夜雨聆风如果你在看这个系列的第 5 篇，那大概率已经接受了一个事实：AI 全栈不是“会调几个模型”，而是把自己的工作流拆开、编码、再让 AI 真的接进去。上一篇我们写的是 AI 绘图如何进入编码工作流，这一篇换一个更“硬”的场景——法律。
最近看到一个开源仓库：legal-skills。作者是一名诉讼律师，五个月里做了 45 个 Skill，累计 513 次 commit，拿到 255 个 GitHub Stars。它不只是一个“法律 AI 仓库”，更像是一个律师把自己的日常工作，系统地写成了 AI 能直接调用的能力层。
这件事真正值得看的，不是“45”这个数字，而是它背后的方法论：专业能力到底怎么从经验，变成可复用的文件；从文件，变成团队甚至个人的长期资产。
这不是“做一个 AI”，而是把工作流拆成 45 个可调用能力
很多人一提 AI 产品，第一反应是：我要做一个 Agent。
但这个仓库的思路更朴素，也更接近生产环境：先别急着做“会思考的系统”，先把那些高频、重复、规则明确的环节写成 Skill。这样做的好处很直接——AI 不需要每次从头理解业务，只要按已有技能执行就行。
legal-skills 里覆盖的并不是什么“虚空能力”，而是作者自己真的在用的东西。比如诉讼分析、合同审查、案件管理、法院短信处理、专利分析、OCR、语音转录、Markdown 转 Word、文章配图、去 AI 味润色等等。
它像一个律师版的工作底座：
办案时，AI 能处理材料和规则； 研究时，AI 能搜集和整理信息； 创作时，AI 能把内容加工成可交付的形式； 维护时，AI 能批量更新和发布技能。
这说明一件事：Skill 不是“灵感产品”，而是“工作流组件”。
一个律师为什么能做出 45 个 Skill
因为律师这个职业，本来就是一个典型的“产供销一体”角色。
你既要处理案件，也要整理知识，还要输出文章、课程、演示材料，最后还要维护这些内容的版本和分发。换句话说，律师不是单点任务，而是一条完整链路。
把它拆开看，会更清楚：
表面上看，这是 45 个 Skill；往深处看，这是一个人把自己工作的“操作系统”拆出来了。
这也是 AI 全栈里很关键的一步：不是只会“用 AI”，而是把 AI 变成你工作链路中的默认组件。
一个真正能用的 Skill 仓库，靠的不是堆数量
现在 GitHub 上各种 Skill 集合越来越多，但真正值得长期参考的，往往有几个共同点。
1）只写自己真正用的东西
这点非常重要。 如果一个人没有做过某类业务，却写出一套看起来很完整的 Skill，大概率只是把公开资料重新整理了一遍。它可能“像”，但不一定“能用”。
相反，真正实战型的仓库，往往有明显的个人业务痕迹。它不是为了覆盖所有行业，而是围绕作者自己最熟悉、最常碰到、最容易出问题的场景，持续打磨。
2）更新频率比文案更诚实
一个 Skill 上传后几个月不动，通常说明两个问题：要么作者自己不用，要么它还没进入真实场景。
而真正在线使用的 Skill，一定会不断暴露边界问题：格式不稳、边缘情况没覆盖、新场景不适配。暴露之后就修，修完就 commit。更新记录本身，就是使用痕迹。
3）结构上要能长期运行
一个适合持续迭代的 Skill，通常不止一个 SKILL.md。 还会配套：
CHANGELOG.md：记录变化； archive/：保留处理痕迹； config/：隔离用户偏好； references/：承载规则、模板和细节。
这类设计的意义在于：让 Skill 不只是“给 AI 看”，也能让人维护、回溯、协作。
对普通团队更有用的，不是直接抄 45 个 Skill
如果你不是律师，也不必照着这个仓库的目录原样复制。更现实的做法，是从你自己的高频路径里挑一条，先做小而稳的 Skill。
我建议按下面三步走：
先找一个高频、规则清楚的任务 例如会议纪要整理、合同条款提取、内容润色、资料转写、表格清洗。
把输出格式固定下来 不要只写“帮我总结一下”，而是明确字段、顺序、例外情况、禁用项。
把失败样本也留下来 真正有用的 Skill，往往不是靠“成功案例”堆出来的，而是靠失败样本修出来的。
如果你想让 AI 真正进入你的日常工作，而不是停留在演示层，这三步比“找一个更强模型”更重要。
边界说明：Skill 不是万能，也不该替代专业判断
这里也要说清楚边界。
法律场景天然有高风险属性。Skill 能提高处理效率，但不能替代律师的专业判断，更不能替代正式审查、签字和责任承担。尤其是诉讼、合规、证据、时效这类问题，AI 只能做辅助，不能直接做结论。
所以更准确的理解是： Skill 负责把重复劳动标准化， 律师负责把关键判断兜住。
这才是 AI 全栈在专业场景里真正成立的方式。
结语
legal-skills 这类仓库最有启发的地方，不是“律师也开始玩 AI 了”，而是它证明了另一件事：专业工作一旦被认真拆解，就能变成可复用、可迭代、可分发的能力资产。
对于个人来说，这意味着你不一定要先做大产品，先把自己的工作流写成 Skill，就已经在积累资产。 对于团队来说，这意味着知识管理不该停留在文档，而要进入可执行层。 对于 AI 全栈来说，这意味着下一阶段的关键，不是“模型更聪明”，而是“你的业务被编码得更完整”。
下一篇，我们继续沿着这个方向，聊聊怎么把这些可复用能力，真正接进自己的日常开发和交付流程里。