QUOTE

Agent 时代最稀缺的，是把人的经验、工作流和品味，变成可以 分发、调用、迭代的能力商品 。

—— 甲木

我最近几次聊 Skills，有一个越来越明确的判断：大家都在说 Agent，但大多数人还没真正理解它。Agent 不是简单抹平能力差距， 而是在放大能力差距 。

目标清晰、品味强的人会被 Agent 放大；目标混乱、没有判断的人，也会被放大混乱。而 Skill， 正是弥合这道鸿沟的关键 。

本文看点

我现在对 Skill 的一句话定义是： 把专家经验、工作流、品味和工具调用，封装成可分发、可复用、可迭代的能力单元 。

它不是单纯的提示词，也不是传统意义上的 App，更像 Agent 时代的 能力商品 。用户不需要理解底层的 MCP、CLI、loop，只需要知道： 它解决什么问题，产出什么结果 。

真正有价值的部分，是 把人的审美、判断和经验固化进去 。这要求创作者同时懂三件事：

01 传统专业知识

决定你知道 什么结果算好 。没有这个判断力，AI 给再多输出也无法筛选。

02 AI 的上下限

决定你知道 什么必须工程化兜底 。模型能做到哪、会在哪跌倒，得自己踩过才知道。

03 产品化思维

决定你知道 用户场景和稳定性要求 。Skill 不只给自己用，它要在不同上下文里稳定复现。

一个设计类 Skill 的例子

它没有让图像模型一把梭生成 Logo，而是先生成 SVG 变体 ，再做展示图。 把 Logo 本体、展示场景、交互背景拆成不同层 ，分别用最适合的技术处理。

SKILL.md 只放 高信号流程 ；references 放重文档，按需读取；scripts 放确定性逻辑。更稳的架构是 Thin Harness, Fat Skills 。

好 Skill 不是一次写完，它需要 像代码质量一样维护 。一个可靠的生命周期是：

01 先用真实任务找到它会错在哪里

不经过真实任务的验证，再完美的设计也只是假设。 失败是最好的调试信号 。

02 把失败案例追加到 gotchas

而不是不断加长主流程。 gotchas 是整个 Skill 里最高价值的内容 ，因为正向原则模型往往已经知道， 负面边界才是专家经验 。

03 跨模型测试

看不同模型的差异，让 Skill 在主流模型上都能 稳定复现预期结果 ，而不是只在某一个模型上表现好。

过去文章和产品是分开的：先做产品，再写推广。现在 Skill、文章、案例、开源仓库会互相喂养 。

每一次真实任务，都不只是在完成任务，而是在 积累下一次能调用的能力资产 。这就是个人产品在 Agent 时代的复利飞轮。