把你想做的事做一遍,AI 帮你翻译成 Skill
传统方式是这样的:你打开 Claude,告诉它「帮我写一个读取 JSON 文件的函数」。然后它写了第一版,你发现需要加错误处理。于是再发一条 Prompt,它改了。然后你又发现需要支持大文件……这个过程可能要来回十几次。
新方式完全不同:你打开电脑,对着它做一遍「读取 JSON 文件」这件事——打开文件、解析内容、处理异常、返回结果。全程录制。
AI 在后台看完你的操作后,直接生成一个叫 read-json-skill 的东西。下次你只需要说「用 read-json-skill 处理这个数据」,整个流程就跑完了。
不是 AI 学你的操作,而是 AI 把你的操作「翻译」成了一种它能理解并复用的格式。
三步:从录制到可复用 Skill
这套流程分为三个阶段,每一阶段都有明确的目标:
第一步:操作录制。你对着电脑完成一个任务,工具在后台记录你所有的操作轨迹——点击了哪个按钮、打开了哪个文件、输入了什么内容。关键不是录屏,而是录「意图」:你在做什么、你为什么要这样做。
第二步:意图翻译。AI 读取录制数据,识别其中的「模式」——哪些是重复步骤、哪些是关键决策点、哪些可以参数化。然后生成一段结构化的 Skill 定义:输入是什么、输出是什么、中间的逻辑是什么。
第三步:测试与迭代。生成的 Skill 先在小样本上跑一遍,验证它是否真的复现了你的操作。如果不对,告诉 AI「第三步漏掉了异常处理」,它会修正。这个过程可以循环,直到 Skill 达到可用状态。
从「说一次做一次」到「做一次用一辈子」
传统 Prompt 是线性的:你说一句,AI 做一步。你每次遇到同类任务,都要重新说一遍。
Skill 是结构化的:你录一次,AI 生成一份可复用的操作定义。下次遇到同类任务,一句话调用。
举几个具体例子:
代码评审:你做一遍「找出这个 PR 里所有潜在 bug」的操作,AI 生成 code-review-skill。以后每个 PR 过来,直接调。
数据清洗:你做一遍「把这份 CSV 里空值填上默认值」的流程,AI 生成 clean-csv-skill。以后每份数据,丢进去就能用。
文档生成:你做一遍「根据代码注释生成 API 文档」的操作,AI 生成 gen-doc-skill。每次写完代码,调一下就有文档。
它不是银弹,有些事它还做不好
尽管这个方向很有潜力,但目前的实现还有几个短板:
1. 操作粒度依赖录制质量。如果你的录制过程有冗余步骤,生成的 Skill 会包含无效逻辑。如果录制太粗糙,Skill 可能漏掉关键细节。
2. 参数化能力有限。目前大多数系统只能处理结构化数据(如文件路径、列名)。对于更抽象的参数(如「什么样的代码算有 bug」),还需要人工补充 Prompt。
3. Skill 之间没有标准协议。不同 AI 工具生成的 Skill 格式不通用,迁移成本高。
使用建议:先把 Skill 用来处理「规则明确、输入结构化、输出标准」的任务——这是它目前最擅长的场景。
不需要写代码,你的工作流就是最好的 Skill
这件事最大的意义不是「省代码」,而是它让 Skill 的生产门槛大幅降低了。
以前,一个 Skill 需要:懂技术的人 + 理解业务的人 + 愿意写 Prompt 的人,三者缺一不可。
现在,一个 Skill 只需要:愿意做一遍这件事的人。剩下的,AI 来翻译。
这意味着,非技术背景的人也可以把自己工作中的重复操作变成 Skill。整个团队的工作流可以指数级地积累和复用。
未来的工作场景,可能是这样的:你早上打开电脑,调出昨天录制的「分析竞品数据」Skill,输入今天的链接,整个分析报告 10 分钟生成。
Skill 化的本质,是把你的工作流变成可积累的资产。你的每一个「再做一遍」,都在让 AI 变得更懂你。