我花了一下午，给 AI 装了 55 个技能

事情是这样的。

我在用 Hermes Agent，一个开源的 AI 助手框架。前几天看到一个叫 rnskill 的 GitHub 仓库，作者是「雪踏乌云」，一个做内容创作的博主。这个仓库里塞了 55 个技能包，覆盖了从选题策划到视频剪辑到商业诊断的完整链条。

我当时的第一反应是，一个人？55 个技能？是不是有点夸张了。

然后我打开了那个仓库的 README。

README 里写了一句话，「用这套技能加 Codex 加 HyperFrames 加 HeyGen 加 IndexTTS2，过去一个月总投入不到 10 小时，在抖音涨粉 2k 并接到第一个商单。」

10 小时。涨粉 2000。接到商单。

我决定把它们全装上试试。

安装的过程比我想象的曲折。

这个仓库有 633 个文件，分布在 54 个目录里。我的网络环境访问 GitHub 有点不稳定，git clone 直接超时，tarball 下载到一半断了。我最后用了一个组合方案，先通过 GitHub API 拿到每个文件的 SHA 哈希值，再用已认证的 gh CLI 逐个下载 blob 内容，最后用 jsDelivr CDN 补齐了那些超时的大文件。

整个过程花了我大概两个小时。中间遇到了 GitHub API 的 rate limit（每小时 60 次请求的上限，对于一个 633 文件的仓库来说完全不够用），遇到了 Python 的 urllib 在处理中文路径名时的 ASCII 编码错误，遇到了并行下载时 gh CLI 进程找不到正确路径的问题。

但我把这些都解决了。因为我想看看，这 55 个技能装上之后，AI 到底能变成什么样。

▲ 633 个文件，破桶接、撞墙、绕路，最后接住了 627 个

装完之后我打开技能列表扫了一遍，试图理解这 55 个技能的全貌。

它们被分成了七层。

第一层是选题和内容创作。9 个技能，管的是从灵感到脚本的全过程。你有一个想法，ra-选题 会帮你建一张选题卡，记录灵感来源和初步判断。你想深化这个选题，它会检索素材库帮你补充角度和案例。你决定把这个选题做成视频，ra-洗稿 会帮你把已有的素材重组成新的脚本，ra-人话 负责把脚本里那些「不是 A 而是 B」「本质上」「更重要的是」之类的 AI 腔洗掉。如果你要做的是口播视频，ra-实操策划 会帮你生成完整的录屏清单和时间轴。

第二层是素材、配音和剪辑。9 个技能，管的是把原始素材变成成品。ra-video-download 负责从抖音、B 站、YouTube 下载素材。tts-skill 用本地模型生成配音。heygen-digital-avatar 管数字人。video-use 是通用视频编辑器，你跟它说「把第 30 秒到第 45 秒的背景音乐换成节奏快一点的」，它就去执行。ai-jian-koubo 和 chengfeng-videocut-skills 专门处理口播视频的口误和无效片段，自动生成剪辑清单。

第三层是视觉和图文。8 个技能。ian-xiaohei-illustrations 用一个叫「小黑」的 IP 形象给文章配插画。skill-cover 和 rn-cover-skill 管封面生成。xhs-article-to-images 把长文章拆成小红书图片组。ra-video-production-director 是总控，读交接稿，调度配音、画面、字幕、质检和归档。

第四层是代码驱动的视频动效。6 个技能，做的事情是把视觉概念变成能跑起来的视频工程。rn-motion-director 把脚本翻译成视觉隐喻和运动语法。rn-motion-replica 分析参考视频的动效然后构建可编辑的工程。rn-dark-saas-video 专门做暗色科技感的产品宣传视频。

第五层和第六层是诊断系统。dontbesilent 商业工具箱，简称 dbs，一共 20 个技能。dbs-hook 诊断你的视频开头能不能留住人。dbs-resonate 检查文稿有没有击中受众情绪。dbs-ai-check 扫描 AI 写作痕迹。dbs-diagnosis 做商业模式诊断。dbs-benchmark 帮你找对标案例。dbs-goal 把模糊愿望改写成可检查的目标。

第七层是学习、知识和工作台管理。dbs-learning 生成自适应的学习方案。dbs-chatroom 模拟多角色讨论。dbs-content-system 把大量文稿整理成可复用的内容工程。dbs-save 和 dbs-restore 让你跨对话保存和恢复诊断进度。

▲ 55 个技能 = 7 层纯文本文件，小黑还在搬砖

我读完这些技能的说明书之后，花了一些时间想了一个问题。

这 55 个技能里面的每一个，单独拿出来都不复杂。ra-人话 的核心就是一份约 3000 字的写作规则。dbs-ai-check 就是 22 个检测模式的清单。ra-选题 的本质是一个文件命名约定加上一套状态机。

没有一个技能需要训练模型，没有一个是黑箱。它们全是纯文本的指令文件，放在一个叫 SKILL.md 的文件里，AI 加载之后按照指令行事。

但把它们组合在一起的时候，你得到的是一个完整的单人内容流水线。

选题有方法论，写稿有去 AI 味的质检，做视频有剪辑和字幕的自动化，发布之后有数据复盘，复盘之后有方法沉淀，沉淀下来的知识又反哺到下一轮选题。这条链路是闭合的。

▲ 选题 → 写稿 → 剪辑 → 发布 → 复盘 → 沉淀 → 反哺选题，环是闭合的

我以前理解的 AI 辅助创作是这样的，你有一个想法，你跟 AI 聊一聊，AI 帮你扩展成大纲，你再跟 AI 聊一聊，AI 帮你写出初稿。整个过程中 AI 是一个被动的对话伙伴，你每次都要重新解释你的需求、你的风格、你的标准。

技能系统改变的是，你的方法论、你的标准、你的工作流程被固化成了文件。AI 不再是一个每次对话都从零开始的聊天机器人，它变成了一个带着你全部经验积累的协作者。你不需要每次都告诉它「我不要冒号开头」「我不要排比句」「写完帮我检查有没有 AI 味」，因为这些规则已经在技能文件里了。

这就是技能系统和普通的 AI 聊天之间的差别。聊天是即时的，聊完就没了。技能是持久的，它会一直在那里，而且会随着你的使用不断迭代。

▲ 左：以前每次从零开始　右：现在带着全部经验上岗

写到这里我想聊一个更大的东西。

过去三年我一直在观察 AI 工具的发展轨迹。从 ChatGPT 刚出来时的通用聊天，到后来的 GPTs 和自定义指令，到现在的 Agent 框架和技能系统，方向一直在往一个走，让 AI 携带越来越多的上下文。

最早的 AI 携带的上下文是一次对话的上下文。你跟它说的每一句话都在那个上下文窗口里，关掉窗口就没了。

后来的 AI 携带的上下文是一个会话的上下文。你可以创建一个 GPT，把你的偏好写进去，它就记住了。但 GPT 的指令长度有限，而且你没法把一套复杂的工作流程塞进去。

现在的 Agent 技能系统携带的上下文是一整套工作方法论。ra-人话 这个技能有 3000 字的写作规则，dbs-ai-check 有 22 个检测模式，ra-选题 有完整的选题卡生命周期管理。这些不是简单的偏好设置，是沉淀下来的专业经验。

当 AI 携带的上下文从「一次对话」变成「一套方法论」的时候，它在你工作流中的角色就变了。它不再是工具，变成了一个带着经验的同事。这个同事可能不够聪明，可能需要你反复纠正，但它至少不需要你每次都从头教起。

最后我想说一个我在安装这 55 个技能过程中注意到的细节。

这个仓库的作者在 README 里写了一句话，「覆盖选题策划、脚本洗稿、AI 配音、数字人、视频编辑、字幕、视觉封面、图文制作、制作调度、视频动效和商业诊断。」

这一句话里包含了 11 个工种。在传统的内容团队里，这 11 个工种意味着 11 个岗位，或者至少 3 到 5 个人的团队。

现在它们被压缩成了 55 个纯文本文件，运行在一台普通的 Windows 电脑上。

我不知道这该让人兴奋还是焦虑。可能两者都有。

但我确实知道一件事。这些技能不是魔法，它们是某个人花了大量时间把自己做内容的经验拆解成了一条条可执行的规则，然后分享出来的。每一个技能文件背后都是真实的工作经验和踩过的坑。

ra-人话 里的那些禁用句式，每一条都是作者在写稿过程中发现 AI 会反复犯的错误。dbs-ai-check 的 22 个检测模式，每一个都对应着一种 AI 写作会暴露的痕迹。ra-选题 的选题卡模板，是无数次选题试错之后总结出来的信息结构。

这些技能的价值不在 AI 身上，在人身上。是人的经验让这些技能变得有用。AI 只是执行者。

如果你也想试试这套技能系统，仓库地址在 github.com/Pluviobyte/rnskill。不过安装过程可能会有点折腾，尤其是网络不稳定的情况下。

但折腾完之后你会发现，你手里的 AI 变了一个东西。它不再只是陪你聊天的机器人。它变成了一个知道怎么选题、怎么写稿、怎么剪辑、怎么诊断、怎么复盘的协作者。

虽然这个协作者目前还很初级，还会犯很多错。但方向是对的。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文章，我们，下次再见。