夜雨聆风天罡蝉 · 制造业 × AI
上一篇文章，我留过一个钩子：
Prompt、Skill、Workflow、Tool、MCP、Memory、Model等概念，将在后续系列展开。
今天兑现第二篇。
这一篇只讲三个概念：
Prompt、Skill、Workflow。
为什么把这三个放在一起？
因为它们回答的是同一个问题的三个不同层级：
一次怎么做？一类问题怎么做？一系列任务怎么协同完成？
如果用制造业的语言理解：
Prompt 是临时作业指令，Skill 是标准作业，Workflow 是生产线。
这也是理解 AI 能力如何形成复利的一个很好的入口。
一、先把三个概念说清楚
先不谈复杂的 AI 架构，只用三句话定义。
概念 | 核心问题 | 制造业类比 |
Prompt | 这次怎么做？ | 老师傅临时交代一句怎么干 |
Skill | 这类问题怎么做？ | 固化下来的标准作业 |
Workflow | 一系列任务怎么做？ | 多个工序协同运行的生产线 |
所以：
Prompt 是临时指令。
你告诉 AI：
“帮我分析这份生产数据，找出主要问题。”
AI 做一次。
换一个问题，你可能还要重新描述。
Skill 是固化的方法。
你不仅告诉 AI 要做什么，还需将：
● 输入要求
● 判断逻辑
● 输出结构
● 适用边界
● 验证方法
定义清楚。
以后遇到同类问题，可以重复调用。
Workflow 是能力的编排。
它解决的不是“某一个问题怎么处理”，而是：
多个已经定义好的能力，按照什么顺序、什么条件协同完成一项完整任务？
例如：
数据采集 → 异常识别 → 原因分析 → 改善建议 → 报告生成。
这里真正重要的，不是把所有东西都塞进一个巨大的 Prompt，而是让不同能力各司其职。
于是，三个概念的关系就很清楚了：
Prompt 是任务指令。Skill 固化可复用方法。Workflow 编排多个能力。
二、为什么很多人“用了 AI”，能力却没有沉淀下来？
我观察过很多 AI 使用场景，一个很普遍的问题是：
人变快了，但能力没有留下来。
今天用AI 写了一份很好的报告。
明天又遇到类似问题。
重新描述背景。
重新写 Prompt。
重新告诉 AI 应该怎么分析。
重新修改输出。
最后发现：
每一次都很快，但每一次都从头开始。
这其实只是效率提升，还没有形成能力资产。
问题通常出在三个误区。
误区一：用 Prompt 期望得到 Skill 的效果
很多人会不断把 Prompt 写得越来越长：
“你现在是一名资深精益专家……”
“请按照以下 12 条原则……”
“首先分析问题，然后进行 5Why，再……”
Prompt 越写越长。
但下一次遇到类似问题，还是要重新调用、重新修改。
长 Prompt 不等于 Skill。
Prompt 的核心价值，是让这一次的任务得到更好的结果。
Skill 的核心价值，则是：
把解决这类问题的方法固化下来。
所以：
Prompt 是任务指令。Skill 是可重复调用的方法。
误区二：用 Skill 做 Workflow 的事
假设你已经把“瓶颈识别”做成了一个 Skill。
它可以根据输入的 CT 数据识别瓶颈工位。
很好。
但接下来呢？
你还需要：
● 获取数据
● 识别瓶颈
● 分析原因
● 生成改善建议
● 输出日报
一个 Skill 无法天然解决整条链路。
这就像制造现场：
一个标准作业做得再好，也不等于整个生产系统已经建立。
单点 SOP 是 Skill。
多个工序之间如何衔接，是Workflow。
所以：
Skill 解决单点能力。Workflow 解决能力之间的协同。
误区三：把具体方法全部写死在 Workflow 里
这又是另一个极端。
有人做 Workflow 时，把所有判断规则、分析逻辑、异常处理全部直接写进工作流节点。
结果工作流越来越复杂。
一个节点改了，其他地方跟着改。
换一个场景，又要重新调。
最后形成了一条“看起来自动化，实际上很难维护”的流程。
这和制造业里的问题很像：
如果把所有工艺知识都写死在线体控制逻辑里，生产线当然可以跑，但一旦产品、工艺或条件变化，维护成本会迅速上升。
更合理的方式是：
把可复用的方法固化为Skill，Workflow 负责调用和编排。
所以：
不要把方法和流程混在一起。Skill 负责“怎么做”，Workflow负责“先做什么、再做什么、什么时候调用什么”。
三、一个最简单的判断标准
如果你不知道什么时候应该用 Prompt、Skill 还是 Workflow，可以只问自己三个问题。
第一问：这次做完就结束吗？
是。
用 Prompt。
第二问：以后还会反复遇到同类问题吗？
会。
把方法固化成 Skill。
第三问：这类问题还需要多个步骤、多个能力协同完成吗？
需要。
再用 Workflow 编排。
所以可以浓缩成一句话：
一次的事，用Prompt。一类的事，用Skill。一连串的事，用Workflow。
这其实是一条非常重要的能力升级路径：
Prompt → Skill → Workflow
不是三个孤立的 AI 名词。
而是：
从任务指令，到方法固化，再到系统协同。
四、如何真正把一个 Prompt 升级为 Skill？
这一部分是最关键的。
因为很多文章会告诉你：
“把 Prompt 封装起来，就叫 Skill。”
我认为这还不够。
真正的 Skill，不应该只是一个保存起来的 Prompt。
它至少应该把五件事情定义清楚。
① 输入是什么？
首先要定义：
Skill 到底吃什么？
例如，一个“生产节拍瓶颈识别 Skill”。
它的输入可能包括：
● 工位编号
● 工位 CT
● 产品型号
● 目标节拍
● 测量周期
● 异常停机信息
如果输入没有定义清楚，后面的判断就没有基础。
制造业里叫：
来料条件不明确，后面的工艺标准就无从谈起。
所以第一步不是写 Prompt。
而是：
定义输入。
② 怎么处理？
这是最容易被忽略的一步。
很多 Prompt 会写：
“请分析一下这些数据，找出问题。”
这不叫方法。
这只是把任务交给 AI。
真正的 Skill，需要明确：
依据什么规则判断？按什么步骤处理？哪些条件优先？
例如：
CT > Takt Time × 1.1 → 标记为潜在瓶颈；
再结合：
● 波动程度
● 异常频率
● 设备状态
● 人员配置
进行进一步判断。
这里固化的已经不是一句 Prompt，而是：
判断逻辑。
所以：
Skill 的核心不是“写得更长”，而是“方法更明确”。
③ 输出是什么？
输入定义了，处理逻辑定义了，还要规定：
最终输出什么？
例如：
工位 | CT | Takt | 判断 | 风险等级 | 建议 |
10 | 145s | 150s | 正常 | 低 | — |
11 | 178s | 150s | 瓶颈 | 高 | 分解作业 |
12 | 151s | 150s | 临界 | 中 | 持续观察 |
这样下一步的Workflow 才能继续调用。
否则每一次输出格式都不一样，后续节点就很难稳定处理。
所以：
好的 Skill，不只是“能回答”，还应该“稳定地产生可被下一步使用的输出”。
④ 边界在哪里？
这是 Skill 和普通 Prompt 最重要的区别之一。
一个真正可用的 Skill，必须明确：
什么情况下可以自己判断？什么情况下不能判断？什么情况下必须交给人？
例如：
如果输入数据缺失超过一定比例：
停止分析。
如果发现数据与历史记录存在明显冲突：
标记异常，不直接下结论。
如果问题涉及设备安全、质量放行等高风险判断：
升级人工确认。
这其实和制造业的异常管理完全一致。
标准作业从来不是：
“任何情况都照做。”
真正成熟的标准作业一定包含：
正常条件、异常条件、处置方式、升级规则。
所以：
没有边界条件的 Skill，很容易只是一个“看起来很聪明的 Prompt”。
⑤ 如何验证？
最后一个问题，也是最容易被忽略的问题：
你怎么证明这个 Skill 真的有效？
不能只看：
“这次回答得挺好。”
也不能只说：
“感觉比以前快。”
因为一次成功不能证明方法稳定。
最简单的做法：
拿 10～20 个历史真实案例进行回测。
比较：
人工结果 vs Skill 结果。
根据任务类型定义指标。
例如：
● 判断准确率
● 漏判率
● 误判率
● 输出完整率
● 事实准确率
● 人工采纳率
● 平均处理时间
不同 Skill，指标可以不同。
但原则不能变：
先定义评价指标，再验证 Skill。
于是，一个真正可复用的 Skill，至少应该回答五个问题：
输入是什么？怎么处理？输出什么？边界在哪里？如何验证？
这五件事补齐之后，Prompt 才真正开始从“提示词”走向“能力资产”。
可以把它浓缩成一句话：
没有输入、方法、输出、边界和验证的 Prompt，只是一个好用的提示词；把这五件事补齐，才开始成为真正的 Skill。
五、从 Prompt 到 Skill，本质上是在做什么？
表面上看，我们是在学习几个 AI 新概念。
实际上，我们做的事情和精益生产非常像。
精益生产为什么强调标准化？
因为：
没有标准，就没有比较。没有比较，就没有改善。
同样：
Prompt 解决一次问题。
但如果这个方法被反复使用，就应该开始问：
这是不是一类问题？
如果是，就应该开始固化：
输入 → 方法 → 输出 → 边界 → 验证
然后进入持续改善。
这就是我理解的：
AI时代的标准化。
所以 Skill 不是“写完就结束”。
Skill 本身也应该进入 PDCA。
六、AI-PDCA：让 Skill 在使用中持续进化
上一篇文章我讲过一个观点：
传统 PDCA 改善的是生产过程，AI-PDCA 更重要的价值，是改善人的认知过程。
这一篇把它进一步落到能力固化上。
Plan：判断应该固化到哪一层
遇到一个新问题，先判断：
这是一次性的，还是重复性的？
一次性的：
Prompt。
重复出现的：
Skill。
多个重复任务需要协同：
Workflow。
Do：把方法固化下来
把好的经验从人的脑子里拿出来，变成明确的：
●Prompt 模板
●Skill 定义
●Workflow 编排
这一步的核心不是“写得漂亮”。
而是：
让别人、让AI、让未来的自己，都能按照同样的方法执行。
Check：验证固化效果
这一步必须建立数据意识。
不要问：
“感觉有没有变好？”
而要问：
准确率是多少？漏判率是多少？平均处理时间下降多少？人工修改比例是多少？
至少要用历史案例进行回测。
例如：
10～20 个真实案例作为第一轮验证样本。
Act：持续迭代
Skill 写出来不是结束。
真正的改善从这里开始。
每使用一次，都可以问：
新场景下还成立吗？
有没有新的异常？
边界条件是否完整？
哪些输出经常需要人工修改？
哪些判断容易出错？
然后更新 Skill。
于是：
Skill 1.0 → Skill 1.1 → Skill 1.2 → ……
这才是真正的能力复利。
因为每解决一个新问题，不只是解决了这个问题。
还可能把经验沉淀回 Skill。
下一次遇到类似问题，成本更低。
七、但也不要什么都固化
讲到这里，很容易出现另一个误区：
“既然Skill 可以形成资产，那是不是所有事情都应该Skill 化、Workflow化？”
不是。
这恰恰违背精益思想。
陷阱一：什么都 Workflow 化
有些事情：
● 发生频率低
● 场景差异大
● 判断高度依赖上下文
● 很难形成稳定规则
这种事情硬做 Workflow，可能得不偿失。
一次性问题：
Prompt 就够了。
不要为了自动化而自动化。
陷阱二：让 Skill 替代人的判断
Skill 是方法固化。
不是：
“从此以后AI 可以替人做所有判断。”
恰恰相反。
一个成熟 Skill 应该明确自己的边界。
遇到：
● 数据异常
● 条件缺失
● 高风险情况
● 超出适用范围的问题
应该：
停止、标记、升级人工。
这和制造业的异常管理逻辑是一致的。
陷阱三：Skill 越多，系统越强
这是最容易出现的“数字库存”。
做了 50 个 Skill。
然后说：
“我们已经有 50 个 AI 能力了。”
不一定。
50 个彼此孤立的 Skill，很可能只是：
50 个新库存。
真正应该关注的不是：
有多少 Skill？
而是：
这些 Skill 能不能被正确调用？能不能组合？能不能进入 Workflow？能不能形成稳定的端到端产出？
这和精益生产中的“库存”概念非常像。
库存多，不代表系统强。
八、Workflow 的真正价值：不是“串几个步骤”
所以到了这里，可以重新理解Workflow。
Workflow 不是简单的：
Skill 1 → Skill 2 → Skill 3 → Skill 4
它真正解决的问题是：
什么时候调用哪个能力？调用的顺序是什么？上一步的输出如何成为下一步的输入？什么条件下走 A 路径，什么条件下走 B 路径？什么情况下停止并交给人？
例如制造业的一个分析任务：
数据输入↓数据质量检查↓是否满足分析条件？├── 否 → 异常 → 人工处理↓ 是瓶颈识别 Skill↓原因分析 Skill↓改善建议 Skill↓报告生成↓人工确认
这时候，Workflow 已经不是简单的“把几个 Skill 连起来”。
它开始承担：
任务编排、条件判断、异常分流和人机协同。
但这里我有意停下来。
因为：
Workflow 只是能力协同的框架。
一个真正能够长期运行的 AI 系统，还需要解决：
● 谁来理解任务？
● 谁来调用工具？
● 工具如何被统一连接？
● 上下文如何保留？
● 历史经验如何积累？
● AI 如何真正执行动作？
这些问题，就进入下一篇。
九、写在最后：AI时代真正的复利是什么？
Prompt 谁都会写。
Skill 也可以学习。
Workflow 工具也会越来越简单。
所以，真正的竞争力并不是：
“我会不会写Prompt。”
也不是：
“我有多少个Skill。”
甚至也不是：
“我做了多少个 Workflow。”
真正重要的是：
你有没有能力把一次解决问题的方法，沉淀成经过验证、可以重复调用的能力资产。
我自己维护了 1700 多份制造业资料。
过去最大的浪费，不是资料不够。
而是：
每一次遇到问题，都重新搜索、重新思考、重新写方案、重新试错。
当开始把高频问题固化成 Skill，再把多个 Skill 组合起来，事情就发生了变化。
同一类问题：
AI 可以重复调用同一个方法。
同一系列任务：
Workflow 可以进行协同编排。
而人的时间，则逐渐从：
“重复做已经做过的事情”
转向：
处理真正需要判断、创造和决策的问题。
这才是能力复利。
精益生产告诉我们：
没有标准化，就没有持续改善。
AI时代也是一样：
没有能力固化，就没有真正的能力复利。
但还要再往前一步：
没有经过验证的 Skill，只是一个假设。没有正确协同的 Skill，只是一堆库存。没有人的判断边界，自动化也可能变成新的浪费。
所以：
Prompt 是任务指令。
Skill 是经过固化和验证的方法资产。
Workflow 是能力之间的协同编排。
而真正的路径是：
Prompt → Skill → Workflow
任务指令→ 方法固化→ 系统协同
这不是三个 AI 名词的区别。
而是一条从：
“我会用 AI”
走向：
“我的方法可以被 AI 重复执行和组合”
的能力升级路径。
如果只能记住一句话：
AI时代的复利，不是你积累了多少知识，而是你把多少经过验证的方法，固化成了可重复调用的能力。
下一篇
第二篇解决的是：
方法如何沉淀？
下一篇继续往前走：
方法沉淀之后，谁来执行？
Model、Tool、MCP、Memory 到底分别是什么？
它们为什么会共同构成一个“数字员工”的基础能力？
AI 为什么正在从：
回答问题的工具
变成：
能够持续完成任务的数字员工？
下一篇，我们继续拆开来看。
系列三：《为什么 AI 最终会变成你的数字员工？》
