你写了那么多经验，AI 为什么还是学不会？

你有没有遇到过这种情况：

同一个坑，你已经教过 AI 三次了。

第一次，它做错，你纠正。第二次，它又偏，你再补一段说明。第三次，你甚至写了复盘，告诉它以后别这么干。

结果第四次，换个相似任务，它还是不会。

但我最近越来越觉得，问题经常不在模型，而在我们喂给它的东西。

你以为自己在沉淀经验，AI 看来往往只是一篇不能执行的总结。

AI 时代最值钱的经验，不是总结，而是 Skill。

为什么总结经常教不会 AI

总结当然有用。

人做完一件事，回头写写哪里做对了，哪里踩坑了，这很正常。

但总结有一个天然问题：它更像事后解释，不像下次执行。

你写完一篇总结，里面通常会有这些内容：

• 发生了什么
• 为什么会失败
• 下次应该注意什么

对人来说，这已经够了。你回头看一眼，就能把步骤重新拼起来。

AI 不一样。

AI 看到一篇总结，很多时候只会得到一堆原则，却拿不到真正能执行的结构。

它不知道：

• 什么时候该触发这段经验
• 先做哪一步，后做哪一步
• 哪些情况必须停下来
• 哪些命令可以直接跑
• 哪些细节在别的文件里按需读取

这就是为什么很多人明明已经写了很多复盘，AI 一到类似任务还是像第一次上岗。

总结和 Skill，差的不是文风，是执行力

Anthropic 最近专门出了一份很长的 Skill 指南。里面有个判断我认同：Skill 本质上是一组打包好的指令，用来教 Claude 处理某一类具体任务或 workflow。

这句话说人话就是：

Skill 不是经验的描述，而是经验的可执行版本。

它比总结至少多五样东西：

1. 触发条件 什么情况下该用这段经验，不是每次都靠猜。

2. 边界 哪些能做，哪些不能做，什么动作要先停。

3. 决策树 如果看到 A，走路径 1；如果看到 B，直接降级；如果条件不满足，别继续。

4. 引用入口 详细文档、脚本、配置文件放哪，什么时候读，而不是全部塞进一大段 prompt。

5. 停止条件 做到哪一步该交还给人，别把一次小问题滚成事故。

<figure><img src=“images/01-compare.png” alt=“01-compare”></figure>

这五样东西一补上，经验就从写给人回头看的东西，变成了 AI 下次真能调用的东西。

Skill 不是神秘功能。

它只是 AI 时代的经验容器。

总结是材料。

Skill 是可调用的经验。

脚本是把其中稳定的部分继续自动化。

为什么这波 Skills 值得重视

Anthropic 在讲 Skills，Claude Code 文档在讲 workflows；OpenClaw 这类本地 agent 系统也在讲 AgentSkills；大家都在往同一个方向收敛。

原因很简单：

没有 Skill，每次对话都会从头开始。

每次都从头开始，意味着：

• 同一类任务反复解释
• 同一类错误反复出现
• 换个人、换个会话、换个 agent 就失忆
• prompt 越写越长，结果反而越来越飘

Anthropic 的指南里其实也在反复强调一件事：Skill 的价值不只是更聪明，而是让工作方式更稳定、更一致，不用每次都重新提示下一步。

OpenClaw 这类系统更明显。

你想让 agent 真正接浏览器、接命令行、接消息渠道、接文件系统，它最怕的不是不会回答，而是不知道该按什么工作方式做事。

这时候，经验如果还停在聊天记录和总结里，几乎等于没沉淀。

四个大众例子，一眼就能看懂

如果只讲抽象概念，这篇文章很容易变空。

所以我更想用四个大众例子。

1. 法务审合同

没有 Skill，AI 往往只会说“这个条款有风险，建议谨慎”。

有了 Skill，它才知道先查主体资格，再查违约责任、管辖法院、赔偿上限，最后把高风险条款单独标红。

同样是审合同，前者像空话，后者才像法务。

2. 客服退款

没有 Skill，AI 客服只会安抚你。

有了 Skill，它会先查订单状态，再判断有没有发货、金額是否超过阈值、是不是 VIP、符不符合极速退款条件。能退就退，不能退就转人工。

这时候它不是更会说话了，而是真的更会办事了。

3. 月度复盘

没有 Skill，AI 写月报很容易像一篇漂亮空话。

有了 Skill，它会先找这个月的项目文档，再读目标、周复盘和数据表，最后按固定模板输出。

差别不在文笔，在它是不是知道该先读什么。

4. 内容生产

没有 Skill，AI 只能给你一篇泛泛的初稿。

有了 Skill，它会按顺序做：先定选题，再定结构，再排版、配图、发布。

你看到的不是“AI 突然会写爆文了”，而是有人先把这套工作方式封装好了。

这四个例子有个共同点：

大家不再只是教 AI 像某个岗位那样思考。

他们在教 AI：遇到这类工作时，按什么顺序处理，去哪读材料，什么情况停下，什么情况继续。

怎么把经验升级成一个 Skill

我现在一般用四步。

第一步：先别问要不要复盘，先问这件事会不会再来。

不会再来的，一次性坑，留总结就够了。

会反复来的，才值得继续升级。

第二步：把感受改写成触发条件。

不要写“这里容易出错”。

要写“如果看到 X，就先检查 Y；没有 Y，直接停”。

第三步：把建议改写成决策树。

不要写“最好先确认登录态”。

要写“若缺核心资料，停止；若符合标准，继续；若命中例外条件，转人工”。

第四步：把稳定动作继续下沉成脚本。

Skill 不该包打天下。

它负责告诉 AI 什么时候做、按什么顺序做、失败怎么停。

真正机械、可重复的部分，继续交给脚本。

<figure><img src=“images/02-workflow.png” alt=“02-workflow”></figure>

所以在我看来，一个成熟的 AI 工作流，通常是三层：

• 总结保留背景
• Skill 固化经验
• 脚本执行动作

少了第一层，你不知道为什么这么做。

少了第二层，你每次都得重想。

少了第三层，你知道怎么做，但还是得手动再做一遍。

AI 时代，经验的终点已经变了

以前我们说经验沉淀，默认是在给未来的自己留资料。现在不够了，因为你不是一个人做事了，你还有 AI。

而 AI 最吃的，不是漂亮总结，不是长篇心得，不是“我觉得这里很重要”。

它最吃的是：什么时候触发，怎么走，哪里停，详细操作去哪读。

这才是 Skill。

所以我现在越来越少写那种“这次学到了什么”的结尾。

我更常问的是：

这次里面，有没有哪一段已经值得变成一个 Skill？

如果有，就别让它停在总结。

因为总结只是让你想起来。

Skill 才会让 AI 下次真的做出来。

资料参考：Anthropic《The Complete Guide to Building Skills for Claude》、Anthropic Claude Code 文档、少数派关于 AI Skills 与 OpenClaw 的相关文章。

你最近有没有哪段经验，已经重复教过 AI 两三次了？那段东西，也许不该再写成总结，而该写成一个 Skill。