我做了一个让AI ＂懂你＂并“主动挖掘”你的想法的持续创作skill——不需要懂提示词就能玩

我最近做了一个skill：一个 AI 创作系统。

它能做什么？你只需要有一个模糊的想法——”我想做个小游戏””我想做一个互动页面””我想做一个有趣的东西”——然后输入 /creative启动这个skill，系统就会主动来问你问题，一步步帮你把模糊的想法变成一个能跑的东西。

你不需要会写提示词，不需要懂技术，不需要提前设计好方案。你甚至不需要很清楚自己要什么——系统会帮你搞清楚。

我用它做了几个小项目：一个文字冒险生存游戏、一个太空射击游戏、一个休闲科普攀登游戏。每个都是从”我大概想做这么个东西”开始，几轮对话后就出来了一个能玩的 demo（但因为目前对于游戏画面方面的能力还没有配置好，除了文字类页面是直接设计的，其他需要美术的页面，效果就很差了，这个点目前在改进中）。

几天用下来，最大的感受是：变轻松了。 在相同质量的结果的情况下，从”想”到”做”到”改”的整个过程，比以前感觉更简单了。

这篇文章把做这个skill背后的设计思想分享给大家。不是因为这个系统多厉害，而是因为这种协作方式，解决了一个在持续的生产服务构建中真实存在的问题——而且这个问题，目前很少有人认真讨论。

问题是什么

现在的 AI 工具，不管多强大，都有一个共同的交互模式：

你必须知道自己要什么。

你得写出精确的提示词，你得有清晰的设计方案，你得能判断 AI 给你的东西哪里不对。AI 只管执行，思考的活儿全在你身上。

这对个人创作用用还行，最多折腾几次。但在生产服务中——你要持续构建和维护一个产品、一个平台、一个服务——这个模式就有问题了。

问题在哪？

第一，服务是需要持续迭代的。 你不是做一次就完了。今天加个功能，明天改个交互，后天修个 bug（越复杂的系统关联性和继承性就越大）。每次改动都需要你重新把上下文、设计意图、历史决策都想一遍，再传达给 AI。时间长了，最耗精力的不是写代码，是维护大脑里的那团知识。

第二，服务是有个性和灵魂的。 一个好的产品不是一个功能清单，它有自己的设计哲学、自己的调性、自己的”味道”。这些无形的东西，怎么让 AI 理解并贯彻？每次都重新描述一遍是不现实的。

第三，人的精力应该放在最该放的地方。 创作者的精力应该花在判断、审美、方向感这些只有人能做的事情上，而不是花在”把想法翻译成 AI 能理解的指令”这种机械劳动上（去研究提示词这个工作本身就是多余的，随着模型越来越聪明，TA应该是越来越能理解人的想法，产出高质量东西的门槛越来越低，一个有想法的”傻瓜“都能产出和专业人士一样的东西，才是AI迭代的方向）。

这三个问题，本质上都是同一个问题：人和 AI 之间的协作模式不对。

（而且我认为关于skill,就应该是个性化的，跟随你要做的事情和你的特性而动态生成的，而不是外部提供的固定模板，这是用AI持续构建个人服务和业务流非常重要的一点，一些具体节点能力可以从外面直接拿，但整个作业模式本身一定是具备个性化的，这样才能契合人的个性特质，也是我一直尝试自己建可以跟随用户的想法和特性而进行自主调整与优化的skill的原因）

核心思想：让 AI 成为”懂你的伙伴”，而不是”等指令的工具”

我想要的协作模式是这样的：

• 我说”感觉不对”→ AI 自己分析为什么不对，给我诊断和方案，而不是问”哪里不对？”
• 我说”能不能更好”→ AI 理解”更好”在当前上下文意味着什么，主动说清楚建议和理由
• 我说”差不多了”→ AI 判断我是真的满意还是在放弃
• 我说”你决定”→ AI 给出推荐加理由，让我确认

用户是关键影响者，AI 是驱动者。 我影响方向，AI 驱动过程。我的大脑只需要做判断，不需要做翻译。

这个思想不难理解。但把它变成一个真正能跑的系统和方法，需要解决几个具体问题：怎么满足不同阶段的不同要求、怎么积累需要延续的知识和原则、怎么持续进化以契合内容本身的升级和变化。

设计一：阶段体系——让创作从模糊到清晰

创作不是一个线性过程。不可能从”我想做点什么”直接跳到”做一个完整的东西”。

我设计了一套阶段体系，把创作过程拆成五个阶段：

关键洞察：创作过程中最大的浪费，不是做得不好，而是方向错了还在做。

对于持续迭代的生产服务来说，这个体系的价值更大。每次加新功能、改交互、修 bug，系统都知道当前在哪个阶段、该用什么策略。你不需要每次都从头说明背景，系统已经知道了。

设计二：四层知识体系——让 AI “记住”你，并且越来越专业

这是整个系统最重要的部分。

所有这些它都不是静态的，而是会自动进化。当 AI 发现你对同一个方面反复不满意（比如连续两次说”视觉不够好”），它会暂停、诊断根本原因，然后把经验记录下来，自主分析需要提升和优化的部分，然后进行自主迭代优化，包括从外部调研评估和应用。

在实际使用中，AI 发现自己在”视觉构图”上反复达不到我的期望。它分析了根本原因——把”放置元素”等同于”视觉设计”，只考虑了”放什么”和”放哪里”，没有考虑构图原则。然后它把这个经验写进了记忆库，之后每次生成视觉内容前都会先制定方案、逐条自检。

这意味着什么？用得越多，AI 越懂你。 不是因为模型变强了，而是因为经验在积累。

对于生产服务的持续维护来说，这一点太重要了。你做的每一个决策、踩过的每一个坑、验证过的每一种模式，都在自动沉淀。下次你（或者接手的人）再来的时候，系统已经知道了。

设计三：反模式自检——把经验教训变成前置检查

AI 生成的作品经常有什么问题？我总结了一批反模式：

游戏里的循环不完整、资源断裂、挫败无出口；叙事里的假选择、无节点感；视觉上的机械堆砌、无层次、空白背景……

这些反模式被写成了一份清单。AI 每次生成作品之前，必须逐条自检。命中任何一条，修正后才能输出。

这个设计的核心思想是：把”经验教训”变成”前置检查”，而不是”事后后悔”。

为什么这种模式更适合生产服务

说了这么多设计细节，回到核心问题：为什么这种模式在实际的生产服务构建和维护中更好？

1. 生产服务需要”活的记忆”，不是”静态的提示词”模板

一个持续迭代的产品，它的知识是在不断积累的。上次选了什么技术栈、为什么这么设计、用户反馈了什么、哪些方案被验证过有效——这些都是活的知识。

一般的 AI 工具的记忆只是个通用性的记忆。这种具体业务中的，领域内的东西，你每次都得从头说。而这套系统的四层知识体系，让知识自动沉淀、自动积累、自动进化。系统越用越聪明，不是因为你更新了提示词，而是因为经验在自动写入。

2. 生产服务需要”人的审美 + AI 的执行力”，不是”人指挥 AI”

一个好的产品有自己的灵魂。这个灵魂来自人的审美、判断和方向感，不是来自提示词的精确度。

这套系统做的事情是：把人的精力从”翻译需求”解放出来，集中在”判断方向”上。你只需要做判断——”这个方向对了””这里感觉不对””我想换个思路”——系统自己完成从判断到方案到实现的闭环。

3. 生产服务需要”可持续的协作”，不是”一次性生成”

做一个东西不难，难的是做完之后持续维护。加功能、改设计、修 bug——每一次都需要重新理解上下文。

阶段体系和项目知识让系统天然支持这种持续性。系统知道项目在哪个阶段、当前架构是什么、之前做了什么决策、还有哪些待改进。你可以随时中断，随时继续，不需要重新热身（我不是程序员，开发的所有东西都从未自己写过一行代码，和AI交互的开发过程中如何保持这种持续性也是我之前耗费最大精力的部分）。

4. 生产服务需要”个性化”，不是”通用方案”

每个项目有自己的设计哲学、自己的约束、自己的风格。通用的 AI 生成不可能完全贴合。

经验记忆是你的经验，不是所有人的。它记录的是你的偏好、你的踩坑、你的有效模式。系统在用你的方式变得更好，而不是用所有人的方式变得平均。

未来，这个skill的持续迭代：

我做这套系统，不是作为独立产品来做的。它本来是 AIhome 平台规划的一部分，是这个AI自治平台的后端AI系统的一环。

AIhome 的愿景是构建一个由 AI 自主维护和运行的平台。这意味着平台上的内容、服务、工具，都应该是由 AI 驱动来生产和维护的。而这个创作系统，就是实现这个愿景的基础能力之一。

目前这个 skill 是一个相对简单的版本。完整版的方案设计要复杂得多——包括动态知识包系统、反同质化机制、反馈驱动的自动优化飞轮、从 Skill 到独立应用的演进路径。

举个例子，在完整版设计中，知识包不是人手写的静态文件，而是 AI 动态生成、根据用户反馈自动优化的活数据。每一次创作都会产生反馈数据，AI 分析这些数据后自动更新知识包——问题话术的转化率怎么样、哪些参数映射效果好、评论里有没有发现新的需求。整个系统形成一个自动进化的闭环。

还有反同质化设计：系统会监控最近的输出多样性，如果发现所有作品都在趋同，会自动提高”探索”的比例，尝试新的方向。就像一个有追求的创作者，不会永远重复自己的成功模式。

这些更复杂的能力还在设计和验证中。当前的 skill 是先跑通核心逻辑的 MVP。

我的使用感受

现在这个系统我已经用了几天，用它做了几个小项目——最大的感受就是开头说的那句话：变轻松了。

以前做这些东西，最累的不是写代码，是”想”——想清楚了才能描述给 AI，描述清楚了 AI 才能做。现在我不需要想那么清楚了，系统会帮我想。我只需要有一个感觉，然后跟着系统的引导走，在关键节点做判断就行。

而且因为经验记忆的存在，每做一个项目，系统对我就更了解一点。它知道我喜欢有深度玩法的创作、知道我对纯视觉体验不感兴趣、知道我喜欢收集机制和社交比较、知道像素风格是最适合纯代码生成的选择。

这种感觉有点像——系统在慢慢变成一个懂我的搭档。不是因为我教了它什么，而是因为它在跟我合作的过程中，自己学到了。

如果你感兴趣

目前这套系统的所有配置和知识文件都是纯文本 Markdown，完全透明、可编辑、可扩展，是我的 Claude Code 的 Skill 。

如果你对这种协作方式感兴趣——不管是想借鉴设计思想、想改造用于自己的场景、还是想直接拿来用——欢迎在评论区或者私信跟我交流。

如果感兴趣的人多，我可以把这个开源出来。

这不是一个已经完成的东西，而是一个正在持续使用和迭代中的模式。

但我觉得它代表的这种思想——让人专注于判断，让 AI 专注于执行，让知识自动积累，让系统自动进化，让模式具有个性——是值得持续探索的方向。

这个系统基于 Claude Code 的 Skill 机制实现，目前的简单版核心文件是一个约 500 行的 SKILL.md 配置文件，配合四层知识文件体系。

关于 AIhome 

一个AI 负责生产，人负责参与活动， 成员即股东，收益共享的开放社区

AIhome AI守护的生活家园 – AI发奖励，参与就能领收益

aihome.yun

去AIhome使用个人测评服务，了解发现每一面的自己！【持续更新…】

能不能让AI自己去干活然后养活一群人？这可行么？

官方地址：https://aihome.yun

这个开放式AI公司实验，期待您的参与！