夜雨聆风
01 盯着你最好的同事看够久，你会发现一件事
:::Hiten Shah 是连续创业者，Crazy Egg 和 KISSmetrics 的联合创始人。六月初他发了一篇文章，188.3K 次浏览。
开篇他说了一个很朴素的观察：盯着你公司最厉害的人工作够长时间，你会注意到他们有模式。
顶级销售在一个重要电话前，知道先找什么——上次的对话记录，真正的决策人，没被说出口的反对意见，三周前某人许下的承诺。支持主管读一个客户升级投诉，看到的东西和所有人都不一样——不只是工单本身，还有语气、历史、账户价值、产品痛点，以及那个暗示小问题要变大的细节。财务负责人看报表，知道哪个数字重要，哪个是噪声，哪个在董事会开会前需要一个说法。
这些公司每天都在依赖，却很难被捕捉、整理和学习。人们管它叫"经验"、"判断力"、"品味"、"机构知识"。
AI 公司开始叫它 skills。
我第一次读到这里时停了一下。我想起见过的一个销售，他在每次客户电话前必做一件事：把上次会议记录里每个人许下的承诺按名字排出来。他不是最聪明的，但几乎从没让人觉得自己没被认真对待。那就是一个 pattern。
更难的问题是：这个 pattern 能传授吗？过去大多数公司的回答是：招更多像他一样的人。现在可能有另一个答案。
02 接入数据是最简单的那步
:::谈到 AI 落地，大多数公司第一步都是"接数据"：把 agent 连到 CRM，设置 Slack 集成，接入 Google Drive，连上 GitHub，链接数据仓库。
这些都重要。没有数据访问的 agent，基本上是在瞎猜。
但数据访问不等于好的工作。
一个 agent 可以读遍所有销售笔记，但还是看不出一个交易的走向。可以搜遍所有支持工单，但还是认不出那个需要立刻关注的客户。可以打开每一份产品文档，但写出的 PRD 听起来对，实际上跟真正的决策南辕北辙。
我们经常把"AI 落地困难"归结为数据问题：数据不全、数据不净、没接通。这是真的。但修完数据之后，你会遇到第二堵墙。
那堵墙是：agent 不知道你的公司是怎么做事的。它有所有的数据，但不懂你们的判断逻辑。就像一个刚入职的实习生，能访问所有 Notion 文档，但处理客户投诉时的第一反应还是和有三年经验的客服差很远。
难点在这里：帮 agent 理解你公司怎么做这件事，而不只是给它更多信息访问权限。
这就是 skills 进场的地方。
03 Skill 不只是 prompt
:::一个 skill 比一个 prompt 多得多。
Prompt 告诉 agent 在特定时刻做什么。Skill 捕捉一种可重复的工作方式——让 agent 在遇到这类任务时都能用同样的方法处理。
Skill 可以包含：指令、示例、模板、检查清单、脚本、参考资料和经验法则。技术形式可以多样。Anthropic 的版本用的是一个简单文件夹加一个 SKILL.md 文件，加上可选的支持文件。其他系统有自己的格式。
Skill 打包的是流程：步骤、需要应用的判断、要监视的边界情况、期望的质量标准。
以销售电话准备为例——一个 skill 可以涵盖：怎么读账户历史，要暴露哪些风险，怎么设计开放式问题，一份好的简报长什么样。
以事故复盘为例——一个 skill 可以涵盖：怎么重建时间线，怎么区分原因和症状，怎么写不带指责的报告，怎么把学习转化成行动。
以董事会 deck 准备为例——一个 skill 可以涵盖：哪些指标重要，怎么解释变动，什么放附录，故事通常在哪里断掉。
Skill 是被打包成可重复使用的方法。
值得注意的是：skill 里面最有价值的部分，往往不是步骤本身，而是那些「在哪里需要停下来判断一下」的标记。步骤可以写在流程图里，但什么时候该问"等等，这个客户是不是特殊情况"——这种判断节点，只有真正做过的人才知道在哪里。
04 比 AI 更古老的模式
:::Hiten 提了一个历史视角，我觉得很有说服力。
这个模式一直在发生：Unix 命令让有用的操作变得可重用。Shell 脚本让序列可重用。库让代码可重用。API 让服务可重用。工作流让业务流程可重用。Skill 让判断力可重用。
AI 没有发明把专业知识打包的欲望。软件一直在朝这个方向走。
改变的是执行者。几十年来，人类需要读剧本然后执行它。现在 agent 可以加载剧本，使用工具，检查文件，运行脚本，持续执行下去。
剧本可以变得主动了。
这改变了记录工作方式的价值。以前写下来的东西，只有人类读了才能执行。现在写下来的东西，agent 可以直接用。
换句话说：skill 以前是写给人读的文档，现在变成了 agent 可以直接调用的接口。同一件事，用途完全不同了。这也意味着过去那些认真沉淀了流程文档的团队，现在手里有真正的先发优势。
05 两家公司，同一个模型，结果不同
:::想象两家公司用同一个前沿模型。
第一家把模型连接到它的系统。
第二家把模型连接到它的系统，并给它一个从公司最好的工作里建立的技能库。
第二家有一个不一样的资产。
它的 agent 知道公司怎么准备销售电话，怎么审查合同，怎么写上线简报，怎么调查 bug，怎么处理升级，怎么总结研究，怎么解释财务表现。
不是完美或神奇地做到。
但足够一致，足以产生差距。
每一个 skill 都是一小块运营杠杆。一个好的 skill 防止同样的错误被纠正两次。一个更好的 skill 把所有用它的人的下限提高了。一个最好的 skill 捕捉了过去需要多年才能积累的判断力。
我觉得这个对比是整篇文章最值得停下来想的地方。两家公司买了同款工具，接了同样的数据，但一家 agent 做出来的东西总是「感觉更像我们自己写的」，另一家永远差一口气。
这种差距一开始很小，但会随时间累积。因为技能库是可以叠加的——每新增一个 skill，差距就再大一点。
06 最有价值的 skill 一定是私有的
:::会有公开的 skill 市场。
有些有用，大多数是通用的。
最有价值的 skill 会在公司内部，因为最有价值的方法是特定的。
你的客户升级流程，你的销售资质判断框架，你的产品评审标准。你的董事会更新格式，你依赖的法律退路，定义你品牌的语气。甚至你判断什么重要的方式。
那是竞争对手下载不走的知识。
一个通用 agent 可能带着销售、支持、财务、产品、工程的广泛知识到来。让它在你公司有用的，是它学到了你团队多年积累的特定流程、决策和教训。
我觉得这是整篇文章里最重要的一点，但也是最容易被忽略的。大家讨论 AI 战略时总是问"用哪个模型"、"买什么工具"，而不是问"我们有没有把最好的人的判断力系统性地打包下来"。后者才是真正的护城河。
还有一个值得思考的角度：当模型能力越来越强、越来越趋向通用时，差距反而会更多来自 skill，而不是模型本身。每家公司能用上的模型趋于相同，真正的分化只能来自你喂给它的特定知识。模型是商品，skill 才是资产。
07 怎么开始
:::从工作本身开始，不要从选平台开始。
先找到重复出现的工作。找到有经验的人持续比其他人做得好的工作流。找到涉及判断而不只是努力的任务。
销售电话、客户研究、支持升级、PRD、事故复盘、合同、预测、上线、竞争分析、发布说明。这些都不是工作本身，它们是围绕工作的一切。
然后问：团队里最好的人做了什么不同的事，其他人倾向于忽略什么？
他们首先注意什么？什么容易被忽略？哪些例子塑造了他们的方法？反复出现的问题是什么？他们试图避免哪些错误？他们怎么定义成功？
这是原材料。把它变成一个 skill，投入使用，持续改进，让拥有者和工作保持紧密联系。
Hiten 说这个框架我特别喜欢，因为它把落地的门槛说清楚了。不是"建一个平台"，不是"搞一次全公司 AI 培训"，是找到一个具体的重复工作，把最厉害的人的做法写下来，然后让 agent 用它。
Anthropic 的技术实现门槛很低：一个文件夹，一个 SKILL.md，加几个支持文档。重要的不是格式，是内容——那个在具体工作上积累了判断力的人愿不愿意坐下来把它说清楚。
公司需要几个让重要工作更一致的 skill。技能库可以从那里生长出来。
08 对我们意味着什么
:::Hiten 这篇文章的核心论点是：AI 的竞争优势来自你教会模型做好什么工作，而不是你选了哪个模型。
这个论点在逻辑上是对的，但实际执行比听起来难。难点不在于"写一个 SKILL.md 文件"，难点在于把隐性知识显性化——让那个经验最丰富的销售真的愿意坐下来，把他的直觉写成可被别人（和 AI）复现的流程。
这件事在没有 AI 的时代就已经很难了——写知识库、沉淀 SOP，公司一直在尝试，成功率一直不高。AI 改变的是：一旦你写下来了，AI 可以帮你用它。这提高了写下来的回报，但不解决让人坐下来写的动机问题。
我觉得真正的先行者不是在等 skill 市场成熟的公司，而是已经有强烈记录工作方式习惯的公司——那些认真做过 onboarding 文档、流程手册、案例复盘的团队。他们已经有了原材料，只差把格式变成 AI 可读的。
如果你的公司知识都在"某个老员工的脑子里"，那这件事要从另一步开始：让那个人说出来，有人帮他写下来，再转化成 skill。不难，但需要花时间。越早做，越早有护城河。
我不确定大多数公司现在有没有意识到这件事。大家还在忙着接 API、买 SaaS 订阅、选大模型供应商。这些都没错，但技能库这件事不会有人替你做——它必须从你的团队内部生长出来，因为它本来就是你们工作方式的结晶。
Hiten 的那篇文章 188K 次浏览，我觉得这个数字本身说明一件事：很多人读完之后觉得对，但还没动手。先动手的那批人，优势会比他们想象的大。
◇ ◆ ◇
相关链接
• 原文：https://x.com/hnshah/status/2062647149582750101
