夜雨聆风小伙伴们，周末好~
说一件上周的事，我正部署 Skills 到一半，停了下来。
不是卡住了，是突然意识到一件事——我在用的，是别人建立的认知框架。
01 | 那种说不上来的不对劲
想象一个场景：你是做计算生物学的博士生，找到一个写文献综述的 Skills，下载量很高，作者是做社会学的。
你用了，感觉哪里不对劲。
它的逻辑展开方式是人文的，习惯从概念出发，你们领域讲究数据在前、推论在后。它的引用组织风格是叙事型的，你导师每次最烦的就是这个。它觉得“背景铺垫”应该占很大篇幅，而你的方向早就形成了一套截然不同的判断标准。
你说不清楚它哪里“错了”，它没有错。只是它不是你的。
02 | 通用的有价值，但不够
说清楚一件事：我不是在否定那些下载量上千上万的 Skills。
一个被几千人反复使用、打磨过的 Skills，背后一定有值得学习的东西——它的结构逻辑、它处理问题的方式、它的提示词设计思路。如果它确实能解决你的问题，用它；或者拆解它、学习它的底层思路，完全值得。
但“学习它的逻辑”和“直接套用它”是两件不同的事。
直接套用的问题在于：通用 Skills 为了照顾所有人，必然做出妥协。它妥协掉的，往往是最个人的东西——你自己的专业背景、你的研究方向、你的语言习惯、你多年积累下来的判断标准。而这些，恰恰是一个真正好用的 Skills 最需要知道的。
所以，真正的答案不是二选一。我们需要通用的，也需要为自己量身定做的。 前者给你起点和参照，后者让你真正跑起来。
03 | 那我自己来写
想清楚这件事之后，我决定自己动手。
现在可以用来写 Skills 的地方其实不少。我自己主要在 Claude 里直接写（写完可以一键部署在claude或者下载下来用在别的地方），另外扣子空间里也有专门的技能创建工具，Openclaw 里也有 skill creator 可以用（用技能创建技能）。
平台本身不是重点，重点是你坐下来动手的那一刻。
但这个决定比我想象的难。不是技术上的难，而是——你以为你了解自己，直到你真的坐下来，试图把自己的工作方式写成可执行的指令，才发现根本没想清楚。
我第一个写出来的 Skills 其实很烂。
指令模糊，边界不清，输出结果就像一个没有被好好 briefed 的助手——在努力帮你，但方向总是歪一点。
后来我才意识到：写 Skills 这件事，本质上是在逼你把自己的隐性知识显性化。
你在某个领域做了三年、五年，积累了大量“一眼就能看出问题”的直觉。但这些直觉究竟是什么？背后的标准是什么？能不能写成可执行的判断？
大多数人从来没有被迫回答过这个问题——不是因为没有答案，而是因为从来没有需要把它说清楚。写 Skills，就是第一次被逼着说清楚。
所以 Skills 写得烂，往往不是提示词工程的问题，而是你还没有真正想清楚自己，没想清楚自己的工作、研究。
04 | 我现在创建 Skills 的方式
经历了几次失败之后，我形成了一个原则：从反复使用中提炼，而不是凭空设计。
不是先想“我应该有一个什么 Skills”，而是观察自己：什么提示词我用了很多遍、效果一直很稳定？什么流程我已经摸清楚了、但每次还要重新解释一遍？
当一套东西开始让我觉得“这可以固化了”，那就是它升级成 Skills 的时机。
而且，一个好的专属工作流，往往不是一个 Skills，而是一组 Skills 相互配合。
以文献综述为例，我目前建了两个 Skills：一个负责写，一个负责审。
写的时候，写作Skills除了基于“工科顶尖博士级别文献综述的系统写作方法论”外，还基于我上传的真实文献来写作，它知道我的领域惯例，了解我专业的术语；
审的时候，审核Skills除了“是一位具有10年顶级期刊（Nature Reviews、Chemical Reviews、Progress in Polymer Science等同级别综述期刊）审稿经验的资深学者”外，它还用了我从失败稿件里总结出来的检查清单等等。
两个 Skills 形成闭环。
科研绘图是另一个例子，而且更能说明问题。
这件事从来不是“一个 prompt 生成一张图”那么简单。完整的流程大概是这样的：先从论文里提取关键信息和视觉逻辑，再把这些信息转化成绘图提示词，接着用提示词生成图，最后还需要一个审查环节——检查图表是否准确传达了数据关系，风格是否符合期刊要求。
这是四个不同性质的任务，需要四个不同的 Skills （更进一步地，它甚至是多个Agent）来承接。每一个环节，都可以嵌入你自己领域的标准和偏好。
这不是技术方案，是你工作流程的数字化。而且因为是你自己建的，每一个节点都知道你的判断标准是什么。
有一个方法我觉得很实用：回头看你上一篇论文，找出你改稿次数最多、返工最频繁的那个环节。 那里就是你最需要一套专属 Skills 的地方——因为那正是你反复在做、但还没有真正固化成标准的地方。
05 | 你越了解自己，它就越好用
这里有个绕不开的话题：提示词。
我很早就有一个判断，提示词工程不会消失。
有一句老话：“Garbage in, garbage out.”
你对自己工作方式理解有多深，写出来的 Skills 就有多精准。如果你自己都说不清楚“一篇好的综述应该满足哪些条件”，那 Skills 只会帮你生产一堆听起来像综述的文字。
所以，AI 时代最核心的能力，不是“会用 AI”，而是会管理 AI，更会管理自己——清楚地知道自己要什么，然后说清楚。
用自己写的 Skills 还有一个被低估的好处：你知道里面有什么。部署别人写的 Skills，你很难完全确认它的逻辑边界，也无法排除隐性指令的风险。用自己写的，这些顾虑基本消失——你是作者，你知道每一行在做什么。
最后说一句
我现在跑在本地环境里的那几个 Skills，不是最精致的，也还在打磨。
但它们是我的。它们知道我的判断标准，知道我在哪一步最容易犯懒，知道我这个方向的论文应该长什么样子。
这件事本身，就已经值得做了。
如果你也在用 AI，不妨试着问自己一个问题：我最近反复在用的那个提示词，有没有可能把它固化成一个真正属于自己的 Skills？
用久了你会发现，这个过程不只是在训练 AI，也是在真正梳理你自己。
🎁 你现在有没有一个“一直在用但还没固化”的提示词？评论区聊聊，也许可以一起讨论怎么把它变成一个好用的 Skill。
