一位语文老师眼中的SKILL（一）
一位语文老师眼中的SKILL（一）
一位语文老师眼中的SKILL（一） 一位语文老师眼中的SKILL（一） Modified May 17 这个过程，似乎也是学 AI 中，每个人都必须经历的。 因为真正的智慧，不来自知识的叠加，而来自认知的提高。 而且这段时间，我突然发现：这三个阶段，其实和我们中文专业的核心训练一脉相承。 LAYER 01 语言与修辞 → Prompt Engineering 这里说的"修辞"，不是小学语文课上教的那种修辞手法——比喻、拟人、排比。而是 修辞学（Rhetoric） ：也就是怎么用语言有效地表达、说服、引导。简单说，就是怎么把话说到位。 中文系学习训练得最多的是什么？阅读、文本分析、从字里行间读出作者没有明说的意思。 这种日积月累的训练给了我们一种东西—— 对语言极高的敏感度 。 举个例子，大家如果要写一个人被打得很疼，会怎么形容？ 徐志摩写过一个经典案例——五四运动章宗祥，被学生群殴细节：群上欧（殴）之，血殷遍体。有践其臂，表嵌入腕中。 表"嵌"入腕中，大家可以体验一下。 回到提示词，我们写 Prompt 的本质是什么？是通过精准的语言去引导 AI 的输出。所以我们本质上是要对语言的重量有感知力。说清楚任务的背景以及需求。 所以我经常和我的师弟妹讲，我们应该有信心，前两年，全网都在花钱学Prompt的时候，我们已经在大学里练了四年了。 当然，今天的 AI 聪明了很多，不像两年前那么需要精确措辞。但 清晰地描述问题和需求 ，永远是重要的。 LAYER 02 人文判断力 → Context Engineering 光会问还不够。很快我们发现，现实生活中的任务是复杂的，往往不是单线程的。于是我们要告诉 AI 更多，但是，如果我们这要又要，AI 很容易就像生活中面临两难的我们一样，束手无策中草草了事。于是，我们有了 "上下文"工程。 "上下文"这个词，我们语文老师太熟了——"联系上下文理解词义"，这是我们从小教学生的基本功。 为了把这个事情说得更清晰一点，我尝试借用我们文学理论分析上的一个例子：方文山的第三句。 2008 年，周杰伦的御用词人方文山在武汉大学做演讲，被学生现场提问，即兴写了三句诗。前两句是： 美人羞红了脸颊 她低头不说话 他写的第三句是： 让我想起了去年的浪花 为什么第三句的加入，一下子 盘活 了前两句？ 前两句——美人羞红脸颊，低头不说话——说实话，非常平淡，非常俗套，没什么诗意。 但第三句一出来，前两句突然有了 依托 ，构成了一个完整的意义结构—— 第一，"我"的出现。 有了"我"，就有了一个观察者，读者能够进入"我"和"美人"之间发生情感故事的联想，并以各自的生活体验去补充那些未曾言说的部分。 第二，"浪花"的多义性。 它既可以是实指——江河湖海边的浪花，见证了两人的浪漫；也可以是虚指——情感中的波澜与冲突的隐喻。一实一虚，意象空间一下子就打开了。 第三，"去年"带来的不确定性。 两人现在是什么状态？也许依然相爱，那"我"正沉浸在美好回忆中；也许已经分手，但"我"仍留恋共度的时光。这种不确定性给了这首即兴小诗很强的张力，也给了阅读者很大的阐释空间。 这个诗歌分析班门弄斧了，但大家可能会问：这跟 AI 上下文有什么关系？ 关系大了。我尝试把这三点翻译到 AI 的世界： "我"的出现 → 给 AI 一个角色。 我们跟 AI 说"帮我写个教案"，和说"你是一位有十年经验的初中语文老师，帮我写一份《荷塘月色》的教案"——输出质量天差地别。前两句诗之所以平淡，是因为没有"谁在看"；AI 的回答之所以敷衍，是因为没有"谁在做"。 一个明确的角色设定，就是上下文的第一层。 "浪花"的多义性 → 给 AI 足够的参考信息。 一个好的意象之所以能展开多层解读，是因为它足够丰富、足够开放。同样道理，我们给 AI 的参考资料越有质量——比如附上了课标要求、学生常见错误类型、自己的教学风格偏好——它的输出就越有层次。 丰富而精准的背景资料，是上下文的第二层。 "去年"的不确定性 → 给 AI 明确的边界和约束。 "去年"之所以好，是因为它制造了一种"有限的开放"——它限定了时间范围，但在这个范围内留足了想象空间。对 AI 来说也一样：什么都不限制它会天马行空（给你一坨～），什么都限死就变成了复读机。 合理的约束条件，是上下文的第三层。 你看，在上面这个例子里面，文学分析教会我们的是—— 一个信息片段的意义，不仅取决于它的表面意义，更取决于它被放置的语境 。说人话就是，同样的句子，在不同的上下文里，意义完全不同。 Context Engineering 的核心挑战也是这个——我们给 AI 提供什么背景信息，以及把这个信息摆在什么位置（顺序），直接决定了它理解我们需求的方式和输出的质量。 题外话，上下文又还可以再形而向上一点，中文系四年读了那么多文学史、语言学、文学理论，每一本书教我们的是什么？ 是判断什么东西值得看，什么东西不值得看。 AI 不缺信息。AI 现在最缺的，是 知道该喂什么信息的那个人的判断力 。 而这种判断力，不是 prompt 能写出来的。它是你一本书、一本书读出来的。 我们的经历、阅读、判断力—— 其实就是我们最值钱的上下文。 再顺便插一句，为什么今年 龙虾影响这么大？因为它和我们之间沟通的上下文更大了。大白话就是——它对我们了解更多了。主要通过两个途径： 1. 能读取我们本地资料了。 （以前的对话框 AI，信息一多就"失忆"，处理不过来。） 2. 能主动收集和记住我们的偏好。 （不像以前用完一次就全忘了。） 因此这个阶段，考验的不是我们 会不会问，而是我们 会不会选 ——选什么信息给它，不给什么，按什么顺序给，以什么结构组织。 这就是 Context Engineering——上下文工程。 LAYER 03 系统构建力 → Harness Engineering 有了前两层，第三层就好理解了。但有个前提—— 我们往得吃透第一层和第二层，才能在第三层里走得更好。（设计得更有灵魂） 为什么？当我们对 AI 的理解深度到了，我们才看得见：它在哪个环节能发挥最大价值，在哪个环节可能翻车，以及最后该怎么验收。 Harness 这个词，直译是"马具"——马会跑，但没有马具，它容易信马由缰的同时马失前蹄。有了马具，我们才能控制方向和力度。 在这个阶段， 马本身值钱，驾驭马的那套系统也值钱。 简单来说，在我看来，AI 的第三层逻辑是： ● 设计输入 ——什么信息进去，什么格式，什么顺序 ● 设计流程 ——哪个环节交给 AI，哪个环节自己判断 ● 设计风控 ——万一 AI 跑偏了，哪道阀门能拉回来 ● 设计验收 ——输出长什么样才算过关 对于我们中文专业的人来说，有点类似出书，这些能力，没有第一层的语言敏感度你感知不到，没有第二层的人文判断力你决策不了。 所以第三层不是凭空多出来的技能，它是前两层在系统层面的综合体现。 ● ● ● 未来 AI 的进化，会不会有第四层、第五层？肯定会有，但是一切都充满不确定性。 但我想，目前阶段，能确定的是： 好的输入，从来没有捷径。 前段时间我读到王龙洋教授的一段分析，很有启发。他拿鲁迅的《伤逝》做了个实验。 《伤逝》讲什么？涓生和子君的爱情悲剧。我们用 AI 去概括，三秒钟出标准答案："五四时期一对青年男女的爱情悲剧，揭示了经济基础对婚姻的决定作用……" 对不对？对，而且是标准答案。考试能拿分。我们语文老师喜欢。（所以语文教育有时候也很矛盾。） 但文学的精华，真的能被概括吗？ 王教授逐层往下拆，给了四个维度来解释为什么文学是 不可压缩 的： 一、叙事的不可靠性。 《伤逝》整个故事谁在讲？涓生。第一人称忏悔录。但他的话可信吗？他有没有在美化自己？他是真诚的忏悔者，还是不自觉的自辩者？AI 的概括不会问你这个问题。 二、子君的沉默。 我们永远听不到子君的声音。涓生说她"浅薄"、"只知道吃饭"——但那是涓生眼中的子君，不是子君本人。AI 不会提醒你注意这种叙事的不对称，它只会告诉你"子君是一个悲剧人物"。 三、语言的抒情密度。 开篇那句——"如果我能够，我要写下我的悔恨和悲哀，为子君，为自己。"AI 能概括出什么？"涓生悔恨。"四个字。但你读这句话时——那种犹豫，"如果我能够"——语气里虚妄和真诚混在一起的东西——只有你亲自读，才能感受到。 四、情感的含混性。 涓生到底爱不爱子君？你读三遍，可能得到三个不同的答案。AI 只会给你一个确定的结论。但文学的魅力恰恰在于它的不确定。 所以王教授说了一句话： 文学是不可压缩的体验。 用 AI 三秒钟读完一本小说的摘要，和我们花三个星期沉浸式读完它，得到的东西完全不在一个维度。 那三个星期里我们的犹豫、困惑、恍然大悟——那些才是真正属于我们的"上下文"。 或者从这个角度说，上下文，是我们是不可压缩的体验。 写到这，突然就想起了，1987 年诺贝尔文学奖得主——约瑟夫·布罗茨基，那位被流放过、被监禁过的苏联诗人站在诺贝尔奖颁奖台上说过的： "我不能断言人将永远是胜利者。 但是，我敢断言， 一个阅读诗歌的人， 比不阅读诗歌的人更难战胜。" ——约瑟夫·布罗茨基 我不知道 AI 最后会发展成什么样。说实话，我其实也不太关心最终结果。 苏轼说过——"逝者如斯，而未尝往也；盈虚者如彼，而卒莫消长也。" 技术就像江水，永远在流，永远在变。但照亮江水的那个东西——我们对语言的敏感、对人的理解、对意义的追问——它也会一直在。 同理，这个对我们语文教育，也充满了启示性。 思 如果这篇文章让你有所触动 欢迎多多交流 微信号：ZY30272727 这个过程，似乎也是学 AI 中，每个人都必须经历的。 因为真正的智慧，不来自知识的叠加，而来自认知的提高。 而且这段时间，我突然发现：这三个阶段，其实和我们中文专业的核心训练一脉相承。 LAYER 01 语言与修辞 → Prompt Engineering 这里说的"修辞"，不是小学语文课上教的那种修辞手法——比喻、拟人、排比。而是 修辞学（Rhetoric） ：也就是怎么用语言有效地表达、说服、引导。简单说，就是怎么把话说到位。 中文系学习训练得最多的是什么？阅读、文本分析、从字里行间读出作者没有明说的意思。 这种日积月累的训练给了我们一种东西—— 对语言极高的敏感度 。 举个例子，大家如果要写一个人被打得很疼，会怎么形容？ 徐志摩写过一个经典案例——五四运动章宗祥，被学生群殴细节：群上欧（殴）之，血殷遍体。有践其臂，表嵌入腕中。 表"嵌"入腕中，大家可以体验一下。 回到提示词，我们写 Prompt 的本质是什么？是通过精准的语言去引导 AI 的输出。所以我们本质上是要对语言的重量有感知力。说清楚任务的背景以及需求。 所以我经常和我的师弟妹讲，我们应该有信心，前两年，全网都在花钱学Prompt的时候，我们已经在大学里练了四年了。 当然，今天的 AI 聪明了很多，不像两年前那么需要精确措辞。但 清晰地描述问题和需求 ，永远是重要的。 LAYER 02 人文判断力 → Context Engineering 光会问还不够。很快我们发现，现实生活中的任务是复杂的，往往不是单线程的。于是我们要告诉 AI 更多，但是，如果我们这要又要，AI 很容易就像生活中面临两难的我们一样，束手无策中草草了事。于是，我们有了 "上下文"工程。 "上下文"这个词，我们语文老师太熟了——"联系上下文理解词义"，这是我们从小教学生的基本功。 为了把这个事情说得更清晰一点，我尝试借用我们文学理论分析上的一个例子：方文山的第三句。 2008 年，周杰伦的御用词人方文山在武汉大学做演讲，被学生现场提问，即兴写了三句诗。前两句是： 美人羞红了脸颊 她低头不说话 他写的第三句是： 让我想起了去年的浪花 为什么第三句的加入，一下子 盘活 了前两句？ 前两句——美人羞红脸颊，低头不说话——说实话，非常平淡，非常俗套，没什么诗意。 但第三句一出来，前两句突然有了 依托 ，构成了一个完整的意义结构—— 第一，"我"的出现。 有了"我"，就有了一个观察者，读者能够进入"我"和"美人"之间发生情感故事的联想，并以各自的生活体验去补充那些未曾言说的部分。 第二，"浪花"的多义性。 它既可以是实指——江河湖海边的浪花，见证了两人的浪漫；也可以是虚指——情感中的波澜与冲突的隐喻。一实一虚，意象空间一下子就打开了。 第三，"去年"带来的不确定性。 两人现在是什么状态？也许依然相爱，那"我"正沉浸在美好回忆中；也许已经分手，但"我"仍留恋共度的时光。这种不确定性给了这首即兴小诗很强的张力，也给了阅读者很大的阐释空间。 这个诗歌分析班门弄斧了，但大家可能会问：这跟 AI 上下文有什么关系？ 关系大了。我尝试把这三点翻译到 AI 的世界： "我"的出现 → 给 AI 一个角色。 我们跟 AI 说"帮我写个教案"，和说"你是一位有十年经验的初中语文老师，帮我写一份《荷塘月色》的教案"——输出质量天差地别。前两句诗之所以平淡，是因为没有"谁在看"；AI 的回答之所以敷衍，是因为没有"谁在做"。 一个明确的角色设定，就是上下文的第一层。 "浪花"的多义性 → 给 AI 足够的参考信息。 一个好的意象之所以能展开多层解读，是因为它足够丰富、足够开放。同样道理，我们给 AI 的参考资料越有质量——比如附上了课标要求、学生常见错误类型、自己的教学风格偏好——它的输出就越有层次。 丰富而精准的背景资料，是上下文的第二层。 "去年"的不确定性 → 给 AI 明确的边界和约束。 "去年"之所以好，是因为它制造了一种"有限的开放"——它限定了时间范围，但在这个范围内留足了想象空间。对 AI 来说也一样：什么都不限制它会天马行空（给你一坨～），什么都限死就变成了复读机。 合理的约束条件，是上下文的第三层。 你看，在上面这个例子里面，文学分析教会我们的是—— 一个信息片段的意义，不仅取决于它的表面意义，更取决于它被放置的语境 。说人话就是，同样的句子，在不同的上下文里，意义完全不同。 Context Engineering 的核心挑战也是这个——我们给 AI 提供什么背景信息，以及把这个信息摆在什么位置（顺序），直接决定了它理解我们需求的方式和输出的质量。 题外话，上下文又还可以再形而向上一点，中文系四年读了那么多文学史、语言学、文学理论，每一本书教我们的是什么？ 是判断什么东西值得看，什么东西不值得看。 AI 不缺信息。AI 现在最缺的，是 知道该喂什么信息的那个人的判断力 。 而这种判断力，不是 prompt 能写出来的。它是你一本书、一本书读出来的。 我们的经历、阅读、判断力—— 其实就是我们最值钱的上下文。 再顺便插一句，为什么今年 龙虾影响这么大？因为它和我们之间沟通的上下文更大了。大白话就是——它对我们了解更多了。主要通过两个途径： 1. 能读取我们本地资料了。 （以前的对话框 AI，信息一多就"失忆"，处理不过来。） 2. 能主动收集和记住我们的偏好。 （不像以前用完一次就全忘了。） 因此这个阶段，考验的不是我们 会不会问，而是我们 会不会选 ——选什么信息给它，不给什么，按什么顺序给，以什么结构组织。 这就是 Context Engineering——上下文工程。 LAYER 03 系统构建力 → Harness Engineering 有了前两层，第三层就好理解了。但有个前提—— 我们往得吃透第一层和第二层，才能在第三层里走得更好。（设计得更有灵魂） 为什么？当我们对 AI 的理解深度到了，我们才看得见：它在哪个环节能发挥最大价值，在哪个环节可能翻车，以及最后该怎么验收。 Harness 这个词，直译是"马具"——马会跑，但没有马具，它容易信马由缰的同时马失前蹄。有了马具，我们才能控制方向和力度。 在这个阶段， 马本身值钱，驾驭马的那套系统也值钱。 简单来说，在我看来，AI 的第三层逻辑是： ● 设计输入 ——什么信息进去，什么格式，什么顺序 ● 设计流程 ——哪个环节交给 AI，哪个环节自己判断 ● 设计风控 ——万一 AI 跑偏了，哪道阀门能拉回来 ● 设计验收 ——输出长什么样才算过关 对于我们中文专业的人来说，有点类似出书，这些能力，没有第一层的语言敏感度你感知不到，没有第二层的人文判断力你决策不了。 所以第三层不是凭空多出来的技能，它是前两层在系统层面的综合体现。 ● ● ● 未来 AI 的进化，会不会有第四层、第五层？肯定会有，但是一切都充满不确定性。 但我想，目前阶段，能确定的是： 好的输入，从来没有捷径。 前段时间我读到王龙洋教授的一段分析，很有启发。他拿鲁迅的《伤逝》做了个实验。 《伤逝》讲什么？涓生和子君的爱情悲剧。我们用 AI 去概括，三秒钟出标准答案："五四时期一对青年男女的爱情悲剧，揭示了经济基础对婚姻的决定作用……" 对不对？对，而且是标准答案。考试能拿分。我们语文老师喜欢。（所以语文教育有时候也很矛盾。） 但文学的精华，真的能被概括吗？ 王教授逐层往下拆，给了四个维度来解释为什么文学是 不可压缩 的： 一、叙事的不可靠性。 《伤逝》整个故事谁在讲？涓生。第一人称忏悔录。但他的话可信吗？他有没有在美化自己？他是真诚的忏悔者，还是不自觉的自辩者？AI 的概括不会问你这个问题。 二、子君的沉默。 我们永远听不到子君的声音。涓生说她"浅薄"、"只知道吃饭"——但那是涓生眼中的子君，不是子君本人。AI 不会提醒你注意这种叙事的不对称，它只会告诉你"子君是一个悲剧人物"。 三、语言的抒情密度。 开篇那句——"如果我能够，我要写下我的悔恨和悲哀，为子君，为自己。"AI 能概括出什么？"涓生悔恨。"四个字。但你读这句话时——那种犹豫，"如果我能够"——语气里虚妄和真诚混在一起的东西——只有你亲自读，才能感受到。 四、情感的含混性。 涓生到底爱不爱子君？你读三遍，可能得到三个不同的答案。AI 只会给你一个确定的结论。但文学的魅力恰恰在于它的不确定。 所以王教授说了一句话： 文学是不可压缩的体验。 用 AI 三秒钟读完一本小说的摘要，和我们花三个星期沉浸式读完它，得到的东西完全不在一个维度。 那三个星期里我们的犹豫、困惑、恍然大悟——那些才是真正属于我们的"上下文"。 或者从这个角度说，上下文，是我们是不可压缩的体验。 写到这，突然就想起了，1987 年诺贝尔文学奖得主——约瑟夫·布罗茨基，那位被流放过、被监禁过的苏联诗人站在诺贝尔奖颁奖台上说过的： "我不能断言人将永远是胜利者。 但是，我敢断言， 一个阅读诗歌的人， 比不阅读诗歌的人更难战胜。" ——约瑟夫·布罗茨基 我不知道 AI 最后会发展成什么样。说实话，我其实也不太关心最终结果。 苏轼说过——"逝者如斯，而未尝往也；盈虚者如彼，而卒莫消长也。" 技术就像江水，永远在流，永远在变。但照亮江水的那个东西——我们对语言的敏感、对人的理解、对意义的追问——它也会一直在。 同理，这个对我们语文教育，也充满了启示性。 思 如果这篇文章让你有所触动 欢迎多多交流 微信号：ZY30272727 🔗 原文链接： https://mp.weixin.qq.com/s/Y6zpUJTL... https://mp.weixin.qq.com/s/Y6zpUJTL... 原创 谢北水 谢北水 北水Learn Ai2026年5月16日 08:03 广东 一位语文老师眼中的 SKILL 壹 · 观察与思考 2026 随笔 · skill专栏 Vol.01 最近在系统地学习 Skill 。随便记录下自己的一些所思所想。如有谬误，还请大家指正。 Skill怎么理解呢？顾名思义，它叫技能，类似两年前 AI 生图的 LoRA——一种高效的微调技术。可以让大模型在某种特定场景上，具有专家般的技能包。 喜欢 来新璐 老师关于 skill 的总结：好的 skill=专家知识 大模型能力 。 欲知skill详情 ，我们要看大模型这几年发展的前因后果。 大家应该对提示词（Prompt）都不陌生——就是我们平时打开类似豆包或者其他任意网页版的 AI，给它的指令。 "同学们，默写这几首古诗。错的一会订正 3 遍。" 因此，提示词的重点在于"说"，而且是说清楚内容和流程，这个很重要。 后面，这个默写的环节多了。只要我们上课提到"古诗"、"默写"，同学们自然而然地反应过来。 因此，流程固定下来了。 所以Skill 在我看来，它其实就是提示词的固定化。学 AI 的小伙伴肯定都有过收集网上大佬们提示词的经历，过去两年，设置有大佬专门开发收集提示词的app。 ● ● ● 当然，"它其实就是提示词的固定化"这个说法是简单化的概括——skill比提示词高一级。它不光可以告诉 AI "做什么"，还把"怎么做"、"按什么流程做"、"用什么风格做"都写好了，甚至连执行的脚本都给你备着。 说白了，就是一套可以反复用的"操作手册"，让 AI 在特定场景下稳定发挥。 但真正让我觉得有意思的，是它的信息读取和释放方式。 Skill 不是一上来就把所有指令全塞给 AI，而是 一步一步来 ——任务推进到哪一步，就释放哪一步需要的信息。这个设计有个专业名字，叫"渐进披露"。 听起来高大上，其实我们语文老师天天都在干这件事。备一堂《静夜思》，我们手头有李白的生平、写作背景、诗歌技法、修辞分析、课标要求、学情分析、板书设计…… 如果第一节课就把这些全倒给学生，结果是什么？学生懵了，什么都没记住。 好的教学设计一定是 分层递进 的——先用"这几天心里颇不宁静"把学生带进去，再一层一层展开。 Skill 的"渐进披露"我认为就是同一个道理：信息不是越多越好，节奏对了，才能接住。这个对我们人类如此， 对 AI 也如此。 ● ● ● 看官方文档，就突然感觉到人类组织信息的工程美。Skill 这东西，本质上就是人类的经验和方法论，被包装成了一种工程形式。 这些底层的道理存在我们生活中的方方面面。只不过现在，我们把它翻译成了 AI 能听懂的语言。 学到这里我挺兴奋的——因为这也侧面说明了 ，AI 时代真正值钱的，从来不是工具本身，而是 喂给AI的，我们那些人类经验和判断力 。 而且越学越觉得，这些 AI 领域的底层能力——怎么精准表达需求（提示词）、怎么筛选和组织信息（上下文、怎么设计一套完整的工作系统（Harness）—— 跟我们中文系学的那些东西，居然是相通的。 这个发现让我忍不住想 记录点什么。所以在正式聊 Skill 之前，先把这几年 AI 大模型发展给我的一些认识梳理一下。 AI 能力演进的三个阶段 AI 在应用层，这三年的能力演进，AI 圈认同的是三个阶段—— Prompt → Context → Harness 。分别对应"学会怎么问 AI"、"学会喂什么信息给 AI"、"学会设计整个 AI 工作系统"。 这个过程，我觉得就像马斯克的火箭引擎演进图： 01 Raptor 1 这是熵增 密密麻麻的管线、接头、传感器——像不像你刚接触 AI 时候的状态？信息爆炸，被各种工具推着跑。 02 Raptor 2 开始整合，但还有很多冗余。 03 Raptor 3 这是熵减 管线几乎没了，结构极度简洁，一体化成型。复杂功能没消失，是被 内化 了，被组织进一个更高效的系统里。 有些东西总是类似的，技术必须收敛到某个层面才能对我们造成影响。所以它会从熵增到熵减，AI 圈的大佬们说，会收敛到 Agent 这个框架。我是认同的，所以为什么，今年龙虾会爆火。