夜雨聆风这次 AI 线下工作坊，年龄从11岁到56岁，背景完全不同，有老师、电视台主持人、全职妈妈、摄影师&游戏店主、戏剧从业者、退休学员，还有刚高考完 年轻人。
图片来自学员小虾
有人已经用 AI 做过不少事，也有人装好 WorkBuddy 后，仍然把它当成另一个聊天框。总体来说，大家的AI都是比较基础的。
所以这两天，目标很简单，就是帮助大家理解什么是桌面Agent，和豆包 GPT等聊天大模型是啥区别？帮助大家理解skill，并借助workbuddy来完成skill的安装、创建和使用。
两天结束后，大家做出了自己的 Skill、网页和小工具。
这篇文章，我把课堂上最核心的讲法完整拆出来。即使没有参加课程，也可以顺着这条线，把几个容易混在一起的概念弄明白。
小白真正的卡点是知道了很多名词，但串不起来
带了几百名学员学AI，我观察下来，哪些已经想要好好学AI的人，最大的卡点已经不是基本的AI名词了。
恰恰是工具和名词听的太多。大模型、智能体、桌面 Agent、Skill、插件、连接器、API、MCP、工作流……每个词单独看好像都听过，放到一起就不知道它们怎么配合。
听过的看过的都散落在各处，脑子里没有一张完整地图。比如，过去龙虾火的时候，我教大家装好扣子的龙虾，学员很困惑，为啥我的飞书和微信里也能聊天？这个龙虾是飞书龙虾和微信龙虾？
现在Workbuddy很火，很多人也开始想要用workbuddy，但下载后，看到workbuddy的界面不知道怎么开始。因为和deepseek 等聊天模型长得不一样了。
而且，有的人即使把 WorkBuddy 安装好了，人还是会习惯性地问：
「帮我写一篇文章。」
「帮我整理一下。」
「帮我做个报告。」
AI 给出一段答案，人再复制、粘贴、修改。工具换了，工作方式没有变。
所以第一步不能急着教 Skill 怎么安装。我们得先回答：Agent 到底是什么？
Agent是什么？
课堂上我问大家，Agent是什么，其中一个5年级的孩子等等说（他代替妈妈来学习，妈妈去医院陪外婆了）：
这个介绍非常通俗易懂，普通聊天模型更像一个坐在电话另一头的聪明顾问。你问它工作报告怎么写？它会给你完整的方案，但复制粘贴还是你。课上我用一个直观的网页动画给大家演示Agent和大模型的区别。
Agent 不只提供方案。它能围绕目标继续行动：读取文件、搜索资料、调用工具、生成文档、发现缺少材料、调整计划，再把结果交回来。
普通大模型的工作单位是一轮问答。Agent 的工作单位是一件任务。
那桌面 Agent 又多了什么？
它把工作地点搬到了你的电脑上。
你给它指定一个工作文件夹，它就可以在授权范围内读取本地材料；需要时还能使用浏览器、文档工具和其他软件。它更像坐在你电脑前的新同事，能进入真实工作现场，不再只停留在聊天框里。
但这位新同事刚来第一天。他很聪明，也会使用工具，却不了解你的工作习惯，不知道课程文档放在哪里，不知道一份合格的复盘要包含什么，也不知道最后应该存入哪份飞书文档。
这就轮到 Skill 出场了。
Skill 是菜谱，也是给 AI 的工作说明书
我在课堂上用了一个做饭阿姨的例子。
假设你请了一位很能干的阿姨。第一次让她做红烧鸡翅，你要告诉她鸡翅怎么处理、放多少调料、家里人吃不吃辣、先煎还是先炖，最后收到什么程度才算做好。
第二次再做，又从头说一遍。过一个月，你自己可能都忘了上次怎么交代的。
如果把这套成功做法写成菜谱，阿姨以后看到「红烧鸡翅」，就知道去哪里拿材料、按什么顺序做、哪些地方容易出错、做到什么状态可以端上桌。
这张菜谱，就是 Skill。
提示词更像一次口头交代。Skill 保存的是一条已经跑通过的工作路径。
一份真正能干活的 Skill，通常要写清楚五件事：
什么时候启动：用户说什么，或者发生什么情况时开始。 去哪里拿材料：本地文件、Get笔记、飞书、网页，还是用户上传的资料。 按什么步骤执行：先读取什么，再判断什么，生成什么，最后写到哪里。 要使用哪些工具：搜索、浏览器、文档、图片、接口或者其他软件。 怎样验收：输出格式、内容标准、不能出现的问题，以及需要人确认的环节。
一个桌面 Agent 可以安装很多 Skill，就像一位阿姨可以有一本菜谱。做课程复盘用一张菜谱，整理咨询报告用另一张，公众号排版、视频生成、资料归档，也可以有各自的工作说明书。
所以，Skill 的价值并不在于文件写得多长。
它把一个人脑子里默认知道、平时说不清楚的经验，变成 AI 可以重复执行的规则。
只讲比喻还不够。很多学员会继续问：
「我能理解 Agent 会干活，可 WorkBuddy 怎么就能跑到 Get笔记里读取录音，又把结果写到飞书呢？」
这也是我认为小白最需要补上的一课。AI 到来以后，我们反过来要学习一点信息素养和计算机常识，知道信息究竟是怎样在软件之间流动的。
我在现场演示了一条自己每天都在使用的流程：
我给 Agent 一个目标：「复盘昨天的线下课。」同时授权它访问 Get笔记和飞书。目标和钥匙都来自人。
接下来，Agent 会找到对应的 Skill。Skill 告诉它：应该去 Get笔记寻找录音卡，而不是普通文字笔记；要按日期和课程名称定位材料；拿到录音转写后，要分别还原课程主线、学员状态、案例、金句和待改进问题；最后将学员手册写入课程文档，讲师复盘单独输出。
Get笔记为什么愿意把材料交给它？
因为软件给外部程序留了一个受控的服务窗口。你可以暂时把 API、CLI 或连接器理解成这个窗口。Agent 带着用户给的授权，通过窗口提出请求，Get笔记再把允许读取的内容返回给它。
录音进入 Agent 的上下文后，大模型开始分析和整理。生成文档之后，Agent再通过飞书开放的入口，把内容写进指定文档。
最后，人来审核：找对录音了吗？课程判断准确吗？文档应该继续保留还是退回修改？
整条信息流可以压成一句话：
这不是一个黑箱。背后只有四个关键条件：
权限决定它能不能进去；接口决定软件之间怎么传递信息；上下文决定 AI 手里有没有完成任务所需的材料；工作流程决定它按什么顺序处理。
一旦看懂这条链路，很多看上去神奇的自动化都会变得具体。换成微信读书、Obsidian、公众号或者本地文件夹，底层问题仍然是这四个。
创建 Skill 最好的方法，是先和 AI 把一件事做成
讲到怎么创建 Skill 时，我没有让大家打开一个空白文件，从第一行开始写 skill.md。
因为一个没有真正跑过的流程，很难凭空写成工作说明书。你以为自己已经想清楚了，真正做起来才会发现：材料放在哪里没有说，某一步需要人工判断没有说，AI 遇到文件重名怎么办也没有说。
所以我在课堂上讲，创建 Skill 最好的方法是：
先别管 Skill。找一件你自己做过很多次、确实想交给 AI 的工作，把真实材料交给它，和它一起做。
第一版不满意，就具体告诉它哪里不对；步骤漏了，就补步骤；结果太泛，就补标准；它找错文件，就把查找规则说清楚。你们来回磨合，直到这件事真的完成，结果也基本能用。
这时不要急着结束对话。反过来问 AI：
让它回看整个过程：
一开始拿到了哪些材料；
先做了什么，后做了什么；
中间调用了哪些工具；
哪些地方需要判断；
遇到了什么错误，又是怎么修正的；
最后输出了什么，保存到了哪里；
什么样的结果才算合格。
AI 把成功过程复盘出来以后，我们再检查一次。删掉偶然动作，补上容易遗漏的判断标准，标出必须由人确认的地方。
最后，才让 AI 把这条已经验证过的成功路径固化成 Skill。
课堂上的课程复盘 Skill，就是这样产生的。
我先和 Agent 跑通了「找到 Get笔记录音 → 获取转写 → 分析课程 → 生成学员手册和讲师复盘 → 写入飞书」的完整任务。确认结果可以使用后，再让 Agent 复盘自己刚才做过的事情，把六个步骤整理成 Skill。
下一次，我只需要说一句：「复盘昨天的线下课。」它就知道应该去哪里找材料、按什么结构分析、把结果写到哪里。
完整方法可以压成五步：
选一个真实任务：不要为了做 Skill 而虚构需求。 和 AI 完整做一遍：使用真实材料，把结果打磨到基本可用。 反问 AI 如何做到：让它复盘材料、步骤、工具、判断和输出。 把成功路径固化：补齐边界、人工确认点和验收标准，再生成 Skill。 换一份材料测试，检查它能否在新任务里稳定复现。
你也可以直接使用课堂上的这段指令：
生成之后，一定要换一份新材料测试。如果跑不通，继续修改。Skill 和带新人一样，要在真实工作里磨合。
讲到这里，大家已经有了一张共同地图。
Agent 是执行者，Skill 是工作说明书，软件提供材料和保存位置，人负责目标、授权、标准和最终审核。
接下来的实操，我没有要求所有人做同一个产品。
大家只需要从自己的生活和工作里，找一件真实、重复、耗时间的事情。
一项工作满足下面四个条件，就值得考虑做成 Skill：
一个月会重复三次以上； 中间有三个以上步骤； 输入和输出相对稳定； 里面有自己长期积累的判断标准。
懂投资的学员，做了北证新股信息推送 Skill；喜欢读书的学员，做了公众号读书感悟生成器；摄影爱好者开始做图片自动收集和分类网站；
公司里长期被报告消耗的人，把四万字成品报告交给 AI 逆向分析，做成批量报告 Skill；做小儿推拿的人，做了可以介绍服务和接受预约的官网。
还有56岁的退休阳姨，做了公众号配图排版的skill，喜欢写作的她，终于不用被公众号的排版和配图挡住了。
这位带着妈妈来学习的学员二师兄，为了鼓励外婆运动，给外婆做了运动打卡网页。计时、现金奖励、旅行积分和她的鼓励语音，都来自她对外婆真实情况的了解。
大家使用的 Agent 差不多，作品却完全不同。这就是AI 时代最有意思的地方。
每个人都带着自己的经验在用同一个AI，你服务谁，、熟悉什么、每天被什么问题困扰，你是怎么思考问题的.....决定了你用AI的方式和结果。
这也是为什么我反复告诉大家：
AI 把实现想法的门槛降了下来。一个退休数学老师对三角函数的理解，一个医生的专业经验，一个妈妈对孩子和家庭的观察，都有机会通过 Agent 和 Skill 被放大。
课程结束时，大家没有学会所有 Agent 工具，也没有做出成熟商业产品。
但每个人至少完成了一次完整循环：
他们开始理解，桌面 Agent 为什么能访问本地文件和其他软件，Skill 为什么不等于长提示词，信息如何从一个工具流向另一个工具，以及人为什么仍然要负责判断和验收。
这才是我认为 AI 小白应该先补上的底层知识。
工具还会更新，按钮也会变化。只要脑子里有这张地图，换一个 Agent，仍然知道该怎样给目标、准备材料、设置权限、拆解流程和检查结果。
写到这里，我又想回到开课时问大家的那个问题：
老师、医生、全职妈妈、退休人员、内容创作者和刚毕业的年轻人，过去很少会因为同一种能力坐进同一个教室。
AI 时代却出现了这样的课堂。
但我更想说的是，每次给学员上课被狠狠赋能的是我。因为我有机会和不同的灵魂碰撞，我喜欢每个鲜活的生命，我喜欢大家进来时的困惑，课程结束后大脑宕机的状态，以及做出作品那一刻的激动......
无比幸运，我们生活在这么一个充满奇迹的时代。享受AI每天带来的惊喜，更享受和学员们的深度链接。
如果你还不知道怎么创建skill，推荐你购买这本书，这是我和几位作者一起写的，针对零基础小白。
