务， 第三步检查结果，第四步整理输出。每一步只做一件事，前一步过了再走下一步，这就像工厂流水线一样。为什么这个模式重要？因为很多 a 站的失败，不是模型能力不够，而是他把所有事情一次性做完，结果中间出了问题也没人发现。 而 powerline 的 好处就是可控、可查、可回溯，非常适合企业里那些流程明确，结果却要求高的任务。到了这一页，谷歌其实在做一个汇总，意思很明确， 如果你是调工具做 agent， 不要上来就问哪个框架最强，你应该先问自己，我这个任务到底属于哪一种模式？这一页其实已经不是在讲单一模式了，而是在教你怎么选架构。 它像一个决策树一样，先问你几个问题，你需不需要结构化产出？你需不需要检查和反馈？你需不需要步骤编排？你需不需要调用工具？ 这一页是我觉得最有价值的一页。因为谷歌明确说明了，真正好用 a 阵。真正好用的 agent， 通常不是只用一种模式，而是多种模式组合。比如用 powerplay 把流程串起来，那比如说，如果，如果要查外部数据，那再通过 to rapper 去调用工具。 你看，这一下就从单个智能体升级为完整系统了。所以说，很多人老问智能体到底怎么做才专业？答案往往不是更会些 prom， 而是更会做模式组合。 adk 的 思路，渐进式批录， 这一页讲的是一个特别像工程实践的概念，叫鉴定式。譬如什么意思？就是不要一上来就把所有信息暴露给模型，而是随着任务推进，逐渐给他需要的那部分。比如一开始只给目标和基本上下文，后面需要再调用知识再补知识，需要审核规则再补规则，需要执行工具再补工具。

openclaw 怎么越用越聪明？今天六个 skill 让它从会用升级到会学。一、 skillbetter 安全保镖，不装，别搞别的 ai， 变聪明之前先护住它，别被人搞，没有它恶意技能会导致 api 密钥泄露，系统被控。装任何技能前必须先装这个扫描器。二、 self improving agent 自我净化引擎， 让龙虾越用越聪明的核心技能，每次执行任务后自动复盘，总结经验，下次做类似任务直接优化流程，安装越久越懂你，效率每周肉眼提升。 三、 summarize 智能摘药专家，网页太长， pdf 太厚，视频没空看，丢给他。 ai 自动提取核心要点，三分钟变三秒，知识获取效率翻倍，龙虾的信息处理能力直接拉满。 四、 agent browser 浏览器自动化，教龙虾自己上网冲浪，点击输入截图全自动，能帮你完成网页数据抓取、表单填写、信息验证，注意沙盒运行防封号。五、 memory and a proactive agent 记忆与主动学习 龙虾的长期记忆，记住你之前教过他什么，纠正过什么错误，下次主动规避，配合 proactive agent， 他 能提前预判你可能需要的操作，主动给出建议，越聊越懂你。六、 capability revolver 能力进化引擎， 从能做什么到会什么，更好的关键一步，自动分析技能短板推荐补充安装互补 skill， 让你的龙虾像人类一样持续学习，不断升级技能数，最后怎么装，一分钟搞定。 打开七二四 cloud 涌动虾右上角点兑换码，输入三三三，免费领 token 即可进行安装。这里不仅汇总了全网 skill， 而且是中文汇总，支持一键下载。最后想要 open cloud， 从会说变会，自己学习这六个进化技能，赶紧安排好了，兄弟们还有什么想了解的评论区告诉我，咱们下期见！

看到好看的网页截图给 ai， 让它照着做，你是不是也这么干过？我试过，基本没用，能还原百分之五十就很不错了。我一度以为是 ai 不 行，后来发现问题在我自己， 同样一张截图，我看到的是这个好看，而在设计师眼里是八像素圆角十六像素间距 lucy 的 图标。 ai 跟我一样，只能看到表面，剩下的全靠裁。我是一个文科生，不会写代码，也不懂设计，但我用 ai 从零做出了自己的个人网站， 不是那种一眼 ai 味儿，是真的可以拿去用的那种。我自己摸索出了三个提升网页高级感的方法，亲测有效，不懂设计也能用。第一，解决 ai 不 懂设计的问题。用专业的 skills， 这是我使用频率最高的两个设计 skills， 每次让 ai 做网页设计的时候，就调用它们来优化页面输出，页面质量会直接上一个档次。这就像是请了一个懂设计的助手，而不是一个什么都会一点，但什么都不精的通采。第二，解决我不知道怎么描述的问题。用现成的设计提示词。 很多时候，不是我们不会用 ai， 而是你根本不知道怎么描述你想要的东西。比如我说我要一个好看的按钮， ai 不知道什么叫做好看。如果你说我要一个圆角十二像素渐变背景从多少到多少 hovers scale 到一点零五的按钮， ai 立刻就懂了。 但问题是，怎么知道这些参数呢？我推荐一个网站叫 design prompt， 上面有大量经过验证的 ui 设计提示词，只需要选一个你喜欢的风格，直接复制它的 prompt， 如果仔细看的话，会发现它每一个提示词都内置了大量的专业参数，圆角、阴影、间距、颜色全都替你写好了。这个网站会帮我们解决需求翻译的问题。 第三步，解决一眼 ai 感问题。选择专业图标库，很多界面做出来布局没有问题，配色也还行，但就是有股说不出的 ai 味。问题往往出在图标上， ai 默认生成的图标风格不统一，粗细不一致，一眼假。解决方法很简单，直接告诉 ai 用哪个图标酷。我推荐两个，一个是 lucid， 一个是 hero icons， 都免费，风格统一。你只需要在提示词里加一句所有图标使用 lucid 酷，出来的效果就会专业很多。图标这个细节很容易被忽略，但它真的可以决定界面一部分高级感。 这三个方法其实都在做同一件事，把我们脑子里模糊的好看翻译成 ai 能理解的专业语言。这个方法不只适用于做网页。用 ai 写文案，不要说帮我写一篇爆款文案， 而是告诉他具体的结构、语气、句式。用 ai 做 ppt， 不要说帮我做一个好看的 ppt， 而是给他配色方案、字体规范、排版网格、排版样式等等。 ai 是 一个放大器，你给他什么，他就放大什么，你给他模糊的输入，他就给你模糊的输出，专业的输入就能得到专业的输出。现在你可以立马做一件事，打开 cloud code， 去复制一个设计提示词，把你之前截图让 ai 做的那个网页重新再描述一遍， 你会发现同样的需求输出完全不一样。我是六六，不会代码，不懂设计，但我相信这些都不是门槛，如果今天的方法对你有帮助的话，记得点赞、关注、收藏，我们下期见！

克拉克的必装插件今天要分享是 skyrocket 作为官方核心原技能啊，它在开发者设计人气极高，目前安装量已经达到了十五万次，早已是克拉克生态里的必备神器啊！这款插件专为自定义技能开发而生啊，装上它之后，你可以一键生成标准化 sky 文件， 工装专属工作流，固化代码规范与业务逻辑啊，彻底告别重复写 pro mod 反复调制指令的低效问题。深层的 scale 结构规范，可附用、可共享团队协助更统一啊！ ai 编程效率直接拉满。只要你用可乐扣做开发搭工作流，这个插件基本属于必装。

为啥你家的 skill 越多， agent 越不听话？核心问题就出在 prompt 上。 prompt 不是 随便写的话术，是指导 agent 用 skill 的 操作手，特定好规则， skill 才不会用错。你可以把 agent 当成厨师， skill 是 锅碗瓢盆这些工具， prompt 就是 菜谱， 没菜谱，厨师再全的工具也做不出指定的菜。就看这一行核心代码，它专门构建系统的规则喂给 agent。 新手想稳住 skill 执行就三步， 一，写清 skill 适用场景二，把规则写进 prompt 三，按顺序加载 skill 和 prompt 搞定。你是不是也遇到过 agent 乱掉 skill 的 情况？评论区说说是啥场景，我是卷毛，每天一分钟拆解 ai 原理，小白也能听懂。关注我，拆透 agent 不 踩坑。

很多朋友学 ai， 收集了一堆教程回来还是不会写提示词，问题出在哪呢？这个 github 上七十二万四二的教程给了我答案。这里边最牛的一个技巧就是在提示词里加 let's think a step by step， ai 做复杂问题，准确率直接翻倍。 还有一个少要本提示的方法，给 i 几个例子，它就能照着模仿输出。我现在写文案分析数据全靠它，免费的，下面拿，先收藏，迟早用得上。

那你还得要多补一下 ai 的 基本功呢，建议你可以从零到一，去学一些 ai 的 一些常规的逻辑。首先 prompt 的 优化我今天跟你讲一下。首先我们先澄清一下什么是图声场景下的 prompt。 在 图声动画里面，用户去输入一张图片，比如一一张角色的站立图， ai 需要生成一段动画，比如说角色开始走走路或者一个动漫的逻辑。 那这里的 prompt 通常就不是自然的语言的文本，而是指的说你的条件的输入，比如说你的动作描述，它需要向前走，你的风格的参数是平滑的 啊，类似这种，这个就是一个 prompt。 prompt 的 优化指的是你要让你的设计更加精准的指令或者参数的组合，能够让 ai 输出更加符合用户预期的内容。 所以你要明确优化你的目标，定义好你的一个好的标准是什么？用户希望图生动化能够达到什么效果？比如说自然的动作的自然度， 不扭曲不抽搐，都拿的动作的一个准确性，比如说走路的步态是符合角色的类型的风格的一致性，比如说原图风格是比较匹配的。第四个就是生成的速度，那产品经理我们需要把这些模糊的好转化成可以量化的指标，比如说用户的满意度，动作的合理率 和生成的失败率。那如果我怎么分析当前 prompt 的 不足呢？假设我当前图生动化的效果不好，可能原因就是因为我的 prompt 过于简单，我只输入了走路，但是模型有多种理解，它输入是比较随机的。第二个你就缺少一些附象的约束，我没有告诉模型，哎，你不要做什么，比如说你不要手臂创模。 第三个就是风格的参数的缺失，比如说我没有指定动画的风格或者帧率，以及我们输入的图片质量也会有一些影响，比如说图片背景是比较复杂的，导致 prom 没有处理。 所以我们一般设计优化就是我们不需要直接写代码，但是我们可以设计 prom 的 模板规则或者 ui 上面的一些参数的选项。比如说我可以做一个结构化的 prom 的 模板，比如说我将这种用户自由的 文本，可以输入一些表单式的选择，比如说它必须要输入动作的类型，动作的速度、情绪、风格或者负面的提示词，这样子后台就会自动主导成更加精确的 prompt。 第二个可以做一些势利的引导，比如说我在 prompt 加入一些成功的案例，比如说你可以以什么什么什么为例，类似这种。然后我再通过不断的 a b 测试，比如说不同 prompt 的 版本对比刚刚输出的一个结果，或者是收集 by case， 比如说用户点击不满意的时候，或你自己觉得不满意的时候，你再去 做一些收集，然后用于后续持续的优化，告诉他，哎，到你最后你可能就会生成一个比较完美的一个 prompt。 所以 我们在产品层面做 prompt 优化，不是直接去调模型的参数，而是做三件事情。第一个是把模糊的用户需求变成简洁化的输入， 比如说图像动画，就是用户让角色，用户说让角色走路，这个东西就太宽泛了，我们可以拆解为动作类型、速度、情绪风格这些维度，然后去设置一个 比较精准的 problem， 引导用户去输入。第二个就是建立一个好的效果的量化标准，就是你要定义什么样子比较好。第三个你再做实验或者说数据的分析，或者是最后的分析，然后不断地去分析你的 by case， 然后不断地去调整 到底。比如说你这个 by case 发现，哎，你做这个，你这个 by case 是 因为你的输入哪个地方写的不够好啊？那你写的好的样子是什么样子？这样你再去做优化，才能够把你的这个 ai 能够做得更加好，就是你你的生产质量才会做得更加好。

写好的 skill 突然抽风查半天才发现是上游 a p i 变了。经历过这种绝望吗？为了打破这种尴尬， connie 转变了思路，他把 skill 从死板的 prompt 文件变成了活的组建。他能追踪执行历史复盘失败原因 还能自动修复和优化，这等于把静态文件升级成了自动净化的系统。但问题来了，模型越聪明，失控的危险就越大。面对能自己改 skill 的 系统，你敢用吗？

大家好，欢迎来到 ai 深浅！近期离职同事被 ai 炼化的话题持续引发热议。从企业将离职人事专员复刻为 ai 数字分身承担日常工作，到 github 上同事点 skill 项目快速走红，无数职场人在调侃词源变词源的同时，也不得不直面 ai 时代最核心的命题。我们的工作经验正在以 skill 的 形式成为 ai 可赋用、可继承的数字资产。 不开技术外壳， skill 的 本质并非复杂的代码插件，而是一套经过工程化封装、可稳定赋用的 prom 体系。如果说单次 prom 是 给 ai 下的临时指令 sku， 就是 把特定岗位的工作流程、决策逻辑、沟通范式、专业经验拆解为结构化、标准化的 prom 的 指令级，再配套对应的执行规则与参考素材，形成 ai 可自主触发稳定输出的能力单元。它解决了 prom 的 一次性难服用、输出不稳定的痛点， 让零散的个人经验变成了 ai 可长期继承的标准化能力，这也是炼化职场人的技术核心。想要完成一次完整的同时，炼化核心离不开三大元素，其一是全链路的工作数据素材，包括在职期间的项目文档、沟通记录、方案输出、工作复盘等完整工作痕迹，这是 ai 复刻能力的基础原料。 其二是场景化的经验提炼，需要把零散的文档数据拆解为岗位的核心工作流程、问题处理逻辑、业务判断标准，转化为 skill 中的核心 problem 规划。其三是持续的迭代校准，通过历史任务的复盘测试，不断优化指令编辑，让 ai 的 输出无限贴近原员工的工作风格与能力标准。而 最容易被量化为 skill 的是三类职场能力，一是标准化、流程化的岗位技能，比如常见的人事咨询、报表制作、标准化方案解析、 固定流程的客户对接。二是可沉淀的险性工作经验，比如特定领域的问题排查方法、项目执行规范、行业基础判断逻辑。三是可复刻的工作范式，包括夸部门沟通的话术风格、文档输出的固定框架、日常工作的优先级处理逻辑。对于职场人而言，避免为 ai 量化的核心，从来不是拒绝 ai 工具，而 是构建不可被复刻的核心竞争力。首先要明确个人数据的授权边界，依法依规确认工作成果与个人信息的使用权限。其次，要把重复性、流程化的工作交给 ai， 将精力聚焦于创业决策负担问题解决、深度人脉维护、行业前瞻性判断等。 ai 无法复刻的理性经验，都要主动掌握主动权， 把 skill 变为个人能力的放大器，将自己的核心方法论封装为专属 skill， 而非被动成为 ai 的 训练素材。从 ai 产业发展维度来看， skill 是 大模型，从能量化走向能做事的关键里程碑。它让 ai 的 通用推理能力转化为可落地、可执行的产业生产力，也推动人与 ai 的 携手从单次指令交互转向长期的能力共生。 技术本身没有对错，真正重要的是划定数据使用的法律与逻理边界，让 skill 成为放大个人价值的工具，而非消解个人价值的数字熔炉。这里是 ai 深浅，我们关注技术的跃迁，更思考它如何悄然改变生活的文理。我们下次再见。

呃，我看你项目里用了大模型，那 prompt 你 们怎么管的？上线之后要是出问题谁来改呢？我们搭建一套完整的 prompt 管理系统，内部叫 prompt options， 核心就是做三件事，版本化、可评测、可归度。 再说版本管理啊，就所有的 prompt 跟代码一样放在 get 里，每一条都有它的唯一 id， 版本号和修改记录，谁想改谁提 pr， 必须有人理会才能合并，这样任何时候我们都能查到谁在什么时间，为什么原因改了。那条 prompt 出了问题，我们很快就可以定位到， 然后上线前必须要过评测的。我们也找了一套评测器，大概里面有两百多条 case。 呃，等一下，等一下，你这两百多条 case 是 咋来的呢？嗯，最大来源是线上的 bad case， 大 概占了六成，然后每周从用户反馈和用户标注的里面再捞一些新的 bad case， 分 析完了之后呢，就转成了测试用力了。然后其他的三层呢，是我们按照自己的核心算法设计的，每个场景写几条典型的刁钻的，比如说问一个支付里面没有的东西，看模型是怎么回答的，是说不知道还是什么。 剩一点就是做模拟测试了，比如说去了模型能够活着，格式不崩啊，保证基本盘。那么回到流程上，改了 pr 之后呢？评测极会跑一遍，通过率低于百分之五的直接打回来，就跟代码跑测试一样，跑着通才能用。嗯嗯嗯，那你说的灰度是怎么做的？这个跟功能灰度有什么区别吗？区别其实非常大， 传统的一个灰度，比如说有按钮颜色发生变化，切百分之十流量出去几个小时，我就可以看到它的四千二变化， 因为它这个点击买点它是实时的。那 pran 的 灰度有几个不一样的地方？可是最重要的第一个就是它的方法太大，同一条 pran， 同一个问题模型，给出的答案是不同的，要么量不够大的话，分不清楚效果，它这个差异是不是真的把 pran 带来还是有造成，所以我一般会观察大概四十八个小时， 还有一个就是指标之后，然后翻了之后，今天呢，又满一度，他的变化可能需要一段时间内才能反应出来，所以我们一般也不切全量，先大概测到百分之十的新版本，定个两三天，看核心数据，没有问题了我再逐步去算量，如果有问题就直接回本，别把他的损失面控到百分之十以内。 还有一点就是 front 的 维度不能用，随意分组同一个用户，今天新版本，明天就是旧版本，和他风格不一样，这体验非常恶劣，我们是做过用户调研的，很多用户是非常反感。嗯嗯，那维护这件事呢？具体谁负责呢？产品和算法一起扛的， 产品是负责目标定义，还有管评测的 case， 管效果，数据的运用，这是我做的，然后算法那边他是管 front 的， 具体设计，注册、技术测的交友，但是这个 front 我 们是会一起沟通的，然后每周会有一个站会去做 我们今天这个项目的 review， 看一下本周改了什么，数学有什么变化，这个题跑起来了，同样的，相关的现状的事故基本上也清零了，基本上没有出现过，解开速度也比之前快了很多。因为版本管理会度兜着，所以大家也没有什么负担，直接开始干就行了。