夜雨聆风空间智研，从地理信息到空间智能。
先说结论。
AI 真正进入工作，不是因为它会聊天，也不是因为它能写几段漂亮文字，而是因为它能被放进流程里，变成一套可重复调用的工作方法。
换句话说，会用 AI 是第一步，会把自己的经验封装成 AI 工具，才是第二步。
5 月 29 日下午，我给部门同事做了一场 40 分钟的 AI 分享。这次我没有再讲“AI 能做什么”，而是换了一个主题：普通人怎么造自己的 AI 工具。
更准确地说，是怎么把一次性的 Prompt，沉淀成可复用的 Skill。
这篇文章不是纯教程，更像一次现场复盘。它也是我准备写的系列「普通人如何把 AI 变成自己的工作系统」的第一篇。
这次培训，我不想再讲“AI 有多厉害”
就在前两天，我给全院做过一次 AutoClaw 分享。
AutoClaw 可以理解为一种 AI 自动化工具演示。那次分享的重点，是让大家看到 AI 现在已经能做很多过去需要人一步步操作的事情。
演示跑起来的时候，现场反应挺直接。大家会觉得新鲜，会觉得“这个东西确实厉害”。
但过了两天，我一直觉得哪里不太对。
不是那次分享没价值。问题在于，如果一场培训只停留在“看 AI 表演”，大家很容易带着兴奋回去，然后第二天继续按原来的方式工作。
AI 还是那个“很厉害的 AI”。
可它和每个人手里的日报、材料、图表、项目记录、沟通纪要，中间还隔着一层。
这层是什么？
后来我想明白了。
大家缺的不是“AI 能做什么”的科普，而是“我怎么让 AI 做我自己的事”的入口。
所以这次部门培训，我把主题改掉了。不讲 AI 有多强，讲怎么造一个自己的 AI 工具。
Prompt 是一次性经验，Skill 是可复用经验
大多数人现在用 AI，主要还是三种方式：问问题、写材料、改文字。
这些当然有用。我自己一开始也是这么用的。
但用久了以后，会遇到一个很实际的问题：每次做同一类事情，都要重新解释一遍。
比如整理日报，要告诉它格式是什么；筛选新闻，要告诉它关注什么、忽略什么；写调研材料，要告诉它结构、口径、引用要求、哪些判断不能乱写。
每次都从头说一遍，很像每天重新教一个实习生做同一件事。
第一天教一遍，第二天又来一遍，第三天继续从头开始。
不是 AI 不聪明，而是你的工作方法没有被沉淀下来。
这也是这次培训里我最想讲清楚的一句话：
Prompt 是一次性经验。Skill 是可复用经验。
Prompt，就是你给 AI 的指令。你让它“帮我写一段总结”“按这个格式整理材料”“把这段话改得更专业”，这些都是 Prompt。
Skill，可以理解为把一类任务的要求、规则、流程和输出格式打包起来，变成一个可反复调用的 AI 工作模块。
如果 Prompt 像一句临时交代，Skill 就像一份带流程、带边界、带检查点的工作手册。
不同的是，这份手册不是给人看的，而是给 AI 执行的。
OpenCode Skill 到底是什么
这次我用的是 OpenCode 的 Skill 系统。
OpenCode 可以理解为一个面向开发和工作流自动化的 AI Agent 工具。这里的 AI Agent，指的是能根据目标理解任务、调用工具、执行步骤并反馈结果的 AI 助手，不只是一个聊天窗口。
OpenCode Skill 不是一个神秘技术。它本质上是把下面几类信息写清楚：
1. 什么时候触发：什么场景下应该调用这个 Skill。 2. 接收什么输入：用户要给材料、链接、文件，还是一句需求。 3. 输出什么结果：文章、表格、报告、图片提示词，还是待确认清单。 4. 中间按什么流程处理：先判断什么，再生成什么，最后怎么检查。 5. 遇到不确定时怎么停下来问人：哪些情况不能直接往下写。 6. 哪些边界不能越过：不能编造、不能泄露、不能假装已经验证。
我第一次接触 Skill 的时候，也觉得它不就是一个封装好的 Prompt 吗？
后来用下来发现，差别很明显。
一个普通 Prompt，通常只告诉 AI“这次怎么做”。
一个 Skill，则告诉 AI“以后遇到这一类事情，都按这套方法做”。
这就从单次对话，变成了可复用工作流。
通俗点说来说，这不只是“用了 AI”，而是从零散的信息处理，往“工作智能”走了一步。
我们做空间技术也是一样。以前很多 GIS 工作，是人去点菜单、查数据、写脚本、做判断。真正进入空间智能以后，关键不只是工具能不能跑，而是能不能把对象、规则、流程和判断沉淀下来，让系统下次继续复用。
AI 工作流也是这个逻辑。
不要只让 AI 帮你干一次活。要让它记住你怎么干活。
为什么我选“建筑生图”做现场演示
这次培训里，我没有只讲概念，而是直接现场演示了一个 Skill 的创建过程。
案例选的是“建筑生图”。也就是输入一段建筑效果图需求，让 AI 按风格、视角、场景和输出要求生成图像提示词，服务后续生图流程。
为什么选这个？
原因很简单，大家都能看懂。
如果我演示一个数据清洗 Skill，可能业务同事听起来会有距离。字段、表结构、异常值、格式转换，这些东西不是每个人都有直观感受。
但“输入一段描述，输出一张建筑效果图”，大家立刻知道输入是什么、输出是什么、效果好不好。
更重要的是，它能说明一个问题：专业经验不是一句 Prompt 能装下的。
建筑生图不是简单写一句“帮我画一栋楼”。你要考虑建筑类型、画面视角、风格、色调、周边环境、人物车辆、输出用途。
这些东西背后其实是流程。
如果只靠一次 Prompt，很容易写成一段很长的话，用一次就散了。
但如果写成 Skill，就可以把触发条件、输入格式、生成步骤、约束规则和失败处理都固定下来。
这正是我想让同事们看到的：AI 工具不是凭空变出来的，它是把人的经验结构化以后，再交给 AI 执行。
现场演示最有价值的地方，是不确定性
提前录好的教程最安全。现场演示最容易翻车。
但我这次还是选择现场做。
因为真实工作里的 AI 本来就不是每次都完美。你要能看到它怎么跑，也要能看到它怎么改。
40 分钟，台下同事都在看。从打开 OpenCode 开始，创建 Skill，配置触发条件，写处理流程，设约束规则，最后跑测试。全程 live。
说实话，我也没有完全跑通所有细节。大方向我知道，但现场敲错一个字母，流程就可能断掉。
还好，最后跑下来了。
建筑生图 Skill 从空文件到跑通，大概十几分钟。台下有人小声说了一句：“就这么简单？”
对，就这么简单。
但简单和没价值是两回事。
写 Skill 本身不难。难的是你要想清楚：它到底解决什么问题？什么情况下应该触发？用户需要给什么输入？输出结果长什么样？哪些内容不能编造？什么时候必须停下来问人？
这些不是纯技术问题，而是工作理解问题。
它逼着你把“我平时就是这么做的”拆开，拆成 AI 能执行的步骤。
一个 Skill 从 0 到 1，大概怎么做
这次培训里，我把 Skill 的创建过程拆成了 5 步。
第一步，定义触发场景
不是所有时候都要调用 Skill。
一个好 Skill 必须知道自己什么时候该出现。
比如建筑生图 Skill 的触发场景可以是：用户要求生成建筑效果图、概念图、方案意向图、规划展示图，或者需要把建筑描述转成生图提示词。
触发场景越清楚，AI 越不容易乱入。
第二步，明确输入输出
输入是什么？
可能是建筑类型、基地环境、风格偏好、画面比例、视角、色调、用途。
输出是什么？
可能是一段生图提示词，也可能是三套不同风格方案，还可能是“信息不足，请补充建筑类型和场景用途”。
很多人会忽略这一步。但踩过坑就知道，不说清楚输入输出，AI 生成的东西就很容易变成“看着挺完整，但还要人重新整理”。
第三步，写流程
流程是 Skill 的核心。
不是写代码，而是写清楚步骤：
1. 先判断用户要做什么类型的图。 2. 再检查素材是否够。 3. 信息不足时先追问。 4. 信息足够时生成结构化提示词。 5. 最后检查风格、视角、主体、环境和输出用途是否一致。
这一步的价值，是把人的判断顺序写下来。
第四步，加约束
没有约束的 AI 工具，就像没有刹车的车。能跑，但危险。
比如：
• 不能编造项目背景。 • 不能默认替用户做公开发布判断。 • 不能把不确定参数写成确定结论。 • 遇到敏感信息要先脱敏。 • 输出不符合用途时要回退重写。
这些约束看起来麻烦，但真正决定工具能不能放心用。
第五步，测试迭代
Skill 不是写完就结束。
要跑一遍，看输出，再改，再跑。
一开始可能会有点笨拙，甚至比手动做还慢。这个很正常。
做建筑生图的时候，前三版都不太行。
第一版输出太通用，像网图。第二版加了风格描述，但视角容易乱跳。第三版加了视角约束和色调规则，才算接近能用。
这个过程想说明的是：Skill 不是一次性文档，它是会被不断调教的工作资产。
为什么我觉得 Prompt 已经不够用了
不是说 Prompt 不行。
Prompt 是很好的起点。
但如果你用 AI 半年了，仍然只是在收藏、复制、修改 Prompt，其实还没有真正进入 AI 工作的第二阶段。
Prompt 有几个天然问题。
第一，不可复用。
复制过来每次都要改，改着改着就偏离了最初效果最好的版本。三个月后，你可能已经不知道自己最好的提示词是哪一版。
第二，没有上下文边界。
它不知道你公司的格式，不知道你的表达偏好，不知道哪些内容不能乱写。
第三，没有失败处理。
跑砸了就是跑砸了。你只能重新补一句“不是这样，再改一下”。
但 Skill 可以提前写清楚：如果素材不足，就先问；如果来源不明，就标注待验证；如果涉及敏感信息，就先脱敏；如果输出偏题，就回到目标重新生成。
Prompt 解决的是“这次怎么说”。
Skill 解决的是“以后这一类事怎么做”。
每个人都应该有自己的 AI 工具箱
分享最后，我跟同事们说了一件事：以后每个人，都应该有自己的 AI 工具箱。
不是“公司买一个大系统，所有人都用同一个入口”。
而是每个人根据自己的工作，慢慢攒出一套能解决真实问题的 Skill。
搞数据分析的人，可以有数据清洗、报表生成、异常检测。
做项目管理的人，可以有会议纪要、待办追踪、进度汇报。
做设计和汇报的人，可以有方案润色、配图提示词、PPT 结构检查。
做 GIS 和空间数据的人，也可以有坐标检查、字段清洗、图层说明、空间分析报告生成。
这些工具不是别人发给你的。
是从自己的工作里长出来的。
你做了一件事，发现值得复用，就把它封装成 Skill。下次再遇到类似任务，直接调用。
做得多了，就不再是一堆零散 Prompt，而是一套越来越顺手的工作系统。
如果把它放回「从地理信息到空间智能」这条线上，它对应的是“空间行动”这一层：不是只理解信息，而是把判断落到可执行流程里。
这也是我现在越来越确信的一点：AI 的价值不是替你完成一次任务，而是帮你沉淀一套下一次还能用的方法。
培训真正打开的，是一个入口
培训结束时，有个同事说：“感觉打开了一个新的入口。”
我觉得这个评价，比“讲得很好”更有价值。
因为入口意味着后面还有路。
不是所有人都要成为程序员。
也不是所有人都要理解模型训练、向量数据库、Agent 架构这些概念。
但每个经常处理信息、材料、数据和流程的人，都应该开始思考一个问题：
我现在反复做的工作，有没有可能沉淀成一个 AI 工具？
如果答案是有，那下一步就不是继续收藏 Prompt。
而是把它写成流程，写成规则，写成检查点，写成一个可被调用、可被测试、可被迭代的 Skill。
这件事听起来像技术，其实更像一种新的工作习惯。
过去我们把经验写进文档里。
现在，我们可以把经验写进工具里。
这就是从“用 AI”到“造 AI 工具”的变化。
也是从一次性提效，到可复用工作智能的变化。
所以，如果你已经开始用 AI，不妨再往前走一步。
别只问它问题。
试着教它一套你的方法。
