提示词是三小时工,Skill 是专业技能
一份关于「把 SOP 改造成 Skill」的课程整理。作者用一个营销周报的场景做对照:传统提示词要三轮对话、手动贴文件、每次重新教一遍口径;写成 Skill 之后是一句话,AI 自己按流程走完。两个案例讲清差别——营销数据分析的漏斗加预算重分配,需求澄清的技能能把一句「加个夜间开关」问成技术栈、存储、生效范围三组具体选择。后半段给了五步改造法:拆流程、定输入输出、提炼决策、写 SKILL.md、测试。
本文整理自一门两讲的课程文稿(第一讲),讲者是一位架构师。内容属整理稿而非逐字记录。
文中的案例数据、工具名与操作过程沿用原片口述,未做外部核验。
那个开场判断
讲者先给了一个他认为正在发生的变化:
很多朋友已经习惯了使用提示词,但随着编码助手的兴起,我们会发现单纯的提示词已经无法满足复杂的业务需求。
如何把传统的作业程序——也就是 SOP——转化成智能体能自主调用的技能,这是从提示词工程转向 Agent 工程的关键一步。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["提示词<br/>一次一问"] --> B["Skill<br/>一次写好,反复调用"]上图是这个转向。注意它换掉的不是「怎么说」,而是「说给谁记」。
案例一:营销周报
那个被具象化的痛点
他先描述了一个人:
一个营销经理,每周一早上非常头疼。因为他要面对来自小程序、微信、抖音、百度四个渠道的营销数据。
小程序要看留存,微信要看互动和转化,抖音要看曝光量,百度要看搜索流量。
而真正的麻烦在下一句:
这些数据是分散的,指标口径也不统一。
这句话我觉得是整篇最值钱的一句——它指出了真正的成本不在「算」,而在「对齐同一件事怎么算」。
传统做法:三轮对话
| 轮次 | 做什么 |
|---|---|
| 一 | 上传数据文件,手写公式(点击率、转化率) |
| 二 | 效率分析(广告支出回报率、单次获客成本) |
| 三 | 上传预算调整的最佳实践,说明额度与增幅上限 |
而他总结的四个问题很实在:
每次要和 AI 多轮交互,操作繁琐,还容易遗漏关键指标。
最头疼的是大模型记性不好——它无法记住之前的分析经验,每次都需要重复引导、重复教学。
有了 Skill 之后
输入端的变化最直观:
使用 Skill,我们只有一句话:直接上传文件,你给我分析这个文件——漏斗(转化率、点击率)、效率分析(利润、广告支出回报率)、还有预算调整建议。
而 AI 接下来的动作是「按流程」:
它首先检查数据,做漏斗分析、效率分析、预算分配建议,最后给出总结。
他的对比维度有四条:文字输入量、交互轮次、时间消耗、token 消耗。
特别是人为错误方面,我们几乎降为零了——因为只有一轮,分析会更加准确可靠。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TB
A["三轮对话"] --> A1["每轮都要人盯着"]
A2["一句话"] --> A2a["AI 自己走完流程"]上图是这个对比。注意「人为错误降为零」的理由不是 AI 更准,是「人只经手一次」。
那个数据长什么样
为了让案例可复现,他描述了一份测试数据。
| 列 | 内容 |
|---|---|
| 日期 / 活动名 / 渠道 | 微信、抖音、小程序、百度 |
| 受众 | 新客、注册未下单、老客复购 |
| 展示 / 点击 / 转化 | 漏斗分析用 |
| 支出 / 收入 / 订单数 | 效率分析用 |
「注册过但从未下单」这一类受众值得注意。它的口径本身就说明了为什么「指标不统一」是真问题:同一个「转化率」,对新客和复购客是两件完全不同的事。
那份预算规则
他特意强调这份规则「足够复杂」:
不是哪个渠道都可以调整预算——有一个数据门槛。
然后将渠道分类,下面有具体规则:这个是要减少、还是要增加、还是维持不变。
增加有一个默认幅度,而我们的提示词会限制单渠道增幅不能超过这个幅度。
这段规则后来被单独抽成一个 Markdown 文件、放进引用目录。这一点在第二讲里会再出现。
实测:两个窗口的对照
他把两种做法并排跑了一遍,而观察点选得挺准。
传统方式
第一轮跑漏斗分析,他记了一个细节:
它会把数据文件转化成一个 Python 脚本,导入数据分析类库来做分析。 先看文件里有哪些列、多少行,然后开始做漏斗分析,并与基准值比较。
而那次运行花了一分多钟,他解释了这个数不可靠:
这个速度还是稍微快一点的,因为我之前在这个环境里执行过多次,中间一些脚本保存下来了。
如果第一次进来,它可能会长达几分钟。
「缓存让第二次变快」这个提醒很重要——它意味着你在自己机器上测出的耗时,别人复现不出来。
他指出了一个真实的数据缺陷:
小程序这里没有展现量,所以它做了一个
NA,避免异常。
第二轮效率分析,他强调了输出规范的必要性:
我们要求输出一个汇总表格,并做标注:广告支出回报率是否高于目标值、单次获客成本是否低于上限、净利润是否为正。
所以和大模型交互时,你的输入输出需要有一个明确的规范,这样才更符合期待。
第三轮才做预算调整,而这轮最慢。
Skill 方式
他说了加载方式的细节:
Skill 可以直接放在项目根目录下的
.claude/skills文件夹里。因为我的目录就在这个项目下,所以直接点斜杠就能看到自定义的 Skill。
然后他给了同样一句话,AI 就自己走完了全流程。
而结尾他做了一个我很欣赏的核对:
小程序新的预算都是 2112,调整额度也一样。
这个地方保留了两位小数,那个地方直接取整了——整体效果是一样的。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart LR
A["传统:三轮<br/>人全程在场"] --> C["结果一致"]
B["Skill:一句话<br/>AI 自己走完"] --> C上图是这次对照的结论。注意他没有说「Skill 算得更对」,只说「效果一样但省了三轮」。 这个措辞很克制,也更可信。
案例二:需求澄清
第二个案例换了场景,而它揭示的问题更普遍。
那句「他直接就开始干了」
你给初级程序员、或给 AI 编码工具表达一个需求——假如说「在设置页面加一个夜间模式的开关」,他直接就开始干了。
那就导致一个循环:他猜测你的需求,直接实施,导致返工率非常高。
「猜测你的需求」——这个词抓住了要害。
该问却没问的三件事
他给了三个具体问题,而每一个都是「不问你就会猜错」的:
| 问题 | 不问会怎样 |
|---|---|
| 开关放在哪里 | 位置猜错 → 全部重做 |
| 是否要持久化 | 刷新就丢 / 或者莫名记住 |
| 生效范围是全局还是当前页 | 体验完全不同的两种产品 |
而他的解法是:
我们需要一个 Skill,能够在每次用户提问后、在真正编码实现之前,先去澄清几个问题。
我可以给你提供一些默认值,你也可以自己补充,或者提供一些选项。
「提供默认值」这个设计我觉得很关键——它让澄清不变成审问:你可以直接选,也可以自己填。
实测的交互
他实际跑了一遍,而 AI 给的分组很规整:
它给了几组确认:技术栈、存储方式、应用范围。
我选原生实现、选好存储方式,然后它问:你要整个页面,还是整个应用?
他接着补了一句对比,我认为是这一节的落点:
如果给它一句话就直接干,它背后完全是个黑盒子,会给我们产生很多不确定性。
但有了需求澄清,就能把一个模糊的需求细化。
而团队层面的收益他也点了:
整个团队里能够遵守相同的流程,减少沟通成本。
那个本质区别
他在第一部分收尾时给了这个总结,我觉得说得很准:
原来写提示词,它很多是一个临时工的角色——每次都需要重新指导,经验、知识都无法沉淀,输出的内容也不稳定。
而有了 Skill,其实是我们打造了一个专业技能——一次创建,可以稳定地输出,质量也得到了标准,也可以在团队里共享。
图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。
flowchart TB
A["临时工<br/>每次重新教"] --> B["经验留不住<br/>输出不稳定"]
C["专业技能<br/>一次写好"] --> D["可复用<br/>可共享 · 质量稳定"]上图是这个对照。它解释了一件事:为什么「写得更长的提示词」解决不了这个问题——提示词是消耗品,Skill 是资产。
我的三点补充
以下是评注,不是原片内容;取舍由我负责。
第一,「指标口径不统一」这句抱怨,其实是整篇最该被认真对待的技术判断。 因为大多数人把多轮对话的痛苦归因于「交互麻烦」,但真正的成本在「每次都要重新对齐同一件事怎么算」。而口径一旦写进 Skill,它就从「每次口头约定」变成了「文件里的定义」。这也解释了为什么后面那一步「把规则抽成单独文件」那么重要。
第二,「人为错误降为零」这个说法,成立的理由值得说清。 不是 AI 比人准,而是人只经手一次。三轮对话里,人要贴三次文件、写两次公式、传一次参考文档——每一次都是一个可能贴错、写错、漏传的接口。而一句话只留一个接口。减少错误的方式,很多时候不是「更小心」,而是「减少必须小心的地方」。
第三,需求澄清那个案例,真正的价值不在「AI 会问问题」,而在「问题被固定下来了」。 因为一个资深工程师本来也会问那三件事,差别在于他不是每次都会问——赶时间就跳过了。而 Skill 把「该问的」变成了流程里绕不过去的一步。所以它防的不是 AI 不懂,是人图省事。
一句话总结:提示词是每次重新交代一遍,Skill 是把交代过的事存下来。 而它省下的不只是时间,更是那些「这次忘了说」导致的返工。