我做的不是一个 AI 工具,而是一个不会忘记规则的同事

我做的不是一个 AI 工具，而是一个不会忘记规则的同事

很多人第一次做 Skill，想的是“怎么让 AI 更聪明”。

我一开始也是这么想的。直到我为了做公众号，反复给同一个 AI 交代同一套要求：文章别像 AI 总结，封面别像模板，配图别太乱，用户发来的图片不能漏，公众号导入还不能卡在封面。

说了一遍，它会改；下一篇，它又忘。于是我决定换个思路：不再每次提醒它，而是把这些要求做成一个真正能复用的 Skill。

第一版能跑，但完全不值得用

第一版出来的时候，我没有觉得“终于自动化了”，反而觉得问题集中出现了。萨摩耶画出来不像萨摩耶，表情永远只有微笑；封面像套了固定模板，正文配图几乎全是卡片；截图上叠满箭头、标签和说明框，信息没有变得更清楚，反而被挡住了。

文章也很典型。标题像机器总结，开头没有冲突，正文一句话一段，看起来像把资料重新排列了一遍。更尴尬的是，文章和图片都做完了，导入公众号时又卡在封面。

这时候继续加提示词，通常只能让规则变得更长，不能让流程变得更可靠。真正的问题不是“我还少写了一句指令”，而是这套工作没有被拆成可以检查、可以复用、可以继续改进的步骤。

我重新回看了每一次返工，先找出三类东西：每天都在重复的任务、反复出现的错误，以及绝对不能错的环节。重复任务很明确：拆主题、写文章、做标题、找素材、做封面、做配图，再把内容放进公众号草稿箱。

反复出现的错误也很明确：标题像摘要，封面像模板，图片太杂，正文层级全黑，IP 形象漂移，用户上传的素材被漏掉，导入失败后还要整篇重新来一遍。不能错的则是三件事：事实来源必须能回查，用户明确提供的图片必须使用，固定开头 GIF 必须沿用原文件。

Henry 观察：一次生成成功，不等于系统可用。下一次仍然能稳定复现，才是 Skill 的分水岭。

我也没有从空白文件开始发明一套系统。我先找了现成的开源插件结构，再把图像生成、网页检索、截图工具和公众号导入脚本接进来。能复用的部分先拿来搭骨架，真正不合适的地方，再根据自己的问题改掉。

真正的打磨，是从第一版失败之后才开始的。图片太乱，我就写进规则：截图已经能说明问题时，不再额外加卡片；需要解释时，也只补最少的标注。配图太单调，我就规定真实截图、数据图、产品图和案例图优先，萨摩耶最多出现一张，而且不能拿来当封面。

标题太像总结，我就增加标题策划：先判断事件、影响、冲突和读者利益，再分别生成爆料型、争议型、人话型、行业判断型和传播型标题，最后说明推荐理由，而不是随便给一个“最优标题”。

后来我又做了一份踩坑日记。每次出现问题，都不能只写一句“下次注意”，而要写清楚：错在哪里，为什么会错，下一次如何自动避免。只有写成规则，经验才不会随着一次修改结束。

做到最后，我做的已经不只是一个 AI 工具，而是一套从需求、检索、写作、配图到发布的生产系统。现在它不一定要输入完整口播稿。你可以只给一个事件、一个主题，或者一组资料，它会先做研究和事实核验，再开始写文章；如果资料不够，就先标出缺口，而不是急着用一堆听起来很完整的话把空白填上。

换一台电脑，换一个品类，也不需要全部推倒重来。只要替换受众、来源标准、品牌素材和平台配置，核心流程依然可以复用。AI 只是执行层，真正决定成品质量的，是你有没有把判断标准留下来。

我现在越来越觉得，做 Skill 最有成就感的地方，不是第一次生成成功。而是下一次遇到新主题时，它真的记得你之前踩过的坑，你也不用再重复解释同一套要求。

这也是我理解的 Vibe Coding：不是从零写一个看起来很复杂的系统，而是从自己的真实需求出发，先找到资源，再开始实践；哪里不好，就继续改；哪里出错，就记录下来；最后把一个每天重复折磨你的问题，变成一个真正属于自己的工具。

如果你也有一件每天都在重复、每次都想重新解决的事情，先别急着学更多工具。先问自己一句：这件事，能不能被做成一个 Skill？

也许真正值得做的，不是下一个“万能工具”，而是一个终于记得你规则的工作伙伴。