夜雨聆风你有没有这种感觉？每天重复做着差不多的工作——周报写到手软、邮件改了又改、纪要整理到崩溃。这时候你会不会想：要是有个机器人帮我做就好了。
好消息是，你其实可以自己"造"一个。
Datawhale的AI技能库第三篇告诉我们：与其一直当工具的使用者，不如把自己的重复工作搓成Skill。
这不是什么高深的技术活，关键是想清楚两件事——怎么整理自己的经验，怎么选择趁手的Agent。
一、先泼一盆冷水：不要急着开源
我知道看到"做自己的Skill"几个字，很多人第一反应是：做完了赶紧发GitHub，收割一波star。
停。课程里这句话说得特别狠——不建议急着开源。
为什么？因为你自己在用的版本，百分之百包含了你的独家判断。你的客户名、项目经验、踩过的坑、特定的输出风格……这些东西发出去，要么泄露隐私，要么根本没人能用。
正确姿势是：
- 自己用的版本老老实实留在本地。
- 想分享就做脱敏版本——把公司名删掉、把数据抹掉、把"我当时的判断"改成"通用步骤"。可以分享框架，但别轻易公开你的真经验。
说到底，你的经验是你吃饭的家伙。开源可以，先想清楚边界在哪里。
二、Skill长什么样：一个文件夹加几个文件
课程给了一个最简结构的例子：
my-skill/├── START_HERE.md ← 新手必读├── inputs/ ← 放原材料的地方├── prompts/ ← 提示词存放└── outputs/ ← 产出物目录听起来是不是很简单？核心逻辑就是：输入什么 → 怎么处理 → 输出什么。
你要做的事情，就是把这个链条写清楚。
三、6个步骤，把重复工作变成Skill
这是第4课的核心干货。我把它拆成6个可操作的步骤：
第一步：选一个很窄的任务
不要做"全能办公助手"。
这种东西听起来厉害，做起来会发现什么都做不好。从窄的来：写周报、整理会议纪要、邮件改写。把一个具体场景打透，比你搞十个半成品强一百倍。
第二步：写清楚输入
输入就是交给AI的原材料。你得想清楚：AI需要什么？是纯文本、还是表格？要不要附带参考文档？格式有要求吗？
这一步卡住了，后面全是白搭。
第三步：写清楚输出
"帮我整理一下"这种模糊需求，AI只能给你模糊结果。
你得写明：输出结构是什么样的？语气是正式还是口语？长度控制在多少字以内？有没有必须包含的元素？
输出描述得越具体，拿到的东西越能用。
第四步：写normal-use.txt
这就是一段可以反复复制的提示词。以后遇到同类任务，直接粘贴跑，不用每次重新调教。
第五步：准备一份假样例
不要拿正式材料做第一次测试。
你懂的，万一翻车数据就泄露了。用假数据、假名字、假金额先跑一遍，确认流程没问题再上真东西。
第六步：跑一次改一次
这是核心循环：跑 → 看输出 → 改提示词 → 再跑。
别指望一次调好。好的Skill都是迭代出来的，每一次跑都是一次优化机会。
四、什么时候该升级你的Skill
课程给了一个非常实用的判断标准：
- 自己用：文件夹加提示词就够了，没必要搞复杂。
- 想给别人用：补上START_HERE.md、troubleshooting.md、scripts/。让别人能自己跑起来。
- 流程稳定了：再考虑写成SKILL.md，或者正式开源。
不要一上来就想搞个完美的开源项目。先解决自己的问题，然后看需不需要扩展。需求没到那一步，做太复杂反而是负担。
五、三类Agent：不是越强大越好
进入第5课，我们来聊聊Agent的使用进阶。
课程把市面上的Agent分成三类，每一类都有自己的适用场景：
图形界面Agent（代表：Trae）
适合普通人、第一次接触Skill、想看文件和命令确认。点点鼠标就能操作，直观是最大的优点。但缺点也很明显：复杂自动化场景下，它就不太好使了。
编辑器型Agent
在代码编辑器里工作，能读写项目文件、运行命令。适合改starter、改脚本、改提示词、维护Skill工作区。有一定门槛，但灵活性高很多。
命令行型Agent
在终端里工作。适合懂技术的人做批量处理、接脚本自动化、控制依赖和日志版本。普通人不用一上来走这条路。
课程给了一个建议顺序：
1. 先用Trae跑通基本任务2. 学会让Trae解释命令3. 学会在Trae里打开不同starter4. 支持的话尝试配置自己的API 5. 开始维护多个工作区 时再考虑编辑器型或命令行型Agent
核心判断：能用Trae稳定跑通，就别急着换。
工具越强，上手成本越高，边界也越难把控。
六、安全使用Agent：这些原则要刻进DNA
这一课最实用的部分来了。课程里专门讲了API Key的安全使用，以及命令确认的习惯。
关于API Key
- 只填在工具设置里，不要发到聊天框
- 不要写进README、提示词、截图、公开仓库
- 需要.env文件时，确认已被.gitignore忽略
- 不确定泄露了，直接重置
- 不确定费用，先跑小样
API Key泄露是最高频的事故原因。养成好习惯，比事后补救省心一百倍。
关于命令确认（任何Agent都要）
让Agent先回答这几个问题，再让它执行：
- 做什么？
- 会不会联网？
- 会读写哪些文件夹？
- 会不会装依赖？
- 有没有删除/覆盖/上传风险？
- 不执行有没有替代方案？
危险信号
课程特别列出了几个红色警告，看到这些要特别警觉：
- 删除文件
- 覆盖整个目录
- 上传材料
- 修改系统环境变量
- 安装来源不明的软件
- 要求粘贴API Key/账号密码/验证码
任何Agent问你这些，直接拒绝。
七、总结：工具越强，越需要边界
第三篇两节课下来，贯穿始终的核心观点其实就一个：你是在用工具，不是被工具用。
自己做Skill，是为了解决重复劳动，不是为了搞个花里胡哨的开源项目。选Agent，是为了完成手头的任务，不是为了追最新最强大的型号。API Key不乱给，是为了保护自己的资产。确认命令再执行，是为了不让AI替你做你不了解的操作。
工具越强大，它的能力边界就越需要你来定义。
从使用者到创造者，差的不是技术，是对自己工作的梳理能力。你愿意花时间把自己的重复工作写成Skill，这个过程本身就是一种成长。
课程来源：Datawhale开源项目 ai-skills-for-everyone
往期回顾：
- AI技能库①｜人人都能用AI技能——从零到跑通的入门地图
- AI技能库②｜找到你的技能——从安装到筛选的方法论
