从一个自用配图 Skill，到 GitHub 本周第二：我们怎么封装自己的 AI 工作流

从一个自用配图 Skill，到 GitHub 本周第二：我们怎么封装自己的 AI 工作流 从一个自用配图 Skill，到 GitHub 本周第二：我们怎么封装自己的 AI 工作流 Modified June 2 有些 Skill 可能只有一个文件，有些可能有两个、三个，有些会带脚本 不是每个 Skill 都必须复杂 但你至少要知道，一个稳定的 Skill 通常不只是一个文档 你先不用自己手写这些文件，只要把前面的六维度填清楚，AI 才能帮你生成这一套能力包 它更像一套能力包： Code block Plain Text Copy {技能名称}/ ├── SKILL.md ├── assets/ 可复用素材 ├── references/ 参考资料 └── scripts/ 辅助脚本 SKILL.md 是主入口 它写清楚这个 Skill 什么时候触发、要做什么、按什么步骤做、最后交付什么、遇到信息不足怎么办 references/ 放参考材料 比如方法论、模板、审美标准、质量检查清单、参考样例说明 不要把所有东西都塞进 SKILL.md assets/ 放可复用资产 比如固定模板、示例文件、输入格式、常用素材 scripts/ 放辅助脚本 不是每个 Skill 都需要脚本。但如果你要做文件转换、批量处理、格式校验，就可能需要 为什么要拆成这些部分？ 因为后面要改 如果所有东西都堆在一个文件里，越改越乱 如果方法、样例、模板、脚本各自放好，后面迭代就会轻很多 第七步：用真实任务测试和迭代 Skill 最后一定要测试 第一次生成出来，不要以为结束了 你要让它跑几个真实任务，看结果是否稳定 一个 Skill 至少要检查四类问题 第一类：触发是否清楚 Code block Plain Text Copy 什么时候应该用这个 Skill？ 什么时候不应该用？ 用户输入不完整时，它会不会先追问？ 第二类：流程是否完整 Code block Plain Text Copy 有没有先读懂材料？ 有没有中间步骤？ 有没有输出前的检查？ 遇到模糊需求会不会收敛？ 第三类：质量标准是否够具体 Code block Plain Text Copy 什么算好？ 什么算差？ 有没有好例子和差例子？ 有没有常见错误提醒？ 第四类：换一个新任务还能不能跑 Code block Plain Text Copy 换一篇文章，结果是否稳定？ 换一个主题，流程是否还成立？ 放到新对话环境里，它是否还知道该怎么做？ 真正高级的测试，不是在你知道上下文的时候跑通一次 而是把它放到一个新的对话里，给它一个模糊但真实的输入，看它会不会跑偏、会不会讨好用户、会不会跳过关键步骤 如果一个 Skill 只有在你一直补充背景时才能跑，它就还不是稳定 Skill 测试后要继续改 Code block Plain Text Copy 输出太满 → 补密度标准 风格不稳 → 补风格标准 总是直接生成 → 补中间步骤 经常漏判断 → 补检查清单 用户输入太宽 → 补反问模板 Skill 不是一次写出来的 Skill 是测出来、改出来、用出来的 小案例：把小黑配图做成一个 Skill 我们用小黑配图跑一遍完整流程 原始想法可能只是： Code block Plain Text Copy 我想让 AI 帮我给文章生图 有些 Skill 可能只有一个文件，有些可能有两个、三个，有些会带脚本 不是每个 Skill 都必须复杂 但你至少要知道，一个稳定的 Skill 通常不只是一个文档 你先不用自己手写这些文件，只要把前面的六维度填清楚，AI 才能帮你生成这一套能力包 它更像一套能力包： SKILL.md 是主入口 它写清楚这个 Skill 什么时候触发、要做什么、按什么步骤做、最后交付什么、遇到信息不足怎么办 references/ 放参考材料 比如方法论、模板、审美标准、质量检查清单、参考样例说明 不要把所有东西都塞进 SKILL.md assets/ 放可复用资产 比如固定模板、示例文件、输入格式、常用素材 scripts/ 放辅助脚本 不是每个 Skill 都需要脚本。但如果你要做文件转换、批量处理、格式校验，就可能需要 为什么要拆成这些部分？ 因为后面要改 如果所有东西都堆在一个文件里，越改越乱 如果方法、样例、模板、脚本各自放好，后面迭代就会轻很多 第七步：用真实任务测试和迭代 Skill 最后一定要测试 第一次生成出来，不要以为结束了 你要让它跑几个真实任务，看结果是否稳定 一个 Skill 至少要检查四类问题 第一类：触发是否清楚 第二类：流程是否完整 第三类：质量标准是否够具体 第四类：换一个新任务还能不能跑 真正高级的测试，不是在你知道上下文的时候跑通一次 而是把它放到一个新的对话里，给它一个模糊但真实的输入，看它会不会跑偏、会不会讨好用户、会不会跳过关键步骤 如果一个 Skill 只有在你一直补充背景时才能跑，它就还不是稳定 Skill 测试后要继续改 Skill 不是一次写出来的 Skill 是测出来、改出来、用出来的 小案例：把小黑配图做成一个 Skill 我们用小黑配图跑一遍完整流程 原始想法可能只是： 这就比画一个 AI 工作流插画清楚很多 因为它有动作，有关系，有隐喻，也有判断 这就是从提示词到 Skill 的差别 提示词让 AI 画一次 Skill 让 AI 知道以后每次该怎样思考、怎样拆、怎样验收 你可以直接这样问 AI 如果你想设计一个 Skill，不要直接这样问： 这太宽 更好的问法，是先把任务压小： 如果你想拆解别人的 Skill，可以这样问： 如果你想把别人的 Skill 改成自己的版本，可以这样问： 这样问，Skill 设计就不是一个隐藏在后台的技术动作 它会变成用户自己也能理解、能跟着跑的工作流方法 常见坑：Skill 做不起来，通常卡在这些地方 坑 1：把主题当成 Skill 内容生产、AI 写作、生图、知识库，都是主题，不是 Skill Skill 必须收敛到动作 动作越具体，Skill 越容易稳定 坑 2：只写流程，不写验收标准 很多 Skill 看起来流程很完整，但输出还是不稳，因为没有质量标准 尤其是内容、设计、生图、写作类 Skill，不能只写步骤 你要写清楚什么算好，什么算差 没有好坏样例，AI 很难稳定靠近你的标准 坑 3：只生成，不测试 Skill 第一次生成出来，最多只是 60 分 要拿真实素材跑 小黑配图 Skill 要换几篇文章看看画面方案和图片是否稳定 内容沉淀 Skill 要换几份不同主题的原始素材测试 测试后再改 这就是 Skill 迭代 坑 4：把所有东西都放进 Skill 主文件 SKILL.md 不是仓库 能拆到 references/ 的就拆出去 审美标准、案例、检查清单、模板、方法论都可以独立放 这样后面改起来才不会牵一发动全身 坑 5：高判断任务过早自动化 有些事情可以让 AI 做，有些事情必须人判断 比如筛选素材、生成初稿、整理格式，AI 很适合 但定位判断、商业取舍、最终审美选择、是否对外发布，最好先保留人工确认点 一开始不要追求全自动 先把半自动跑顺 说在最后 你今天不需要一次做出完美 Skill 你只需要先出发，跑通一个动作 当你有 3 个、5 个、10 个这样的 Skill，AI 对你的价值就变了 它不再只是一个聊天窗口，而是开始接住你业务里一块块会反复发生的工作 这才是 AI 工作流真正放大个人执行力的地方 提示词让 AI 回答你一次 Skill 让 AI 按你的方法反复做事 而下一步，要解决的是：这些 Skill 要调用的素材、案例、反馈、方法论，到底怎么沉淀成长期资产 没有知识库，Skill 每次还是吃临时上下文 有了自己的知识系统，提示词和 Skill 才会从临时执行，变成真正属于你的一人公司工作流资产 🔗 原文链接： https://x.com/ianneo ai/status/2061... https://x.com/ianneo ai/status/2061... 我的天！我的 Skill 在 GitHub 本周排第二啦！ 刚刷到藏师傅项目冲到第一，我点进去一看，笑死，我这个也在榜上，排第二 、就是这个中文小黑怪诞正文配图生成 Skill： github.com/helloianneo/ia github.com/helloianneo/ia 本来只是给自己做 notion 文档配图用的，16:9 白底手绘，少量红橙蓝批注，没想到也被顶上来了 先别搭一整套系统，先把一个重复任务做成 Skill 很多人学 AI 工作流，第一反应是去找提示词 看到一个写作提示词，收藏一下。看到一个生图提示词，收藏一下。看到别人分享各种 AI 工具和工作流，又觉得自己是不是少装了什么东西。最后资料越来越多，工具越来越多，但一到自己的真实任务里，还是要从头问一遍 今天能让 AI 写出一版还不错的内容，明天换个主题又散了。今天这张图还可以，下一张图风格又飘了。今天调出来的结构挺顺，过两天自己也忘了当时是怎么问出来的 这不是你不会写提示词 更常见的问题是：你一直把会反复发生的任务，当成一次性聊天来处理 提示词解决一次提问 Skill 解决同类任务的稳定复用 真正的 AI 工作流，不是让你记住更多神级提示词，而是帮你把一个反复发生、容易临场乱想、输出经常不稳定的任务，变成一套可以反复调用的能力包 这篇内容只解决一件事： 怎么从一个重复任务出发，做出第一个能反复用的 Skill 小黑配图、PPT、写文章、整理用户问题，都只是案例。真正要学的是：怎么判断一个任务值不值得做成 Skill，怎么把自己的流程、审美、样本和验收标准沉淀进去 先讲清楚：提示词和 Skill 到底差在哪 提示词是一次性的 你这次想写一篇文章，就问 AI 怎么写。你这次想生成一张图，就告诉 AI 画什么。你这次想整理一份材料，就把材料贴进去，让 AI 帮你处理 这当然有用，但它有一个问题：每次都要重新说 你要重新解释背景，重新说明风格，重新补充标准，重新提醒它不要犯哪些错。只要你这一次少说几句，输出就会变形 Skill 解决的是另一件事： 把你已经想清楚的一套做事方法，固定成 AI 可以反复调用的能力 比如你不是每次都问： 而是让 AI 知道： 这时候，AI 做的就不是一次性回答，而是在执行你固定下来的工作流 所以不要把 Skill 理解成一条更长的提示词 Skill 更像是一个小型能力包，里面包含： 这些东西越清楚，AI 越容易稳定地按你的方式做事 第一步：先选一个值得交给 AI 的重复任务 做 Skill 的第一步，不是写文件，也不是让 AI 生成一大段说明 第一步是判断：这件事到底值不值得做成 Skill 因为不是所有事情都值得封装 如果一件事只做一次，直接用提示词就够了。为了一个临时需求做 Skill，反而浪费时间 适合做成 Skill 的任务，一般有五个条件： 不适合做成 Skill 的任务，通常是反过来的： 比如，帮我判断未来三年的商业战略，这不适合直接做成 Skill。这个判断太重，变量太多，不能轻易自动化 但这些任务就很适合： 因为它们有固定输入、固定输出，也会反复发生 你可以先用这张卡判断： 很多人做 Skill 失败，不是写得不够好，而是一开始就选错了任务 一上来就说帮我做内容帮我做产品帮我搞钱，这还不是 Skill，只是愿望 Skill 一次只稳定解决一个动作 第二步：把大主题压成小动作 很多人说自己想做一个 Skill，其实说出来的是主题 比如： 这些都太大 主题不能直接变成 Skill。主题要先压成一个可以重复执行的小动作 比如： 动作越具体，Skill 越容易稳定 这里有一个简单判断： 如果你不能说清楚输入是什么、输出是什么，这个 Skill 就还没准备好 比如帮我做内容太宽 但把一篇文章拆成 5 条 X 帖就清楚很多 输入是一篇文章 输出是 5 条 X 帖 中间可以有固定步骤：提炼观点、判断角度、写开头、生成版本、去掉 AI 味、做质量检查 这就开始像一个 Skill 了 第三步：用六维度把任务拆清楚 我自己做 Skill 时，会先用一个六维度框架 它不是为了让文档看起来高级，而是为了逼你把一个模糊想法拆到能执行 这六个维度分别是： 这六个维度之间有顺序 我们拿小黑正文配图举例 1. 用在哪 不要写生图，这太宽 更具体的场景应该是： 这个场景有边界 它不是商业插画，不是 PPT 信息图，不是封面海报，也不是可爱卡通 2. 怎么做 它不能直接生成图片 更稳定的流程是： 流程越清楚，AI 越不容易乱发挥 3. 给什么、出什么 输入可以是： 输出可以是： 4. 要用什么 基本功不是抽象能力，而是这个 Skill 真正要调用什么 比如小黑配图需要读正文，读取参考标准，必要时调用生图能力，还要保存生成的图片 所以它不是一条提示词，而是一套有输入、有参考、有输出路径的能力包 5. 什么算好 这一步最容易被漏掉 你不能只写高级好看有设计感 要写成可以判断的标准： 审美不是感觉，是验收标准 6. 为什么能行 小黑配图的创造力，不是画一个小黑 它真正的核心假设是： 所以小黑不能只是站在角落里当装饰 它必须参与核心动作：拉线、分拣、搬运、卡在机器里、守门、把素材塞进装置 同样是帮我生图，拆完以后，就变成了一个真正可执行的 Skill 设计 第四步：先问清楚，不要急着生成文件 很多 Skill 做不好，是因为一开始太急 用户刚说一句帮我做个内容 Skill，AI 就开始生成文件 看起来很快，但大概率会生成一个空泛的大模板 更好的做法是：信息没问清楚之前，先不生成文件 因为大部分人刚说出口的需求，还只是主题，不是 Skill 比如： 这些都要继续收敛成动作： 所以，一个好的 Skill 设计过程，要敢于反问 用户太宽泛时，不要顺着夸，要收敛： 用户说我都要时，不要全接： 用户说听起来不错时，不要急着生成： 这些反问不是为了显得强硬，而是为了防止 Skill 从第一步就变成空泛愿望 这一点特别适合一人公司 你一个人做事，最怕的不是工具不够，而是边界不清 边界不清，AI 会很勤奋地帮你制造更多混乱 第五步：分清 Skill 类型，不同任务用不同做法 不同 Skill，不能用同一种模板 写文章、做诊断、做审查、做生图、做文件转换，本来就不是同一类动作 所以在设计之前，要先判断：这个 Skill 属于哪一类 我一般先分三类： 为什么要分？ 因为不同类型的质量重点不一样 工具类 Skill，重点是输入输出、处理流程、文件路径、保存规则 比如把文章拆成 X 帖、把素材整理成文档、把用户反馈汇总成常见问题 对话类 Skill，重点是不要讨好用户，不要一次问一堆问题，要能挑战前提，也要知道什么时候停下来 比如商业定位诊断、产品方向问诊、内容选题陪练 审查类 Skill，重点是评分标准 每个维度都要能被观察到，不能只写好不好、专业不专业 比如页面审查不能只说设计感不足，要说清楚：信息层级、视觉焦点、行动入口、移动端可读性分别哪里有问题 这也是很多通用提示词不好用的原因 它把所有任务都当成一种任务来处理 但真正可复用的 Skill，一定要先分清任务类型，再决定追问方式、模板结构和验收标准 第六步：把 Skill 做成一套能力包 这句话太宽 如果直接拿它去写 Skill，AI 很容易做成普通插画、封面图、PPT 信息图，或者一张看起来很热闹但没有判断的图 所以先把它压成具体动作： 然后补齐六维度 这时候，Skill 的边界就清楚了 它不是画得好看这么模糊 它要完成的是：把文章里的判断翻译成一个能被看懂的物理动作 比如文章讲把模糊想法压成可执行动作，画面可以是：