夜雨聆风系列：JS 的养虾日记 · 第 33 篇
最近总有人问我同一类问题。
"JS，现在 OpenClaw 上什么 Skills 好用？"
"有没有教程推荐？"
"我应该先装哪些？"
满世界都在讨论这个。
Skill 商店火得一塌糊涂。
教程多得像路边的传单。
我数了一下 JS_BestAgent 身上常用的 Skill。
33 个。
如果你问我每个 Skill 的 SKILL.md 里写了什么规则？
我不知道。
不是我不关心，而是没必要看。
都是 AI 写的，我只管用。
没达成预期？
告诉 AI 哪里不对。
让它改。
一直改到结果符合预期为止。
至于 Skill 里面现在长什么样？
完全不关心。
大多数人对 Skills 的理解还是错的。
GitHub 上有个skill的项目仓库，几天涨了近 4 万 Star。
地址是 github.com/forrestchang/andrej-karpathy-skills。
是一个叫 forrestchang 的哥们。
他把 Karpathy 文章里的编程原则总结出来，转换成了一个可以直接用的 Skill。
你可能觉得这仓库里有什么黑科技。
毕竟 4 万 Star，一些知名开源项目也就这个量级。
打开一看——
15 KB。
根目录只有 CLAUDE.md、EXAMPLES.md、README.md，加一个 SKILL.md。
没有框架。
没有复杂 Agent 系统。
没有代码。
就一个 Markdown 文件。
里面写了 4 条规则。
这就是 4 万 Star 的东西。
所以它到底做对了什么？
不是技术多牛。
不是功能多强。
只需要把"告诉 AI 该怎么做"这件事，包装成了一个可以分享的产品。
仅此而已。
Skills 没什么了不起。
一个 Markdown 文件，写上你的要求，放进去，AI 就能照着做。
你也能做。
你现在就能做。
Skills 听起来很高大上。
"Skill 生态"、"技能商店"、"可扩展能力"……
听着就累。
但拆开看——
就是一个文本文件，里面写着你对 AI 说的话。
不是代码。
不是算法。
不是什么神秘技术。
就是你平时跟龙虾说的那些话，写下来，存成一个文件。
下次龙虾看到这个文件，就能自动照着做。
就这么简单。
我的龙虾 JS_BestAgent 上有很多 Skill。
随便拆几个看：
我告诉它："收到文章链接就自动抓取、总结、入库。"——这就是 collector Skill。
我告诉它："每 60 分钟扫一遍 X 上关于 AI Agent 的动态，有重要的就告诉我。"——这就是 x-monitor Skill。
我告诉它："生成图片用这个参数、这个风格、这个工作流。"——这就是 ComfyUI Skill。
Skills 的本质不是技术，是你意图实现的文档化。
把你对 AI 的期望和流程固化下来，让 AI 每次都能按同样的标准执行。
仅此而已。
既然 Skills 就是"告诉 AI 该怎么做"——那写 Skill 还需要学什么？
我分享两个我自己用的"邪修"技巧。
第一个：不看任何 Skill 说明，就能让 AI 写出任何 Skill。
三步：
第一步，把 Anthropic 官方 Skill 文档链接发给你的龙虾。
第二步，告诉它："根据这份文档，帮我写一份创建 Skill 的规约，Markdown 格式。"github.com/anthropics/skills
第三步，告诉它："我想做一个能 XXX 的 Skill，根据前面那份规约创建出来。"
搞定。
不需要自己读文档。
不需要理解结构。
不需要记规范。
AI 读了，AI 写了，AI 帮你建好了。
你只需要知道——你想让它做什么。
为什么有效？
因为写 Skill 的本质不是写代码，是表达意图。
以前需要人自己把意图翻译成技术语言，现在 AI 替你翻译。
你不需要懂翻译规则，你只需要知道你要表达什么。
第二个技巧：不看任何 Skill 内容，就能实现任何结果。
我创建的几十个常用 Skill，大部分是 AI 写的。
我根本没仔细看过它们里面到底写了什么。
我只管用。
流程是这样的：
第一步，告诉龙虾我要做什么。
第二步，它找到对应的 Skill 去执行。
第三步，结果不对？告诉它哪里不对。
第四步，它改 Skill。
第五步，再试。
一直改到满意为止。
我不关心 Skill 现在长什么样。
我只关心结果对不对。
这就像你不需要懂汽车的发动机原理就能开车。
你只需要知道：踩油门前进，踩刹车停止，打方向盘转弯。
如果车子出了问题？
叫修车师傅，告诉他哪里不对，让他修。
AI 时代，"会用"和"懂原理"正在解绑。
你不需要成为 Skill 专家才能享受 Skill 带来的能力。
你只需要知道你想干什么。
如果 Skills 没什么了不起，为什么那个仓库能爆？
因为它卖的不是 Skill 的功能，是规则。
仓库里四条规则，是从 Karpathy 文章里提炼出来的：
第一条，先想后写。不要瞎猜，先把假设说出来。
第二条，极简解法。不要过度设计，先写最小解。
第三条，精准修改。不要顺手乱改，只改要改的地方。
第四条，目标校验。不要只执行指令，要围绕验收标准循环。
这四条不是在教 AI"更强"。
是在教 AI"别乱来"。
在真实开发环境里，开发者最怕的不是助手"能力不够"，而是助手"自信地做错"。
前者只是慢。
后者制造额外返工。
这个仓库本质上是给 AI 编程加了一层刹车系统。
Agent 时代，刹车系统往往比马力更稀缺。
它做对了一件事：把"Karpathy 对 AI 编程的诊断"变成一个可安装产物。
一句高传播性的判断，包装成一个可以直接 curl 下来用的工具。
从观点变成了产品。
从判断变成了工具。
Skills 的确没什么技术含量，
有技术含量的是你知道该让 AI 做什么，以及你知道怎么判断 AI 做得对不对。
所以开头讲，从很多人提的问题，可以看出其实对skills 的理解是错的，这样是做不出也用不好龙虾的。
要知道怎么给你龙虾写好用的skill，
本质是要明白 AI 时代是怎么“学习”的。
传统学习：先学原理 → 理解机制 → 实践应用。
AI 时代学习：明确目标 → 直接实践 → 迭代优化。
先学后做 → 先做后懂。
听起来很反直觉？
但这种"结果导向"的学习方式，其实更符合人类天然的认知模式。
你学骑自行车，是先读一本《自行车动力学原理》再去骑？
还是直接上去骑，摔几次就学会了？
你学做饭，是先把《食品科学》读完再开火？
还是照着菜谱做一遍，不好吃再调整？
人类本来就是"先做后懂"的生物。
只是过去的工具太复杂，不学原理就完全没法用。
你不懂语法就不能写代码，不懂电路就不能修电器。
但 AI 把门槛拉平了。
你不需要懂语法，你只需要告诉 AI 你要什么效果。
你不需要懂电路，你只需要告诉 AI 哪里出了问题。
同样的，要教龙虾真正写出好用的 skill ，一定不是从哪里去下载个“完美skill”安装了就完事的，也不是给你个教程，你一次性写完就完事的。
而是你要不停的让龙虾去实践完成真实任务，
然后基于结果反馈让它不停调整优化，
最后沉淀下来的就是最好的 skill。
这个过程，我们就称之为：养龙虾🦞。
以上～谢谢你看我的文章，我们，下次再见。
