粉丝11.9万获赞125.3万
相关视频
02:24查看AI文稿AI文稿咱们今天来记 demonstrate 这个单词，它的一词多义，它既能表示证明一个理论，又能只演示一个操作，还可以表示上街示威，意思这么多，会不会很乱呢？其实还好，我们今天来拆一下这个单词，把它的一词多义都给串起来记。 demonstrate 它有两个部分，前面的这个前缀 d， e 表示完全彻底，后面这个 m， o， n， s， t， r 这个词根呢，它表示的是展示。如果你查一下字典呢，你会发现有这个词根的单词里，我们最熟悉的其实是 monster 怪物。 那我们怎么用 monster 这个我们知道的单词来记住这个词根呢？你就可以想象一下啦，这个词根的意思呢，就是把某个东西清晰地展示出来，让大家看见。那么以前的时候呢，有一些很畸形的动植物啊， 或者一些罕见的生物啊，它们呢，都会被当作一种奇观来展示，那这些被展示的异象呢，慢慢地就变成了 monster。 我 们回到这个单词上来， demonstrate d 一 表完全词根呢，意思是展示。所以 demonstrate 它的字面意思就是完全地展示出来， 它所有的一次多义都是由这个动作而衍生出来的。首先看它的第一个动词含义，意思是证明，证实。这个逻辑呢，就是当你把证据事实或者逻辑推理完全地展示出来， 让人看清楚，没有办法反驳，那这就是证明。举个例子，数据证明了锻炼和健康之间有明确的关系。 the data demonstrates a clear link between exercise and health。 我 们再来看 demonstrate 这个单词的第二个动词含义就是演示示范，这个逻辑呢，就是把某个操作步骤、使用方法 完全地展示给别人看，教别人怎么做，就是把过程完全展示出来的感觉。比如说你能演示一下怎么设置这台打印机吗？ can you demonstrate？ how to set up this printer？ 我 们再来看它的第三个意思，游行示威。 这个意思的逻辑呢，就是一群人把他们的态度、诉求或者是力量在公共场合完全地展示出来，目的呢就是为了引起关注啊，或者施加压力。这样比如说市民聚集起来示威，反对啊，被提出来的法律 citizens gathered to demonstrate against the proposed law。 好 了，我们最后再来串一下 demonstrate 这个词呢，它的核心就是完全展示。当你完全展示的是证据和逻辑， 那它的意思是证明。那当你完全展示的是方法和过程， demonstrate 的 意思就是演示。那当你完全展示的是群体的诉求和力量，那它的意思就是示威。 ok。
1059健哥的晚安安
00:29
01:07查看AI文稿AI文稿hamis agent 最新版是 v 零点一五零两千零二十六年五月二十八日发布，代号 velocity release。 这版重点是速度架构重构和多 agent 编排。第一，核心架构变轻， 原来的核心逻辑被拆进十四个 a 帧模块，并且保持行为兼容，对使用者的意义是插件开发问题，定位后续迭代都会更快。第二， command 变成多 agent 的 平台，它能自动拆任务，创建 swarm， 让并行 walker 验证器合成器和 shell blackboard 一 起工作，每个任务还能单独配置模型， walk tree 和启动时间。 第三，速度继续提升，单轮函数调用减少百分之四十七。 hermes version 从七百零一毫秒降到零点八秒。第四， session search 重做，不再靠辅助。 l l m 历史绘画搜索从几十秒级降到毫秒级，安全和生态也在补。 prompt ware 防护， bit warden 密钥管理， n t f y 消息平台， skill bundles open hands 技能，还有 n s。 认可的 m c p catalog。 我 的判断， v 零点一五零是 hermes agent 从能跑很久升级到能更快组织多 agent 的 工作的一版。
40大桃学AI
00:54查看AI文稿AI文稿一个人两个月做出一个能上线的产品，不是靠手速，是靠流程。这是 g stack y c ceo 开源的 ai 工作流，别人教你怎么写代码，他教你怎么想清楚再写。 二十八个 ai 角色，每个只干一件事，做到极致。第一步， office hours， 六个灵魂拷问，挑战你的产品假设。 第二步， ceo 审视加工程，审查写代码前锁死方向。第三步，写完不是结束，偏执的工程师找 bug 安全官做审计。最后一步， shape 自动拆分提交，创建 pr。 一个人走完一个团队的全流程。模型是大宗商品， harness 才是护城河，你不需要等更聪明的模型，你需要的是把流程做完整。我在社群里带粉丝，持续用 g stack 做项目，从想法到上线，手把手评论区回复社群，一起做事。
59赛博杨千幻
02:46
00:22查看AI文稿AI文稿o plus 更新四点八了，然后 c l i 前面按 f， 它会有一个全新的 o 叉 code 的 模式啊， 相当于就是一个更高效强度更高的一个思维模式啊，特效还挺炫的啊，赶紧去用吧朋友们。
22刘野
00:42查看AI文稿AI文稿在 codex 上，插件功能是登录账号才能用的，我们 a p i 用户怎么才能用当下热门的插件呢？目前我整理了视频剪辑插件 hyperframes 和提示词发给 codex， 让它安装即可，我们 a p i 用户再也不会低人一等了， 需要的小伙伴来粉丝群拿就行了。接下来欣赏一句话，让 codex 生成的视频。
3419游龙Api
02:24查看AI文稿AI文稿大家好，今天我们来讲一下 inter 这个前缀。 inter 表示在什么之间，相互的意思。好，我们现在来通过一个小故事来把 inter 相关的词串联起来。你和你的队友参加了一场国际密室逃脱大赛，国家的是 national， 那 么加上 inter 就是 国家之间的，叫做国际的形容词。 大家往下看，各国高手同台竞技，队伍里面有日本人，德国人，巴西人，人与人之间的沟通全靠笔画和单词碎片。好，我们都知道 personal 是 个人的，那么 interpersonal 就是 个人之间的，人与人之间的，所以我们翻译为人与人之间的， 第一个是第二个。好，我们再往下看，你发现墙上有个暗格，想借助一条铁丝撬开它。 post 是 放，那么 interpose 就是 放在二者之间的，表示介入或者是。至于如果你的动作很断了，队友正在按的密码，机关锁直接卡死了。 sect 是 切割，那么 intersect 就 代表在中间切断，叫做很断 或者是交叉的意思。工作人员只好从对讲机里干涉，别同时解开两个机关就不是正向的相互影响。 vein 是 表示走来，那么 intervene 就 表示走到二者之间，所以这个就叫做干涉。 action 叫做行动，那么 interaction 就是 相互行动的，所以这个叫做相互影响 或者互动。好在有两把钥匙长得一模一样，是可互换的。 change 是 改变，后面加 a b l e， changeable 叫做可改变的。再在前面加一个 inter 叫做彼此之间可换的，所以这个就叫做可互换的。 迷倒一半，突然有一段休息时间， lewd 是 玩演奏，那么 interlude 表示在什么中间玩演奏意思就是说活动之间的休息间歇和插曲。 最后复盘时发现墙壁上的壁画线索和地上的脚印痕迹其实是相互关联的，合在一起可以听出这张密码 relate 是 关联的意思，那么 interrelated 的 意思就是相互关联，所以这个我们叫做互相关联。
40河狸不忙
12:44查看AI文稿AI文稿几个月前，我写了四句话，后来发现它们可能是我写过最有影响力的四句话。我把它们做成了 grill me skill。 它会让 l l m 持续追问你，直到大家达成 shared understanding。 它会沿着 design tree 的 每个 branch 往下问，把决策之间的依赖一个个解开。每天都有人告诉我是了， grill me 很 喜欢 大家说 grill me 很 棒，会追问模糊点，一开始问题很多，像是在变慢，但收集完 context 后反而能一次把事情做完。所以你可能会想，那我应该继续用 grill me， 对 吧？它确实不错，但我又做了一个更好的。 我不太喜欢吃老本，总觉得流程里每个环节都还能改进。现在 grill me 被新的 skill 取代了。 我们开一个 session， 我 解释一下 realme 哪里不够好。我会粘贴一个已有的 prompt， 它描述了一个新功能想法。简单说，我想在 database 里增加一个新 entity， 也就是 app 要处理的新概念。 现在这个 app 有 course， lesson， video， section 等概念，我想再加入 pitch。 这里的 peach 指视频包装，标题描述，以及怎么把视频呈现给观众。类似 member beast 那 套。先想包装再做内容。我会先创建一堆 peach， 选出最好的，再把它做成视频。注意，这里真正关键的是语言。 agent 需要理解 peach 是 什么，也需要从我这里抽取这些信息。但它还不知道一些本地术语， 比如 standalone video 是 什么，其实就是不属于 course 或 lesson 的 独立视频。 我知道这个意思，因为这是我系统里的术语，但 agent 不知道，所以他只能追问，或者自己去代码里猜。我越用 grill me， 越发现 agent 会很啰嗦。我常常得提醒他，不，这里已经有术语了。 他会问我什么是 stand alone video， 或者尝试从代码里推断。用得越多，我越发现 agent 很 容易变得啰嗦。 我经常地说，不，这里已经有术语了，有时候还没有术语，或者我自己也想得很绕。 agent 没有挑战我。有时候我们会得到很好的 shared language， 但他没有被记录下来。这就是我开始不满意 realme 的 原因。 我们能围绕代码沟通得很好，但每次真正工作前，我都要重新解释 codebase， domain 和问题背景里那些不明显的东西。于是我开始想，能不能用一层很薄的文档给 ai 更多帮助。 于是我想到一个很薄的文档层。 ubicourse language 这个概念来自 domain driven design。 它的意思是让 codebase 开发者、领域专家使用同一套语言。 领域专家知道你在构建什么，开发者知道怎么构建。两边说的是同一批词，代码里也应该反映这些词。所以在 grillme 绘画中，如果我发现某个词需要 sharpen， 我 就调用 ubricest language skill， 它会一路创建或更新 ubicratas language。 md。 后来我发现把 grill me 和 ubicratas language 合并会更好， 这就是新的 skill。 它和 grill me 开头一样，但多了几个部分。第一，它会查找 context md， context md 会记录这个 bounded context 里的共享语言。 context 这个词有点 overloaded， 但这里还能接受。 在滴滴地里， context 是 app 中使用同一套语言的边界。如果是很大的 mono repo， 你 可以做一张 context map， 里面有多个 context， 这就是扩展到大 repo 的 方式。如果整个 app 和领域专家都用同一套语言，一个 context md 就 够了。 单一 context md 在 这里。因此他被指示寻找现有的文档来引入这种共享语言。然后在会议期间，他会在这里添加一些额外的内容， 根据现有词汇表，挑战语言用法，锐化模糊语言，讨论具体场景与代码，交叉引用并随时更新。所以这有帮助。 使用 grill with dogs 时，你的语言会被真正 sharpened， 而且会持续回报你。我也收到了一些很好的反馈， 有人用了整整一天。开始时，他会要求定义很多术语，有些术语很难定下来，也很容易忘。但四五轮之后，他发现 cloud 已经理解了 context， 甚至能提前说出他脑子里的想法。 就一种共享语言达成一致后，你确实可以在你和 ai 之间确定并获得神奇的一致性。你只需要使用更少的单词来传达你的意思。例如，这是我的 rap 中的一个。 这里我们只是对 repo 是 什么有一些描述。然后我们有一门课程和一门课程 repo。 我 们这里有所有 entity， 还有课程版本，因为我有 多个版本。如果我们寻找之前看过的独立视频，它就在这里。因此，我们现在对独立视频的含义有了准确的规范。现在 grill with dogs 会寻找这些线索。我还加了一个 context 指征，不是在全区 cloud md， 而是在本地 cloud md。 于是 repo 跟目录里只有一个 context md。 作为单一的 domain context 文档， grill with dogs 还会处理另一层。有些模糊语言可以 sharpen， 但有些决策不能只放进 context md。 所以 我准备了 a d r， 也就是 architecture decision record， 用来记录那些不明显而且不容易反转的决定。 a d r 就是 ripper 里的简单 markdown 文件，记录那些不明显的决定。难以反转的决定才值得写 a d r。 如果两个库随时能互换，那之后再换就行。 真正需要记录的是那些没有 context 就 会显得奇怪而且包含复杂权衡的决定。这一决定会产生深远的影响。我这里有一个 a d r 格式， l m。 在 创建这些 a d r 时使用该格式。现在我们了解了所有的部分。我们回到 这里，我们把 grill me 换成 grill with dogs， 然后开始实际演示。他第一件事就说 context md 信息很丰富， standalone video 已经有定义。他说继续之前，我想先指出术语表里的一个点， 这就是 grill with dogs 常做的事。先盯住语言，再进入实现细节。他提到 pitch 和 standalone video 的 关系 视频。他询问一个 pitch 是 否包含许多独立视频，或者一个 pitch 恰好对应一个独立视频。我觉得遵循这里的建议并选择。好吧，我们有一对多可能是有意义的。 这里的关系，所以我只想说正确的很不错。接下来，他注意到与独立视频存在疏远冲突。所以也就是你有一个独立的 视频，要么完全独立，要么与 pitch 相关。所以我觉得这是在问我们是否将独立视频保留为任何 pitch 或非 pitch 课程， 或者我们将其重新定义为特意为 pitch 的 视频。现在我们回答这个问题的方式将影响以后的一切。这将影响独立视频是否在 ui 中拥有自己的部分。也就是说，我们是在定义用户会在页面上看到的语言独立视频还是带 pitch 的 视频。 我同意他的判断，也许以后会给 pitch 视频单独做区域，但现在把 pitch 作为 standalone video 的 原数据更合理。顺便说一下，我这里用 whisper flow 做听写，效果还不错。接着他问，我们需要定义状态语义， 所以每个 pitch 都可以闲置或 scheduled 或 shift 到这里。我想我只想允许。我想我只想允许自由形式的过渡。所以我我现在不关心自动化。以后可以在家，比如点击发送到 youtube 后让它进入新的状态。 现在手动切换就够了。他接着问一个没有视频的 pitch 能存在吗？当然可以，因为我们 这就是 emperbeast 那 套。先把包装准备好。接着他还会问到 delete， cascade 这类具体实现问题， 我会补充删除限制，因为我通常更喜欢 archive， 而不是直接 delete。 这已经进入实现细节了。我不继续完整演示追问过程，只让它保存当前结果。 我会说把确定的内容保存到 context md， 没弄清楚的先问我，然后我们看结果，它已经更新了 context md。 尤其是加入了很多 patch 相关信息。 现在有了 pitch 这个 entity， 也有了 pitch status。 至于 pitch 和 standalone video 的 关系还需要再想。这里的 standalone standalone video 听起来有点别扭，所以我对这套语言还要。 这可能像是在 backshading， 但它会影响生成代码的每个部分。变量名、文件名都会基于 context md， 所以 把语言定准很重要。当然也不能无限 backshading。 这里我会说，够好了，先 ship， 以后再重构语言。 最后说说好处。第一， ai 回复会更简洁，用更少的 tokens 和你沟通。 因为有 shared language， 它不需要反复解释，只要说 standalone video 变了， pitch 也要跟着变。这种简洁也会进入它自己的思考过程。 ai 用语言思考，所以语言清楚，它就更容易对齐人类。 它能用更少 tokens 理解你的意图。最后，规划文档和代码，语言也会保持一致，代码也会更好。导航， ai 想找 pitch 相关内容时，直接搜索这个词就行。 这也说得通，因为这些好处本来就是 domain driven design 里讲的对人类有效的技术，对 ai 也有效。 那 grill me 死了吗？他的创造者被赐他了吗？并没有。 grill me 仍然是很优秀的 skill。 只是当你有 cold base 时， grill with dogs 更好。我已经把 grill me 放到 productivity 区域， 它适合一般场景，也适合没有 co based 的 场景。有人甚至用 grill me 让 ai 追问他关于母亲的回忆，用来写道词，这带出了很多精彩故事。所以 grill me 在 工程之外也非常有用。 但如果项目还在早期，我仍然可能建议用 grill with dogs， 因为那时最需要建立 shared language。 规则很简单， 有 codebase 时用 grill with docs， 没有 codebase 时用 grill me。 我 会很频繁地更新这些 skills， 也经常思考新的用法。 我会在 ai skills for real engineers newsletter 里同步这些更新，它只是给原来的 newsletter 多加一层 skill change log， 大 概每周一次。我很讨厌垃圾邮件，所以不会乱发。这个页面只是帮你跟上 skill 的 变化， 你也可以从这里学到一些更好使用 skills 的 方法。感谢观看，我们下次见。 如果你设这个 skill， 欢迎在评论里告诉我效果，也可以直接提 skills repo 的 改进建议。
56AI视界
17:15查看AI文稿AI文稿今天我要用二十分钟时间从零到一，给你讲透 skill， 让你从小白直接进化到 skill 专家。今天会包括什么内容呢？首先就是 skill， 它和提示词、系统提示词以及 mcp 的 区别。 然后我就说一下 skill 的 标准结构，它的底层原理，从哪里可以下载到好用的 skill， 然后判断 skill 好 还是坏的评价标准，以及 skill 的 编写方法，常见的 skill 的 设计模式。最后我会放上我自己经常用的，并且用过以后感觉非常非常大家都一起使用的 skill 进行一个推荐。 那在深入这些概念之前啊，我想先带你看一看一套真正落地的工作流，是我自己平常也在用的，我给它取名叫 map content factory， 它是一个可以从端到端的内容创作的 skill 工作流， 接管了我很多的创作工作，那它会有专门的 skill 像流水线一样接力完成。主要分四个阶段。第一个阶段是 researcher agent， 它主要负责网络搜索调研。 最后调研的成果呢，会按照固定的格式写进一个文件里面，作为给下一个 skill 的 交接。第二阶段会用 slidecraft 捕取调研的文件，把纯文字转换成美观的 html 形式的换登篇，它只负责一个格式的转换。 那第三个阶段，我会用 hyperframe 把 html 渲染成带动态效果转场和配音的视频文件啊。第四个阶段，我会用 content distribute， 相当于一个内容的分发， 把各个平台的规格自动裁切尺寸，然后生成封面，写不同的文案，然后准备推送。 有这样一个 skill 的 生产流水线的好处就在于它接管了你大部分的内容生产的工作，同时你可以在任意一个节点，比如说如果你对文章不满意，你可以随时回退，对 html 不 满意，你还可以把文章再次放到 photoshop 这个 skill 里面去调整。 那这是一个我用的 skill 的 工作流的一个演示，最左边会有一个写文章的 skill， 他 已经把文章写好了，保存下来了，然后中间是我的幻能片的 skill， 他 把文章读起过来以后，然后我们这里已经生成好了一个幻能片，我们打开看一下，大概是这个样子， 它会有不同的风格，然后按照不同的风格把文章渲染成网页端的缓存篇，然后我会把它交给第三个 skill 这个 skill， 它主要是把这样的网页缓存篇，也就是 html 文件生成成呃，带有动态效果的视频。 这三个 skill 都是紧密相扣，互相联系的，最后生成的效果。我们也可以打开这个文件，然后去预览一下， 这个就是一个完整的 skill 工作流，从文调研到文章，到静态画图片，再到最后的教学类的视频，就是很简单，大概二十分钟就可以深度完成 那么一套整个这样的 skill 流水线。它最核心的就是 skill 之间，它不通过对话记忆传递上下文，而是通过文件系统一直在交接成果。 每一个中间的文件都是明确定义的一个接口，那你上面按格式去写，下面他会按格式去读，哪怕你的 ai 服务突然断了，或者你的对话窗口关了，三天后再打开，只要文件夹里面躺着最新的那一个中间的文件，整个流水线就能没有断点的无缝连接上， 对于很多需要几十轮交互的复杂任务来说，这种设计几乎是必须的。中间的文件它就是一个很好很好的进度条。 那接下来我们来聊一聊 skill 它到底是什么？那在二零二五年底啊， ansapic 正式发布了 agent skill 的 开放标准， 到二零二六年五月，已经有超过二十款主流的 ai 产品接入了 skill， 包括说 cloud code， cursor codex， kimi tree 等等。那其实你花一个小时写好的 skill 呢？可以在所有这些平台上直接去附，用不用被某一款工具锁定住。 从文件形态上看呢，其实简单的，最简单的 skill， 它就是一份 markdown 文档，也就是一个文文本档，里面可以是中文，可以是英文，只要是人的语言都可以。那它开头呢，会用一个 yaml 格式的东西存放源信息， 源信息里面会包括一些名称啊，描述啊，版本啊，出发条件啊等等。当然了，一个生产级的 skill， 它包括的东西永远不止一个 skill 点 md， 一 般来说，它会有一个 skill 点 md 作为核心的指令，然后同时也会配着 reference 和 script， 分 别是参考和脚本。那我们现在打开源信息夹来具体看一下， 那这里我们拿 remote 做 hyperframe 这个 skill 来具体看一下，它是一个把 remote 类型的视频转换成 hyperframe 类型的视频的一个 skill。 那 这里我们可以看到它具备 reference， script， script， md， 同时还多一个 asset a reference 文件夹呢，它主要是放一些参考文件，比如说一些输出的案例啊，一些风格对照啊等等，主要是当做一个辅助资料。那 script 在 这里面，它主要是跑放啊， ai 可以 直接去跑的脚本，这个时候 ai 就 不需要有太多思考了，只要想好用哪个脚本， 它直接去执行就可以，这样可以保证百分之百的执行正确率。然后就是 script， 它其实是一个 ai 的 大脑，它决定了什么场景下应该去唤醒 ai， 以及拿到任务后怎么一步一步执行。这一层必须要精练，因为 ai 它的理解成本能力是有限的，核心指令如果太臃肿了，执行进度就会下降，这一步是整个所有的灵魂。 下面我们来比较一下 skill、 系统提示词以及 mcp 它们三个的关系。首先呢，这三者都涉及到给 ai 先打指令，但是它们定位是完全不一样的。系统提示词呢，它是全局的常规设定，也就是说从绘画开始到结束，它一直都在底层的上下文里面。 它的优点是覆盖面广，缺点是只能是一段扁平的文本，也就是说它装不下案例库，装不下脚本，更没有办法按需加载。项目规模上去以后，它会越来越臃肿。 但 skill 呢，它是一个模块化的三层的工具包，也就是说只在触发条件满足的时候，它才会去加载，执行完呢，也不会长期的占用记忆窗口。你可以在一个项目里面装上十几二十个 skill， 但是 ai 一 次只会加载需要那一两个。而 mcp 呢，它解决的是我能连接什么外部资源的问题。 如果把 mcp 比作是硬件驱动的话，那 skill 它就是跑在驱动之上的应用软件，也就是说两者互补。 没有 m c p 呢？ skill 光有想法，碰不到边界，没有 skill， m c p 它有性能，但是不知道怎么发挥，一个管能不能，一个管怎么做？ system prompt， 它适合放在贯穿所有任务的底层偏好。 而 skill 呢，它适合放特定任务的专业流程， m c p 则适合放一些连接外部世界的具体工具，三者各司其职，合理分工。接下来我们来讲一下 skill 的 底层原理，以及它为什么如此适配大圆模型。 首先就是 skill， 它给大圆模型提供了明确带有约束的指令，而不是模糊的意图。其次， skill 它有一个渐近式批漏的特点， ai 会先扫描是否需要加载，然后会加载中文，中文出发以后加载完整逻辑，然后它会看是不是需要引用 reference。 第三呢， skill 它是可以条件触发的，可以通过直接调用，也可以关键词来匹配。也正是因为这样的特点， skill 它是极其的省 token 的， 一百个 skill， 它大概只占五千个 token。 而一般来说呢，对一个一百万的上下门窗口，一个 skill 大 概也就只占百分之零点二到零点四的一个比例。但这并不是说 skill 就 可以想写多长写多长。一般来说， skill 的 正文控制在五百到两千字是一个最好的甜蜜点，太短的话约束不足，太长的话就会稀释注意力。 那从哪里可以获取高质量的 skill 呢？我推荐三条路径。首先就是去 skill 的 s h 下面下载，它是由 word， excel 出品的， 优点就是标准化程度高，而且支持 npx 一 键安装，非常适合用正规军。第二条就是小红书，因为它上面有大量的中文创作者，沉淀了很多本土场景的 skill， 缺点就是质量会参差不齐，需要你自己甄别。 第三条就是你自己写 skill， 自己用，它其实是最贴合个人实际工作流的，你不需要会编程，只要你能把日复一日的任务用文字表示清楚，你就可以用一个基础的 skill。 那如何去评价一个 skill 的 好坏呢？这里有五条标准，首先就是一个 skill 应该只专注于一项工作。第二 skill 应该有足够的交互性和定制性，关键决策一定是要用户来做主的。然后就是我们刚才提到的 skill 应该控制在五百到两千字之间。 第四就是 skill 他 要有明确的边界条件和注意事项，他应该主动写清楚，这个 skill 应该要比全能 skill 更可靠一些。第五就是可以组合性， 它会把输入接口、输出的格式都定义清楚，你的 skill 应该能像乐高积木一样跟其他 skill 拼接，组成一个 skill 的 工作流，而不只是单打独斗。第八部分我们来讲一下 skill 到底怎么安装。首先 skill 呢？它的安装有三个层级，企业级、用户级以及项目级。 如果你安装在了项目级，这个 skill 它只有在项目里可以用。如果安装在了用户级，它会在每一个项目里面生效。 那一般来说呢，会有三种安装方式，首先就是手动复制到对应的 skill 目录，或者你也可以用 npx 一 键去安装。 还有一种方法就是你把链接直接丢给 ai， 让他去帮你配置，等项目会有一个具体的演示。那如何触发 skill 呢？第一种方法就是打一个斜杠，完整的输入 skill 的 名字，这样就可以强制触发。 第二种方法就是你直接用人话告诉 ai， 我 要用这个这个 skill 去完成什么样的任务。第三种如果你忘了调用 skill， 有 的时候 ai 会判断你这个任务适合用什么样的 skill， 会帮你触发。下面我们来看 skill 的 具体安装方法。这里面是一个 skill， 我 们直接点击 code， 点击 download zip， 这里面展示的是第一种安装方法，也就是我们直接把文件夹创建好，那我们下载完以后呢，我们直接去嗯， 解压缩，然后点开 skill demo， 这是一个你的工作文啊，文件夹在这里面。解压缩以后，我们打开这个文件夹，看到这个 skill 在 这里面了，当然这还不够， 因为呢 skill 它需要在正确的目录结构。什么是正确的目录结构呢？首先我们需要创建一个文件夹，叫做点 cloud， 如果你用 cloud 的 话是点 cloud， 如果你用其他的话就叫点 agent， 那 我们这里面写一个点 cloud， 然后把它移到里面。 玩上这一步还不够，点开脚壳以后，我们还需要再创建一个 skills 的 文件夹， s k i l s， 然后我们把我们的 skill 移到里面， 这样我们的 skill 就 下载完了。现在我们演示第二种下载 skill 的 方式，这是 skill 点 s h 刚刚介绍的下载 skill 的 网站，比如说我们想要这个 skill， 我 们直接复制这个指令， 这个是 npx 的 下载方式，我们点开我们的 vs code 或者其他的，嗯， ai agent 都可以。那我们点开这个终端，然后我们在这里面直接把刚才的指令复制给他， 打一个回车，他就会一步一步引导我们下载，可能会是英文的哈，这里面他已经自动帮我们选好很多了，我们还需要额外的话，可以再勾选额外的你的对应的编程工具， 那我们点 color code， 然后 project 就是 一个是项目层级，一个是个人层级，项目层级是在项目生效，个人层级在所有项目生效。然后我们继续点 yes， yes， 然后他就帮我们安装成功了，这样下载非常非常快。 然后我们就可以看到我们的 skill 已经在对应的文件夹里面了。 skill 下面有 brainstorming 和 slidecraft skill， 那 我们现在看一下第三种安装方式，我们找到这个 skill 的 仓库，然后让 ai 去帮助我们装这个 skill， 这是一个 ppt 的 skill， 我们点击复制，然后同样打开我们的 vs code， 我 们点击右上角的这个克拉的插件，我们直接跟 ai 说话，让他去帮我们安装。 那我们在这个下方把这个链接粘贴过来以后，我们直接跟他说，请你帮我下载一下这个 q， 然后你也可以说清楚，下载在本项目层级的文件夹里面就可以了，不用下载在用户层级。 那我们发给他以后，我们需要一段时间去等待他去下载，这样的方式会稍微慢一些，然后这个时间我们可以正好测试一下刚才的 skill 没有安装成功。我们可以试一下我们的第一种 skill 的 触发的方法，也就是打一个斜杠，我们点击这里面， 然后打一个斜杠。嗯，可以看到 brainstorming 已经在了，再打一个斜杠，输个 s， 可以 看到 photoshop 也在，这两个 skill 就 可以顺利调用了。如果你的 skill 没有顺利调用成功的话，可能是没有发正确文件夹，或者是你需要新开一个窗口，它才能重新加载。 那我们要如何从零到一，自己写一个 skill 呢？这里有一个从零编辑 skill 的 五步法，那好用的 skill 呢？它一定是诞生于一线业务的。那下面这是我的一个编辑路径。第一步，你一定要定位重复率最高的工作， 而不要凭空造一个 skill。 你 可以想想过去一周自己的工作记录，哪件事每天要做，步骤基本不变，而每次都要花费大量的口舌和介绍背景，这就是非常适合 skill 化的任务， 从一个小痛点开始。第二步，你要把隐性的知识显性化，把脑里面的直觉和经验一字一句的写成 ai 可以 理解的步骤，而不是让 ai 自己去猜你在想什么。 第三步，我建议你开 play 模式，携作用优质的案例去做反向裁剪，让 ai 自己读几份你的高质量作品去总结规律。第四步，我建议你跑通实测，写完以后你不要立刻就调整措辞，补充约束，增加负面案例，一般需要三到五轮实测才能稳定。 第五步，就是去测试触发词，确保你的触发词能被准确的识别到。如果你不喜欢这样的方法的话，你也可以每次记住名字，打一个斜杠，但确保不要跟其他 skill 有 冲突。 在你做你自己的 skill 的 时候呢，会给你下面这四个大的原则一定要遵守。首先就是视力的说服力远远大于文字描述， 你可以给多个 ai 一 些参考，让他去反向拆解理解你的意思。然后一个 skill 只专注于干一件事，但你可以把多个 skill 排成一条管道， 这样他们就能实现非常复杂的工作流。然后就是你要让用户成为核心的决策者，而不是 skill 替你决策。最后你要固化真实的工作流，而不是虚功所敌。 最后我想分享六个常见的 skill 的 设计模式。首先就是检查清单型，他会把大任务拆成不可细分的检查点，一个一个核对完成，一个打一个勾。第二就是交互确认型，也让他独立完成分析以后，他会在每个关键的角色点停下来，给出多个备选的方案。比如说像这个 slidecraft skill， 在我完成文章以后调用它，在调用它整个过程中呢，它会在多个关键的节点去询问我的意见，让我深入的参与其中，这样保证它的意思。它的想法跟我的想法是完全对齐的， 而且不仅可以做到和我完全对齐，也可以做到把它放到网上以后，它可以和无数的不同的人完全对齐想法，做出适合每一个人的产品，而不只是只适用于我的 skill。 呃，下一种是文件流水线型，上一个阶段的输出会作为下一个阶段的输入。阶段与阶段之间呢，主要靠一些文件来连接，好处就是它可以防止绘画中断，而且每个阶段其实都是独立的。第四种就是反向拆解型，把高质量产品归给 ai， 那 反向推导出步骤其实永远像那个蒸馏的 skill。 第五个就是模板定制型，他会先定义好输出的框架和章节的结构，再让 ai 去具体填一些内容。第六种就是工作流的固化型， 先手动完整的做一遍任务，等完整做一遍任务，这个流程已经跑通。确定好之后，让 ai 观察你的操作步骤和决策逻辑，再让 ai 它去提炼，抽象成一个 skill。 下面我想说一下 skill 跟 mcp 的 一个配合的关系。如果你把 ai 一 键的整体能力分层的话，最底层的就是模型，层是大脑， 中间就是 mcp， 他 是手脚跟感官，最上面的才是 skill， 他 是经验和肌肉记忆。那你模型再聪明呢？如果没有 mcp， 他 就碰不到外部世界，而没有 skill 呢？他就不知道该怎么去利用，怎么去改造外部世界 未来趋势呢？很可能是 mcp server 跟 skill 成对，出现一个提供标准化的接口，一个提供最佳时间和流程模板。 最后我想分享一下我个人长期在用而且推荐的 skill 的 清单内容。创作方面，你可以用 slidecraft 来生成你的演示文稿，你也可以用 remotion 让你的代码变成视频，或者你也可以用 hyperframe， 这是一个比较新的一个 skill， 它会把 html 变成视频。 开发方面呢，会给你推荐 code review 来检查代码。 skill creator， 它用来创建其他 skill， 房产抵押用来设置美丽的前端界面。 superpower， 它是一个整套的开发效率套件，完全可以试一下。 而当你想用一个 skill 但是不知道在哪的时候，你可以用 find skill 来帮你找到 skill。 其他的包括 grimy， 它可以模拟严苛的问答来检验你的思路。 keepman， 它可以让你的输出 token 直接降百分之五十以上，但是信息无损。 最后我想说，做一个 skill 其实并没有你想象那么难，它其实最适合从最小，最重复，最让你烦那个任务开始，像打磨工具一样，跑一遍，改一版，再跑一遍，再改一版， 一点点积累出来。越早开始积累，最后的复利效果越明显。很多工具也会过时，但沉淀下来的流程不会过时。
00:22查看AI文稿AI文稿兄弟们，这是一个非常实用的 offsite 插件， cloud 的 offsite， 它实现了 cloud ai 和 offsite 的 一个深度集成，让 cloud 可以 直接访问你的笔记库，进行智能的对话，包括一些总结或者是知识的关联和笔记生成都是可以的， 非常大程度的提升了 offsite 作为第二大脑的使用体验，适合重度笔记的使用的用户，有需要的可以关注试用一下。
97Ence齐
