不知道你有沒有留意，最近一直在分享 Skills。

從最早聊它如何完成 50 個(gè)客戶案例，到后來聊它怎樣嵌進(jìn)產(chǎn)品經(jīng)理的工作流，再到最近分享如何從 0 到 1 寫一個(gè)“畫原型”的 Skills，這條線其實(shí)一直很清晰：不是在炫技，而是在回答一個(gè)更實(shí)際的問題，AI 到底怎么真正進(jìn)入工作，而不是只停留在演示里。

但這里面一直有一個(gè)繞不開的話題，之前沒有單獨(dú)展開說。

那就是：怎么把你的經(jīng)驗(yàn)、方法論，真正裝進(jìn) Skills 里，讓它輸出的內(nèi)容不只是“看起來對”，而是“對你有用”。

很多人會有一個(gè)很自然的疑問：AI 已經(jīng)這么強(qiáng)了，為什么還要強(qiáng)調(diào)“把自己的經(jīng)驗(yàn)喂給它”？這聽起來好像有點(diǎn)自以為是，仿佛默認(rèn)自己比 AI 更懂。

其實(shí)不是。

更準(zhǔn)確地說，你不是在教 AI 變聰明，而是在給它一個(gè)邊界、一個(gè)約束、一個(gè)參考。你是在告訴它，什么才叫符合你的業(yè)務(wù)現(xiàn)實(shí)，什么才叫符合你的判斷標(biāo)準(zhǔn)，什么才是你真正想要的輸出結(jié)果。

否則，它當(dāng)然也能給你答案，而且往往還會給得很完整、很漂亮、很像那么回事。但問題是，那些內(nèi)容未必屬于你，未必適合你的場景，甚至可能只是“高大上”，卻和實(shí)際工作沒什么關(guān)系。

這篇文章，就是想聊這件事。

為什么我會開始折騰這個(gè)問題

拿一個(gè)很真實(shí)的場景來說。

作為一名 SaaS 產(chǎn)品經(jīng)理，每周少則要評估 1 到 2 家客戶的定制需求工作量，多的時(shí)候可能有 5 到 10 家。每次評估，少則 1 小時(shí)，多則一整天。它既重復(fù)，又高頻，還特別費(fèi)時(shí)間。

你如果不認(rèn)真評估，只是給客戶一個(gè)籠統(tǒng)的人天，比如 10 人天，對方很可能會繼續(xù)追問：“你們有評估依據(jù)嗎？有沒有需求理解和時(shí)數(shù)拆解？”

可你如果認(rèn)真去做，又會很快陷入另一個(gè)現(xiàn)實(shí)：費(fèi)了不少時(shí)間，最終真正愿意付費(fèi)定制的客戶，可能連 5% 都不到。

這就是一個(gè)特別典型、也特別適合用 Skills 去解決的問題。

但真正開始寫的時(shí)候，很快就會發(fā)現(xiàn)，事情沒那么簡單。一個(gè)看起來“很明確”的需求，要做成一個(gè)穩(wěn)定可用的 Skills，背后其實(shí)很講究。不是把需求描述給 AI，就能自然得到一個(gè)符合預(yù)期的結(jié)果。

我前后調(diào)了好幾個(gè)小時(shí)，寫廢過一個(gè) Skills，又拿 5 個(gè)完全不同的真實(shí)需求反復(fù)驗(yàn)證，才慢慢調(diào)出一個(gè)能真正投入工作的版本。

回過頭來看，真正決定結(jié)果的，不是提示詞寫得多長，而是你有沒有把自己的經(jīng)驗(yàn)和方法論講清楚。

這也是這篇文章的由來。想把這個(gè)過程完整分享給你，或許能幫你少走一點(diǎn)彎路。

第一輪調(diào)試：一個(gè) Skill 干太多事

最開始調(diào)試的時(shí)候，我其實(shí)犯了一個(gè)很常見的錯(cuò)：希望一個(gè) Skill 一次性把所有問題都解決。

我當(dāng)時(shí)的想法很直接。輸入一個(gè)需求，讓它同時(shí)輸出解決方案、用戶故事、流程圖，再順便給出工作量評估。聽起來很合理，甚至還有點(diǎn)“一步到位”的味道。

結(jié)果也確實(shí)能出東西。它會給我 2 到 3 個(gè)解決方案，每個(gè)方案后面還附帶一份對應(yīng)的工作量評估。

但真正一看，就發(fā)現(xiàn)問題很明顯。

第一個(gè)問題，是評估結(jié)果偏差非常大。原本經(jīng)驗(yàn)判斷大概 15 人天的需求，它給出來的方案一可能是 30 人天，方案二甚至能到 59 人天。表面上看是在“多方案分析”，實(shí)際上是評估基準(zhǔn)已經(jīng)飄了。

第二個(gè)問題，是拆得太細(xì)，而且太技術(shù)化。它會把很多研發(fā)內(nèi)部的實(shí)現(xiàn)層內(nèi)容直接攤出來，比如日志管理、數(shù)據(jù)映射配置之類。這樣的結(jié)果拿給客戶，未必能幫助對方理解，反而更容易把溝通帶偏。

后來再回頭看，這一輪失敗幾乎是必然的。因?yàn)槲覍?shí)際上是在讓一個(gè) Skill 同時(shí)承擔(dān)“方案設(shè)計(jì)”和“工作量評估”兩種不同職責(zé)。一個(gè)偏發(fā)散，一個(gè)偏收斂，本來就不該混在一起。

第二輪調(diào)試：拆開職責(zé)，但只給要求，不給方法

第一輪結(jié)果不符合預(yù)期之后，我開始拆分職責(zé)。

說到底，問題有兩個(gè)。一個(gè)是不符合 Skills 的設(shè)計(jì)常識，也就是一個(gè) Skill 最好只做一件事。另一個(gè)更關(guān)鍵，是我雖然給了很多要求，卻沒有把背后的經(jīng)驗(yàn)和方法講給它。

于是第二輪，我把它拆成了至少兩個(gè) Skill。一個(gè)負(fù)責(zé)設(shè)計(jì)解決方案，一個(gè)專門負(fù)責(zé)評估工作量。

這次，我把約束加得很強(qiáng)，也明確告訴它一些經(jīng)驗(yàn)判斷。比如測試工作量通常是后端的三分之一到二分之一，前端一般是后端的一半，產(chǎn)品和設(shè)計(jì)工作量最小，簡單需求 1 天，最復(fù)雜也不超過 5 天。

然后，我拿一個(gè)真實(shí)需求去測它：

評估工作量：需求是新增審批流支持審批通過后，把對應(yīng) Excel 表附件數(shù)據(jù)自動(dòng)同步到系統(tǒng)中。背景是目前系統(tǒng)已有兩種導(dǎo)入方式，一種是直接導(dǎo)入，一種是通過第三方 API 接口同步，但還不支持通過審批流程導(dǎo)入。

本來以為這次會比第一輪好，結(jié)果反而有點(diǎn)弄巧成拙。

同樣一個(gè)經(jīng)驗(yàn)判斷大約 15 人天的需求，它直接給我評到了 44 人天。而且它還特別“聽話”，幾乎完全照著我給的比例去套。后端 18 天，前端 9 天，測試又 9 天，數(shù)字看起來很規(guī)整，邏輯也似乎說得通，但結(jié)果明顯不對。

那一刻我才真正意識到，只給比例、不給方法，問題會更大。因?yàn)樗鼤浅ＵJ(rèn)真地執(zhí)行約束，卻不一定真的理解你為什么這么約束。

你有沒有過類似體驗(yàn)？你給一個(gè)新人很多規(guī)則，結(jié)果對方每條都記住了，但做出來的東西還是不對。問題不在執(zhí)行力，而在于他沒有建立判斷框架。

AI 也是一樣的。

第三輪調(diào)試：給它經(jīng)驗(yàn)，更要給它判斷邏輯

前兩輪調(diào)試之后，我慢慢發(fā)現(xiàn)了一個(gè)核心問題：

不是 AI 不夠聰明，而是我對它有不切實(shí)際的期待。

我一開始太希望它像“肚子里的蛔蟲”，既能自動(dòng)讀懂需求，又能自己掌握拆解需求、評估工作量的方法論?？涩F(xiàn)實(shí)是，這幾乎等于你期待一個(gè)剛?cè)肼毜耐拢诓涣私鈽I(yè)務(wù)、不熟悉系統(tǒng)的情況下，直接產(chǎn)出一份完全符合你預(yù)期的結(jié)果。

哪怕這個(gè)同事再聰明，也不現(xiàn)實(shí)。

所以第三輪，我索性推倒重來，從 0 到 1 重新寫了一個(gè)全新的 Skill，目標(biāo)非常單一：只做工作量評估。

這一次，我不再一味加強(qiáng)硬約束，而是開始把真正的方法論告訴它。

最核心的，是下面這幾件事。

第一，要遵循“需求是 1，方案是 1”的原則。也就是說，在需求沒搞清楚之前，不能直接評估工作量；在方案沒定下來之前，也不能直接給時(shí)數(shù)。必須先問清需求，再確認(rèn)方案，最后才評估。

第二，要有一套明確的拆解路徑。我給它的是“需求 → 場景 → 模塊 → 功能 → 原子任務(wù)”這條鏈路，并補(bǔ)充了拆解原則。比如一個(gè)功能點(diǎn)只做一件事、鏈路要閉環(huán)、不要為了拆而拆。

第三，要告訴它如何一步步拆。我把工作量評估定義成一個(gè)“五步法”，按照需求、場景、業(yè)務(wù)、最小功能點(diǎn)、任務(wù)的順序逐層展開，而不是一上來就按角色拍腦袋報(bào)數(shù)。

第四，可以給經(jīng)驗(yàn)，但不要給死。比如測試工作量通常是后端的一半，產(chǎn)品工作量可以按需求復(fù)雜度浮動(dòng)，小需求 0.5 天，常規(guī)需求 1 天，中等需求 2 天，復(fù)雜需求 3 天，超級復(fù)雜需求最多 5 天。它們應(yīng)該是參考系，而不是鐵律。

這一次，我干脆單獨(dú)新開了一個(gè)項(xiàng)目，從零開始重建，工具也從扣子換到了 Trae，把這些拆解原則和方法論都明確寫進(jìn)去了。

結(jié)果比前兩輪明顯好很多，但還是沒有一步到位。

同一個(gè)需求輸進(jìn)去之后，它雖然開始更像回事了，可輸出方式還是不符合我想要的工作習(xí)慣。它會按角色逐項(xiàng)評估，每個(gè)角色都給一整份時(shí)數(shù)，看上去很完整，但不夠適合直接拿去跟客戶溝通。

于是，我又繼續(xù)調(diào)。

第一次微調(diào)，重點(diǎn)是約束最終輸出形式。把“UI”替換成“產(chǎn)品”角色，同時(shí)把表格邏輯改成按場景來組織。每一行對應(yīng)一個(gè)用戶場景，功能點(diǎn)聚合在同一格里，后端、前端、產(chǎn)品、測試分別展示工作量，最后一行再匯總總?cè)颂?。并且我特意補(bǔ)了一條：如果某個(gè)功能點(diǎn)很小，允許評估成 0.2、0.4 天，不必強(qiáng)行從 0.5 起跳。

第二次微調(diào)，是把產(chǎn)品經(jīng)理和測試的工作量從“功能級逐項(xiàng)評估”改成“場景級匯總評估”。因?yàn)檎鎸?shí)工作里，這兩個(gè)角色通常沒必要在每個(gè)小功能點(diǎn)上拆得那么細(xì)。產(chǎn)品更多是按需求復(fù)雜度判斷，測試更多是按整體鏈路和風(fēng)險(xiǎn)范圍評估。

經(jīng)過這兩輪微調(diào)后，最終結(jié)果終于基本符合預(yù)期，也正式投入到實(shí)際工作里了。

我怎么判斷這個(gè) Skill 算“可用”了

真正決定一個(gè) Skill 能不能進(jìn)工作流，標(biāo)準(zhǔn)其實(shí)沒那么復(fù)雜。

對我來說，只有兩個(gè)。

第一，評估顆粒度要合適。既不能粗到只剩一個(gè)總?cè)颂?，也不能?xì)到全是客戶看不懂的技術(shù)項(xiàng)。最理想的狀態(tài)是：一個(gè)需求拆成若干場景，一個(gè)場景下再拆若干功能點(diǎn)。場景負(fù)責(zé)讓客戶看懂，功能點(diǎn)負(fù)責(zé)支撐細(xì)節(jié)。

第二，工作量結(jié)果要符合經(jīng)驗(yàn)和常識。如果同一個(gè)需求，我的經(jīng)驗(yàn)判斷是 10 人天，那它給出的結(jié)果在上下 20% 波動(dòng)都可以接受；但如果直接翻倍，或者壓得離譜，再漂亮的表格也沒有意義。

說到底，Skills 不是替你“發(fā)明”工作經(jīng)驗(yàn)，而是幫你把已有經(jīng)驗(yàn)穩(wěn)定地復(fù)用出來。

最后，分享幾個(gè)我覺得很重要的經(jīng)驗(yàn)

寫到這里，其實(shí)最想傳達(dá)的不是“這個(gè) Skill 我是怎么調(diào)出來的”，而是你如果也想寫出一個(gè)真正能用的 Skill，應(yīng)該怎么想這件事。

首先，一個(gè) Skill 只做一件事。

別貪心。寫需求文檔是一個(gè) Skill，探索方案思路是一個(gè) Skill，輸出正式方案是一個(gè) Skill，評估工作量是一個(gè) Skill，畫原型是一個(gè) Skill，寫上線公告也是一個(gè) Skill。分得越清楚，越容易穩(wěn)定。

其次，把每個(gè) Skill 都當(dāng)成一個(gè)很聰明、但剛?cè)肼毜膶?shí)習(xí)生。

它能力很強(qiáng)，執(zhí)行也很快，但它不是你肚子里的蛔蟲。你不給背景，它就只能猜；你不講標(biāo)準(zhǔn)，它就只能按“通用理解”去做。

再進(jìn)一步，把你的經(jīng)驗(yàn)和方法論當(dāng)成上下文告訴它。

AI 學(xué)過很多知識，但不代表它天然知道你所在行業(yè)、你所在團(tuán)隊(duì)、你這份工作的判斷標(biāo)準(zhǔn)。你完全可以直接把方法論講給它，而不是期待它自己猜中。就像這次工作量評估里用到的拆解思路，本質(zhì)上也不是“我原創(chuàng)”的，而是從經(jīng)驗(yàn)中提煉出來，再明確寫進(jìn) Skill 里。

最后，工具和模型的選擇，確實(shí)會影響結(jié)果。

免費(fèi)工具當(dāng)然可以上手，也足夠你嘗鮮，但如果你真的想把 Skills 當(dāng)成生產(chǎn)力，而不是玩具，還是要接受一件事：好工具、好模型，確實(shí)會讓你少走很多彎路。至少在當(dāng)前階段，Trae 或 Cursor 的付費(fèi)版，再搭配 Gemini 或 Claude 這樣的模型，整體體驗(yàn)會更穩(wěn)定。

寫在最后

回頭看，這一路最大的變化，不是我多會寫提示詞了，而是我終于開始接受一件事：

AI 的價(jià)值，不只是替你干活，更是替你復(fù)用判斷。

而判斷這件事，不會憑空出現(xiàn)。它來自你的經(jīng)驗(yàn)，來自你踩過的坑，來自你總結(jié)出來的方法論。你把這些東西講清楚，Skills 才可能真正長成“你的 Skills”，而不是一個(gè)看起來很厲害、實(shí)際上誰都能替代的通用能力。

所以，如果你最近也在寫 Skills，不妨問自己一個(gè)問題：

你現(xiàn)在寫進(jìn)去的，究竟只是任務(wù)說明，還是已經(jīng)開始把自己的經(jīng)驗(yàn)裝進(jìn)去了？

這兩者的差別，往往決定了它最終是玩具，還是生產(chǎn)力。