怎么把经验蒸馏成自己的 Skill?
很多人将 Skill 误认为简单的“提示词收藏夹”,仅用于存储常用的代码审查指令或写作模板。然而,真正有效的 Skill 实质上是一种经过高度压缩的工作方法,它将使用者过去踩过的坑、反复验证过的判断逻辑以及对工具链的使用顺序,封装成一个可重复调用的稳定流程。其核心价值不在于语法的复杂程度,而在于经验的密度与决策的精准性,确保在无人干预的情况下,依然能按照既定的质量标准和偏好输出结果。
01澄清误区:从收藏夹到工作流
Skill 定义认知对比
提示词收藏夹
堆积零散的指令,如“请一步一步思考”或通用写作模板
只负责保存内容,缺乏明确的任务导向
文件冗长,调用效果不稳定,试图覆盖所有场景


可复用工作流
明确任务边界,针对特定高频任务(如 code-reviewer 或 article)
定义清晰的输入输出标准,如“生成生产级前端界面”
包含具体工具链调用顺序,如使用 Playwright 进行本地 Web 应用测试
02提取原料:以失败样本为核心
构建 Skill 的最佳原料并非那些完美的提示词,而是那些令人不满意的输出。每一次对 AI 输出的修正,本质上都是一条潜在的规则。通过分析失败样本,可以将隐性的不满转化为显性的约束条件,从而避免重复错误。
- 拒绝空泛趋势
避免使用“提高效率”“优化流程”等宏大词汇,强制要求输出具体工作流和返工细节 - 明确具体工具
禁止使用“各种自动化能力”等模糊表述,必须列出 article、code-reviewer、claude-api、webapp-testing、xlsx、pdf、pptx-generator 等具体 Skill 名称 - 锁定交付标准
代码审查必须先列风险再夸改动,前端设计不能仅堆渐变卡片,Web 应用测试必须实际打开页面而非仅跑 typecheck
03构建方法:隐性规则显性化
经验丰富的从业者往往依赖直觉做出判断,但在构建 Skill 时,必须将这些直觉转化为明确的条件语句。这并非要求编写冗长的操作手册,而是提取关键的决策节点,形成“遇到某种情况时,应该怎么决策”的逻辑闭环。
| 场景/任务 | 隐性经验(直觉) | 显性规则(Skill 逻辑) |
|---|---|---|
| 文章写作(article Skill) | 题目太大时知道要收窄,不喜欢讲大背景 | 当用户只给大方向时,主动收窄成可成文角度;开头必须用真实问题切入,禁止使用“首先/其次/最后”结构 |
| 代码审查(code-reviewer Skill) | 改代码前不能一上来就重构,要先读模式 | 先梳理现有模式,再做最小必要改动;发现问题优先于摘要,按严重程度排序给出文件和行号 |
| 前端设计(frontend-design Skill) | UI 修改不能只看代码,要跑通真实路径 | 生成代码后,必须启动开发服务器,通过浏览器走一遍黄金路径,验证信息架构而非仅视觉堆叠 |
从直觉到规则的转化示例
04实战打磨:基于真实任务迭代
Skill 的完善不是一蹴而就的,需要通过三类任务进行反复测试与微调。每次测试后,仅需针对暴露出的问题补充一两条最关键的规则,避免推倒重来导致的逻辑混淆。真正的 Skill 应当像一把磨顺手的工具,拿起来即用,边界清晰,输出稳定且带有鲜明的个人风格。
测试任务类型与目标
典型任务
验证核心功能的稳定性
- 使用 article Skill 撰写技术文章,验证能否直接产出符合字数和结构要求的成稿
- 使用 code-reviewer Skill 审查普通 PR,验证是否优先指出风险而非客气话
边界任务
暴露触发条件与适用范围
- 输入模糊指令时,验证 Skill 能否自动补全角度或重组散乱素材
- 素材与工具不匹配(如提及 OpenAI SDK 却触发 claude-api Skill)时,验证能否识别并规避
反常任务
测试异常情况下的处理能力
- 用户输入夹带无关情绪或需求(如“好看点”),验证 Skill 是否能按自己的边界处理,不进行硬编
- 前置条件缺失(如应用未启动),验证 Skill 是否能提出疑问而非盲目执行
当前文章无评论,是时候发表评论了