夜雨聆风前阵子有个朋友问我，你们天天说的 AI 专家到底是个啥，跟那个 Skill 又有什么区别。
咱们直白地聊一下。
一个小餐馆的故事
假设你开了一家小餐馆。
有一天你招了个伙计。这伙计识字、会算账、手脚麻利，但刚来的时候什么都不会。他不知道你家鱼香肉丝放几分糖，不知道外卖单怎么打，不知道隔壁那条街有个老主顾每次都要多加辣。
你花了一周手把手教他。把做菜流程写在一张纸上贴在厨房，把老主顾的口味记在一个小本子上放他围裙兜里，告诉他外卖来了先看单再备菜、备完菜再叫骑手。这一套东西，就是 Skill。
Skill 是一本操作手册。教 AI 怎么做一个具体的事。
但这伙计目前的状态就是这样。你说去做鱼香肉丝，他翻手册照着做。你说盘一下这个月的账，他换个手册照着做。他能干活，但他不知道自己是厨师还是会计。你问他你觉得店里下个月要不要涨价，他懵了。
这时候你掏出一张工牌，上面写着后厨主管。
第二天一早，你还没进店，他已经把冰柜翻了一遍，昨天的排骨没冻透，他直接退了供应商的货。
十点钟来了个老主顾，吃完说太甜。以前这种事你得亲自去赔笑脸。现在他自己过去了，回来告诉你，不是菜的事，这人血糖高、点了又后悔，免了单，不用道歉。
下午你让他排下周的班。他翻了排班手册，又翻了上个月的考勤表，告诉你周三别排小王，周三外卖高峰，小王手慢，上周就在这天漏的单。
你看着这些，突然意识到他不是在帮你干活了。他是在替你管店。
这就是 专家（Expert）。 OpenAI 叫 Workspace Agent，Anthropic 叫 Knowledge Work Plugin，WorkBuddy 叫专家，OmniWork 叫专家 Agent，袋袋叫数字分身等等等等。
工牌到底改变了什么
如果你不给这伙计发后厨主管的工牌，你只是跟他说，你帮我管一下后厨。他会管，但他每次都要你交代：要不要检查食材，要不要报采购单，碰到退菜按什么标准处理。
你给了工牌之后，这些就不用每次说了。他自己知道。
这跟写 prompt 是一个道理。你直接对 AI 说，你现在是个资深产品经理，帮我审一下这份需求文档。这叫 prompt。每回都得说，换个对话窗口他又变回小白。
你把资深产品经理做成一个专家，人设写进去，审查标准写进去，他下次打开还在，你同事也能用。工牌不是一块牌子，是一套不会丢的记忆。
几年前我第一次用 GPTs，兴冲冲捏了个资深编辑，给了他一大段设定，告诉他是十年经验的出版编辑。然后丢给他一篇文章。
他回我：作为一个人工智能，我没有足够的信息判断这篇文章的出版价值，建议您咨询专业的出版编辑。
我当时就想，你这个设定是不是白写了。
后来我想明白了。那会儿的 AI，你说他是编辑，他觉得自己是编辑，但他除了觉得自己是之外什么都干不了。他不知道去哪里查稿子，不知道你们的出版标准是什么。而且那会儿的模型本身也不太听话，你跟他说你是编辑，聊着聊着他就忘了，又变回通用助手。你让他记住的事，他记不住，角色自然立不起来。
这就是为什么后来大家不满足于只写一段 prompt 了。要给他工牌、给他手册、给他接上系统。
Skill 和专家不是二选一
先说一个容易搞混的地方。Skill 和专家不是两个平起平坐的东西，专家是装着 Skill 的。
伙计兜里的菜谱、库存表、排班规则，每样都是一个 Skill。发了工牌，他还是那个伙计，Skill 也还在兜里，但他现在是后厨主管了。这个身份里装着那些 Skill，还装着自觉、权力和判断标准。
所以问题不是简单的事用 Skill、复杂的事用专家。问题是：你是只需要 AI 帮你做一件事，还是想让它长期替你扛一个角色。
拿代码审查来举例。
一个代码审查 Skill，你把团队规范写进去，它能查得又快又全。变量驼峰不对它揪，函数太长它标。但它只看代码本身。看到一个变量叫 tempData，规范里没说不让用 temp，它放过去了。
专家接上了你们团队的知识库。他翻了一下，三个月前有一次支付事故的记录，根因就是临时变量命名太随意导致下游系统误读数据。他回过头告诉你，这个名字和上次事故是同一个模式，风险很高。
他还翻到半年前的技术讨论，当时有人提过支付模块变量要不要统一加类型后缀，后来因为赶进度搁置了。他顺带提醒你，趁这次改，把这个规范补上。
Skill 是靠你写在手册里的规则在审。专家是靠规则加上团队的记忆在审。规则在手册里，记忆在档案柜里。
多个专家一起干活
上面讲的都是单个专家。还有一种，叫专家团。
还是餐馆的例子。你那个后厨主管管后厨，前厅主管管迎宾和上菜，店长统筹全局。赶上你开分店，你不会让后厨主管一个人扛。你让店长拆任务：找铺面的叫选址专家，跑执照的叫合规专家，设计厨房的叫动线专家，店长自己汇总进度跟你汇报。
团长拆任务、分给团员、回收整合。你只跟团长对话。
在 AI 里，你给团长一个目标，他自己拆成几块，分给擅长的团员，收上来拼好给你。
太复杂的活儿，一个角色罩不住。与其让一个全能选手瞎糊弄，不如搭个草台班子，每个人干自己最擅长的那一小块。
怎么自己动手搞一个专家
你可能会问，道理我懂了，我自己想搞一个，到底要准备哪些东西。
还是那个伙计，你要把他培养成后厨主管，得给他配齐五样。
第一样：工牌。 上面写后厨主管。这是最基础的，你得告诉他他是谁。在 AI 里，这一步就是你写一段话，定义他的身份、职责范围、说话风格、判断标准。比如你是后厨主管，管三个人，每天早上七点检查食材，客人退菜由你最终判定。这就是人设。
但光有工牌不够。一个只有工牌的伙计，自我认知很清晰，但啥也干不了。
第二样：操作手册。 就是前面说的 Skill。把鱼香肉丝的标准做法写给他，把库存盘点的流程写给他。每本手册管一件事。他兜里揣着这些手册，你喊他做什么他都能翻出来照着干。
一个专家可以挂好几个 Skill。
第三样：网线。 给你伙计配台能上网的电脑，接上外卖平台、收银系统、供应商的订货后台。他不用跑出去问，坐在厨房就能查今天外卖来了多少单、冰柜里还剩多少斤排骨、五花肉涨没涨价。
在 AI 里，这就是 Connector，通过标准协议把专家接上外部系统。你那个代码审查专家，如果只挂了代码审查 Skill，他能审代码风格。但给他接上代码仓库，他就能自己去看提交记录、看上次是谁改的这一行、看相关的讨论里有没有说过这个模块为什么这样设计。深度完全不一样了。
第四样：档案柜。 你们店开了三年，攒了一堆东西。老顾客的口味记录、供应商的报价历史、过去三年的旺季数据、被客人投诉过的菜和改进方案。这些东西不可能全塞进伙计脑子里。但你给他一把档案柜的钥匙，他遇到拿不准的事，比如这个客人上次来点过什么、有没有忌口，自己去翻。
在 AI 里，这就是知识库检索，前两年炒得火热的 RAG 干的就是这事。
RAG 干的事很简单：不是把知识预先塞给 AI，而是 AI 在回答问题之前，先去知识库里搜一圈，把相关的拽出来，再结合自己的判断给你答案。
比如你做了一个客服专家。你不可能把全部产品文档、历史工单、退换货政策都写进人设里，塞不下。但你把这些东西放进知识库，给他接上。用户问我的订单超过七天还能退吗，他不是瞎编，他去翻退换货政策，找到原话，再回答。
没有知识库的专家，知识在创建的那一刻就凝固了。有知识库的专家，你往里放新材料，他立刻就能用上。
第五样：入职培训。 东西都配好了，不是直接让他上岗。你得拿几个真实场景让他跑一遍。上周三那张退菜单你重新判一下，下个月的排班表出了，客人投诉鱼香肉丝太咸你处理一下。
看他输出对不对路。不对就调，调完再试。
在 AI 里，这一步就是 Playbook 验证。你用真实任务跑专家，看他的产出符不符合预期。不符合的，回过头调人设、补手册、改流程。跑通了才算验收合格。而且这些跑通的案例本身也有用，别人一看这个专家能干出这种活，就知道该不该雇他。
到这，五步走完，一个能用的专家就出来了。
说句实话，大部分人不会从零开始配。就跟开餐馆一样，你是老板，没必要自己砌灶台。现在各家平台的市场里已经有现成的了，上去挑一个，改一改人设、挂上你自己的知识库、配上团队常用的那几个工具，比从零造快得多。
真正从头造专家的，通常是两种人。一种是你干的活儿太特殊，市面上没有合适的。另一种是你要把这个专家上架到市场里给别人用，那就得认真对待上面五步，别人用你的专家，第一印象全看那几个验证过的案例。
说到底，最早我们只是想找个伙计翻菜谱。现在你回头一看，他在替你管店了。
