夜雨聆风空间智研社，从地理信息到空间智能。
先说结论。
普通人做第一个 AI 工具，不要从宏大的系统开始，也不要一上来就想做一个万能助手。
最稳的入口，是找到你每天重复三遍的工作。
不是最难的工作，不是最炫的工作，也不是老板最关心但边界很虚的工作，而是那种你已经做烦了、规则说得清、结果好坏能看出来的小任务。
我建议用这个公式判断：
好的第一个 AI 工具 = 高频重复 + 输入相对固定 + 输出有标准 + 失败能看出来。
这四个条件越完整，越适合做成 Skill。
上一篇我讲过，Prompt 是一次性经验，Skill 是可复用经验。那这一篇就往前走一步：到底哪些经验值得复用？
我的判断很朴素：你反复做过三次，还能讲出自己每次怎么判断、怎么取舍、怎么检查，它就有机会变成一个 AI 工具。
别从“大而全”开始，从“烦但清楚”开始
很多人第一次想做 AI 工具，会自然想到这些方向：
“做一个部门知识库助手。”
“做一个自动写方案的助手。”
“做一个能帮我完成所有工作的智能体。”
听起来很爽。
但第一步不建议这么干。因为这些任务太大，输入不稳定，标准也模糊。你很难判断它做得不好，到底是资料不够、规则没写清，还是任务本身就不适合自动化。
更好的起点，是日常工作里那些“烦但清楚”的事。
比如日报整理。
每天都有工作记录，最后要变成一段清楚的日报。输入相对固定，输出格式也固定，质量好坏很容易判断：有没有漏事，有没有流水账，有没有把结果说清楚。
再比如会议纪要。
会议录音或文字记录是输入，输出是议题、结论、待办、负责人、时间节点。它不需要 AI 发明观点，只需要把混乱内容整理成可执行记录。
还有项目启动资料清单、方案目录、做图前字段和坐标检查、公众号文章选题判断。
这些任务都不神秘，但它们有共同点：人做的时候会反复套用同一套判断。
这就是 Skill 的位置。它不是让 AI 变聪明，而是把你已经会做的事，写成 AI 能照着执行的规则。
哪些工作适合做第一个 AI 工具
我会优先看五类。
第一类是日报整理。
它适合练习“从碎片记录到结构化表达”。你可以规定输入是什么，输出要包含今日内容、AI 工具应用情况、问题、明日计划。失败也容易发现，比如把无关闲聊写进日报，或者漏掉关键进展。
第二类是会议纪要。
它适合练习“从长文本里提取决策”。会议里真正重要的不是每个人完整说了什么，而是谁决定了什么，谁接下来做什么，什么时候反馈。
第三类是项目启动资料清单。
很多项目一开始都会问同样的问题：背景资料有没有？边界条件有没有？数据源是什么？成果格式是什么？谁负责确认？把这套清单做成 Skill，比每次临时问一遍可靠。
第四类是方案目录。
不是让 AI 直接写完整方案，而是先让它根据项目类型、客户问题、交付目标，搭一个合理目录。目录质量能看出思路是否跑偏。
第五类是做图前字段和坐标检查。
GIS 和空间数据工作里，很多问题不是分析模型错了，而是字段不全、坐标系不对、空间范围没对齐、属性编码前后不一致。一个小 Skill 可以先检查数据准备条件，提醒哪些字段缺失，哪些坐标信息需要确认，哪些地方不适合直接出图。
这一步看起来很基础，但它其实是在给后面的空间理解和空间推理打地基。
地图不是只要好看。空间数据如果一开始就错了，后面无论是叠加分析、风险识别，还是报告生成，都会跟着歪。
这些任务都不复杂。
但正因为不复杂，才适合当第一个 AI 工具。先让 AI 在小地方稳定，再谈更大的工作流。
哪些任务暂时不适合
也有一些任务，不适合拿来做第一个 Skill。
第一种是目标太虚的任务。
比如“帮我提升工作效率”“帮我做战略分析”。这种需求没有明确输入，也没有验收标准。写出来的 Skill 很容易变成一堆漂亮废话。
第二种是强依赖个人判断的任务。
比如真实项目定价、客户关系判断、公开表态、强推荐或强批评。AI 可以整理材料，但最后判断必须由人确认。
第三种是输入每次都差异很大的任务。
比如不同项目、不同资料、不同部门口径混在一起，还没有统一格式。不是不能做，而是不适合作为第一个工具。你可以先做资料清单 Skill，但别急着做全自动方案 Skill。
第四种是失败代价高的任务。
比如合同条款、财务数据、敏感客户资料、正式对外文件。没有审核机制之前，不要把它作为第一个练手对象。
第五种是你自己都说不清规则的任务。
如果你只能说“凭感觉”，那还没到写 Skill 的时候。先把感觉拆成几个可检查的问题，再让 AI 执行。
说白了，第一个 AI 工具不该挑战人类经验的天花板。
它应该接住你最稳定、最重复、最容易校验的那一部分经验。
三张清单，帮你找到第一个候选任务
如果你现在不知道从哪里开始，可以拿三张清单筛一遍。
第一张：重复工作清单
先把最近一周的工作翻一遍，问自己：
• 哪件事我每天都做，或者每周至少做三次？ • 哪件事每次开始前，我都要重新整理材料？ • 哪件事我已经有固定格式，但每次还要手动套一遍？ • 哪件事我经常觉得“怎么又来了”？ • 哪件事交给新人时，我必须反复解释同一套规则？
如果一个任务在这里出现两次以上，就把它列为候选。
第二张：规则清单
接着看它能不能讲清楚规则：
• 输入材料通常有哪些？ • 输出格式是否固定？ • 哪些内容必须保留？ • 哪些内容必须删除或标记？ • 遇到信息缺失时，是追问、标注待确认，还是停止生成？ • 好结果和差结果有什么区别？ • 有没有固定的检查顺序？
如果你能把这些问题答出来，这个任务就已经有 Skill 雏形了。
第三张：收益清单
最后看值不值得做：
• 它能不能减少重复整理时间？ • 它能不能减少漏项？ • 它能不能让交付格式更稳定？ • 它能不能帮新人更快照着做？ • 它能不能沉淀成团队共用方法？ • 它失败时，人工能不能很快发现并修正？
收益不一定是省很多小时。
对普通人来说，第一次做 AI 工具，最大的收益是把脑子里的隐性规则写出来。写出来，就能复用。能复用，才开始有系统。
一个具体例子：把会议纪要整理成 Skill
假设你经常要整理会议纪要。
不要一上来写：
帮我整理一下这段会议记录。
这只是一个 Prompt。
它能用，但下次你还得补充格式、口径、注意事项。再下次，又来一遍。时间久了，你不是在用 AI，而是在反复培训 AI。
如果把它改成 Skill，思路就不一样了。
触发场景
当用户提供会议录音转写、会议聊天记录、手写纪要或会议材料，并要求整理纪要时使用。
输入内容
用户最好提供：
• 会议主题 • 参会人员 • 原始记录 • 项目背景 • 是否需要脱敏 • 是否需要提取待办事项
如果缺少会议主题或原始记录，就先追问，不要直接生成。
输出内容
输出可以固定成：
• 会议摘要 • 讨论议题 • 已确定事项 • 待确认事项 • 待办清单 • 责任人 • 截止时间 • 风险提醒
这样生成结果就不会飘。
约束规则
这里才是关键。
• 不确定责任人时，标注“待确认”。 • 不编造会议里没有出现的结论。 • 涉及客户名称、项目编号、内部数据时，先脱敏。 • 待办事项必须可执行，不能写成“持续推进”“加强沟通”这种空话。 • 会议中有争议的问题，不能写成已经达成共识。
这些约束看起来麻烦，但它们决定了这个工具能不能放心用。
失败处理
如果原始记录太乱，就先输出“信息缺口清单”，而不是硬整理。
如果缺少背景，就追问项目名称、会议目标和输出用途。
如果内容涉及对外发布，就提醒用户确认哪些信息可以公开。
你看，这就已经不是一句提示词了。
它变成了一套流程：什么时候用、需要什么输入、产出什么结果、不能越过哪些边界、出问题时怎么退回来。
这就是从 Prompt 到 Skill 的变化。
从小工具，到自己的工作系统
我现在越来越觉得，AI 工作系统不是靠一个大而全的工具搭起来的。
它更像是从一堆小工具里长出来的。
你先把会议纪要整理稳定下来，再把日报整理稳定下来，再把项目资料清单稳定下来，再把做图前的数据检查稳定下来。慢慢地，你会发现自己不是在收藏 Prompt，而是在沉淀工作方法。
放回“从地理信息到空间智能”这条主线里看，这一步对应的是空间行动。
空间智能不只是让 AI 理解地图、理解图层、理解空间关系。更重要的是，它能把判断落到查询、检查、制图、报告、预警这些可执行流程里。
普通人的 AI 工具也是一样。
不要只让 AI 回答一次问题。要让它学会你的一套方法。
第一套方法不用大。
先从你每天重复三遍的工作开始。
下一篇，我准备继续往下拆：一个 AI 工具到底应该怎么写？我会用一个最小模板，把触发条件、输入输出、处理流程、约束规则和检查点拆开讲。
