工作流进化到第三代了(Dify→AI编程→Skills)

工作流进化到第三代了(Dify→AI编程→Skills) 工作流进化到第三代了(Dify→AI编程→Skills) Modified December 18, 2025 Code block YAML Copy Step 3: 输出 使用 Markdown 格式，保存到用户指定位置 注意事项 保留关键的原话引用，用引用块标注 去掉语气词、重复内容、跑题内容 行动项必须有负责人和截止日期，如果原文没有，标注"待确认" 第三步：使用 打开 Claude，或者Claude Code，直接说： "帮我整理一下今天下午的产品会议，录音转写在 /Downloads/meeting 0610.txt" Claude 会自动识别意图，读取你的 meeting notes 技能，按照你预设的格式和标准来整理。 进阶：渐进式加载 当 Skill 越来越复杂，可以把内容拆分到多个文件： Code block Plain Text Copy meeting notes/ ├── SKILL.md 只保留核心流程 ├── format guide.md 详细的格式规范 └── templates/ ├── weekly.md 周会模板 └── standup.md 站会模板 在 SKILL.md 里引用这些文件，Claude 会 按需加载 ，不会一次性撑爆上下文。 自动化创建 如果你觉得以上创建流程还是太麻烦，还有更简单的方式，你可以先安装官方提供的skill creator，然后不在乎任何形式的用大白话告诉Claude你想怎么样，Claude会自动调用skill creator帮你创建一个符合你要求的甚至超出预期的skills。完美 再举一个我心目中的场景 让我用一个更能体现 Skills 价值的例子，也是我心目中的场景， 产品经理在AI时代必备的功能验证。 场景 假设你是一个产品经理，准备在下周的评审会上提一个新功能：给 APP 加一个"智能客服"模块。 在评审之前，你想先自己验证一下这个功能是否可行： • 调用 LLM API 测试不同 prompt 的效果 • 调用公司内部的用户画像 API 获取测试数据 • 参考 PRD 和设计稿理解需求边界 • 最后生成一个简单的 demo 给领导演示 以前，这事儿你做不了——因为你不会写代码，得找开发帮忙。但开发很忙，排期要两周。 现在，你可以创建一个 feature validator 技能 ： 目录结构 Code block Plain Text Copy /.claude/skills/feature validator/ ├── SKILL.md 核心流程 ├── api config.md API 配置（LLM、内部接口） ├── context docs.md 需要参考的内部文档 └── demo template/ demo 输出模板 SKILL.md（核心文件） Code block Markdown Copy name: feature validator description: 验证新功能可行性。当用户说"帮我验证一下这个功能"、"测试一下这个 prompt"、"做个功能 demo"时使用。 功能验证技能 触发场景 "帮我验证一下智能客服这个功能" "测试一下这个 prompt 效果怎么样" "做个简单的 demo 给领导看" 工作流程 Step 1: 理解需求 读取 中指定的 PRD 和设计稿 明确要验证的核心功能点 Step 2: 获取测试数据 读取 获取内部 API 配置 调用用户画像 API 获取 3 5 个典型用户的数据作为测试样本 Step 3: 测试 LLM 效果 读取 获取 LLM API 配置 用不同的 prompt 测试，记录每个 prompt 的效果 整理对比表格：prompt 内容、响应质量、响应时间 Step 4: 生成 Demo 生成一个简单的 HTML 页面 可以输入问题，显示 AI 回复 不需要复杂样式，能演示核心流程即可 Step 5: 输出验证报告 功能可行性结论 prompt 效果对比 边界 case 测试结果 建议的优化方向 参考文件 API 配置： 背景文档： 使用方式 现在，你只需要打开Claude App 或者 Claude Code（程序员合适），说： "帮我验证一下智能客服功能，PRD 在飞书文档里，用户画像 API 文档在 Confluence" Claude 会自动： 1. 读取你的 PRD 理解需求 2. 调用内部 API 获取测试数据 3. 测试不同 prompt 的效果 4. 生成一个可演示的 HTML demo 5. 输出一份验证报告 整个过程，你不需要写一行代码。 这个例子体现了什么？ 1. 多数据源整合 ：LLM API + 内部 API + 飞书/Confluence 文档 2. 复杂工作流编排 ：理解需求 → 获取数据 → 测试效果 → 生成 demo → 输出报告 3. 非开发人员也能用 ：PM 不需要懂代码，只需要描述要验证什么 4. 可复用 ：下次验证另一个功能，改改配置就行 这和 AI 编程有什么本质区别？ 你可能会问：AI 编程不也能实现同样的功能吗？为什么还需要 Skills？ 让我从一个普通人最关心的角度来对比： 你到底需要懂多少技术才能用？ AI 编程：仍然需要"技术底子" 环节 你需要懂什么 环境搭建 安装 Node.js/Python、配置环境变量、处理依赖冲突 运行项目 终端命令、包管理器（npm/pip）、项目结构 出错排查 看懂报错信息、知道从哪里下手调试 即使 AI 帮你写了代码，你也需要 能让它跑起来 。 一个残酷的现实是：很多人在"npm install"这一步就被卡住了。 Claude Skills：几乎零技术门槛 环节 你需要做什么 创建 Skill 新建几个 Markdown 文件，写清楚你的流程 使用 Skill 正常和 Claude 对话，它自动识别并使用 修改调整 改几行文字，立刻生效 分享迁移 复制文件夹，或者 Git 同步 没有环境配置、没有命令行、没有代码调试。 你需要的唯一技能是：能把你的工作流程写清楚。 核心区别 AI 编程降低了 创建 工具的门槛，但没有降低 使用 工具的门槛。 Claude Skills 直接绕过了"工具"这一层——你不需要工具，你需要的是结果。 这就是为什么我说 Skills 是"第三代"：它不是在优化"怎么更快地造工具"，而是在问" 为什么还需要工具 "。 为什么我说这是"第三代"？ 回顾一下这三代的本质： 第一代 （Dify/Coze）：你学习平台的语言，在平台的框架里工作。 第二代 （AI 编程）：AI 学习你的需求，帮你生成解决方案。 第三代 （Claude Skills）：你把方法论教给 AI，AI 成为你的"分身"。 这是一个从"工具"到"助手"再到"专家分身"的进化。 第一代，你是操作员，平台是工具。 第二代，你是甲方，AI 是乙方。 第三代， 你是师父，AI 是徒弟 ——而且是一个可以复制无限个、24 小时在线、永不遗忘的徒弟。 顺便说一下自己的感受 1. 知识管理变得更重要了 以前，你的专业知识在脑子里，用的时候想起来就行。现在，你需要把它们显性化、结构化，变成 AI 能理解的"技能包"。这其实是一种更深度的知识管理。 2. "教 AI"是一种新技能 怎么把你的隐性知识变成 AI 能执行的显性流程？怎么写好一个 SKILL.md？这本身就是一种需要学习的元技能。 3. 工作流的"护城河"在变化 以前平台的护城河是组件库、是生态。现在，你的护城河是你积累的 Skills——你对某个领域的理解、你独特的方法论、你打磨过的工作流程。 4. 协作方式在改变 团队共享一套 Skills，就像共享一套代码规范。新人加入后，不是看文档学习，而是直接"继承"团队的专业能力。 干就完了 如果你还停留在第一代（拖拽组件），建议跳过第二代，直接尝试第三代。 起步很简单： 1. 在你的电脑上创建目录： /.claude/skills/my first skill/ 2. 新建一个 SKILL.md 文件，写下你经常重复的工作流程 3. 用 Claude 跑一下，看看效果 你会发现， 那些你反复向 AI 解释的东西，再也不用重复了 。 真正的效率提升，不是让 AI 每次都帮你做事，而是让 AI 学会你的做事方式，然后自己去做。 这才是 AI 时代，我们应该追求的生产力形态。 理论上之前需要你手动做的多步骤的工作流，都可以用这种方式极大的提高效率，你创建的skills越多，越能节省出更多的时间，就可以多打打羽毛球了^ ^ 最后 三个月前我说"扔掉 Dify"，现在我说"教会 Claude 你的技能"。不是我善变，而是这个领域确实在快速演进。也许三个月后，我又会有新的想法。 但有一点我越来越确定： AI 不是要取代你，而是要"帮助你成为更好更快的你"——一个更高效、更稳定、可以并行运行的你。 有任何想法，欢迎在评论区聊聊你对"工作流"的理解。 参考资料： • Claude Code Skills 官方文档：https://code.claude.com/docs/en/skills 第三步：使用 打开 Claude，或者Claude Code，直接说： "帮我整理一下今天下午的产品会议，录音转写在 /Downloads/meeting 0610.txt" Claude 会自动识别意图，读取你的 meeting notes 技能，按照你预设的格式和标准来整理。 进阶：渐进式加载 当 Skill 越来越复杂，可以把内容拆分到多个文件： 在 SKILL.md 里引用这些文件，Claude 会 按需加载 ，不会一次性撑爆上下文。 自动化创建 如果你觉得以上创建流程还是太麻烦，还有更简单的方式，你可以先安装官方提供的skill creator，然后不在乎任何形式的用大白话告诉Claude你想怎么样，Claude会自动调用skill creator帮你创建一个符合你要求的甚至超出预期的skills。完美 再举一个我心目中的场景 让我用一个更能体现 Skills 价值的例子，也是我心目中的场景， 产品经理在AI时代必备的功能验证。 场景 假设你是一个产品经理，准备在下周的评审会上提一个新功能：给 APP 加一个"智能客服"模块。 在评审之前，你想先自己验证一下这个功能是否可行： • 调用 LLM API 测试不同 prompt 的效果 • 调用公司内部的用户画像 API 获取测试数据 • 参考 PRD 和设计稿理解需求边界 • 最后生成一个简单的 demo 给领导演示 以前，这事儿你做不了——因为你不会写代码，得找开发帮忙。但开发很忙，排期要两周。 现在，你可以创建一个 feature validator 技能 ： 目录结构 SKILL.md（核心文件） 使用方式 现在，你只需要打开Claude App 或者 Claude Code（程序员合适），说： "帮我验证一下智能客服功能，PRD 在飞书文档里，用户画像 API 文档在 Confluence" Claude 会自动： 1. 读取你的 PRD 理解需求 2. 调用内部 API 获取测试数据 3. 测试不同 prompt 的效果 4. 生成一个可演示的 HTML demo 5. 输出一份验证报告 整个过程，你不需要写一行代码。 这个例子体现了什么？ 1. 多数据源整合 ：LLM API + 内部 API + 飞书/Confluence 文档 2. 复杂工作流编排 ：理解需求 → 获取数据 → 测试效果 → 生成 demo → 输出报告 3. 非开发人员也能用 ：PM 不需要懂代码，只需要描述要验证什么 4. 可复用 ：下次验证另一个功能，改改配置就行 这和 AI 编程有什么本质区别？ 你可能会问：AI 编程不也能实现同样的功能吗？为什么还需要 Skills？ 让我从一个普通人最关心的角度来对比： 你到底需要懂多少技术才能用？ AI 编程：仍然需要"技术底子" 环节 你需要懂什么 环境搭建 安装 Node.js/Python、配置环境变量、处理依赖冲突 运行项目 终端命令、包管理器（npm/pip）、项目结构 出错排查 看懂报错信息、知道从哪里下手调试 环节 环节 你需要懂什么 你需要懂什么 环境搭建 环境搭建 安装 Node.js/Python、配置环境变量、处理依赖冲突 安装 Node.js/Python、配置环境变量、处理依赖冲突 运行项目 运行项目 终端命令、包管理器（npm/pip）、项目结构 终端命令、包管理器（npm/pip）、项目结构 出错排查 出错排查 看懂报错信息、知道从哪里下手调试 看懂报错信息、知道从哪里下手调试 即使 AI 帮你写了代码，你也需要 能让它跑起来 。 一个残酷的现实是：很多人在"npm install"这一步就被卡住了。 Claude Skills：几乎零技术门槛 环节 你需要做什么 创建 Skill 新建几个 Markdown 文件，写清楚你的流程 使用 Skill 正常和 Claude 对话，它自动识别并使用 修改调整 改几行文字，立刻生效 分享迁移 复制文件夹，或者 Git 同步 环节 环节 你需要做什么 你需要做什么 创建 Skill 创建 Skill 新建几个 Markdown 文件，写清楚你的流程 新建几个 Markdown 文件，写清楚你的流程 使用 Skill 使用 Skill 正常和 Claude 对话，它自动识别并使用 正常和 Claude 对话，它自动识别并使用 修改调整 修改调整 改几行文字，立刻生效 改几行文字，立刻生效 分享迁移 分享迁移 复制文件夹，或者 Git 同步 复制文件夹，或者 Git 同步 没有环境配置、没有命令行、没有代码调试。 你需要的唯一技能是：能把你的工作流程写清楚。 核心区别 AI 编程降低了 创建 工具的门槛，但没有降低 使用 工具的门槛。 Claude Skills 直接绕过了"工具"这一层——你不需要工具，你需要的是结果。 这就是为什么我说 Skills 是"第三代"：它不是在优化"怎么更快地造工具"，而是在问" 为什么还需要工具 "。 为什么我说这是"第三代"？ 回顾一下这三代的本质： 第一代 （Dify/Coze）：你学习平台的语言，在平台的框架里工作。 第二代 （AI 编程）：AI 学习你的需求，帮你生成解决方案。 第三代 （Claude Skills）：你把方法论教给 AI，AI 成为你的"分身"。 这是一个从"工具"到"助手"再到"专家分身"的进化。 第一代，你是操作员，平台是工具。 第二代，你是甲方，AI 是乙方。 第三代， 你是师父，AI 是徒弟 ——而且是一个可以复制无限个、24 小时在线、永不遗忘的徒弟。 顺便说一下自己的感受 1. 知识管理变得更重要了 以前，你的专业知识在脑子里，用的时候想起来就行。现在，你需要把它们显性化、结构化，变成 AI 能理解的"技能包"。这其实是一种更深度的知识管理。 2. "教 AI"是一种新技能 怎么把你的隐性知识变成 AI 能执行的显性流程？怎么写好一个 SKILL.md？这本身就是一种需要学习的元技能。 3. 工作流的"护城河"在变化 以前平台的护城河是组件库、是生态。现在，你的护城河是你积累的 Skills——你对某个领域的理解、你独特的方法论、你打磨过的工作流程。 4. 协作方式在改变 团队共享一套 Skills，就像共享一套代码规范。新人加入后，不是看文档学习，而是直接"继承"团队的专业能力。 干就完了 如果你还停留在第一代（拖拽组件），建议跳过第二代，直接尝试第三代。 起步很简单： 1. 在你的电脑上创建目录： /.claude/skills/my first skill/ 2. 新建一个 SKILL.md 文件，写下你经常重复的工作流程 3. 用 Claude 跑一下，看看效果 你会发现， 那些你反复向 AI 解释的东西，再也不用重复了 。 真正的效率提升，不是让 AI 每次都帮你做事，而是让 AI 学会你的做事方式，然后自己去做。 这才是 AI 时代，我们应该追求的生产力形态。 理论上之前需要你手动做的多步骤的工作流，都可以用这种方式极大的提高效率，你创建的skills越多，越能节省出更多的时间，就可以多打打羽毛球了^ ^ 最后 三个月前我说"扔掉 Dify"，现在我说"教会 Claude 你的技能"。不是我善变，而是这个领域确实在快速演进。也许三个月后，我又会有新的想法。 但有一点我越来越确定： AI 不是要取代你，而是要"帮助你成为更好更快的你"——一个更高效、更稳定、可以并行运行的你。 有任何想法，欢迎在评论区聊聊你对"工作流"的理解。 参考资料： • Claude Code Skills 官方文档：https://code.claude.com/docs/en/skills 🔗 原文链接： https://mp.weixin.qq.com/s/ie5tkvRi... https://mp.weixin.qq.com/s/ie5tkvRi... 原创 AI陪我笨拙前行 AI陪我笨拙前行2025年12月11日 07:28 北京 大家好，我是小四。 几个月前，我写过一篇文章，核心观点是： 扔掉 Dify、Coze 这些工作流平台吧，AI 编程才是正解 。（ 扔掉工作流平台吧，AI 编程才是终极答案 ） 扔掉工作流平台吧，AI 编程才是终极答案 当然我自己也确实这么做了好长时间，为什么现在又说到这个话题了呢？因为我"悟"出了更好的。 也不是说之前的就没用了，Ai发展很快，我们不也得与时俱进，持续进化不是吗？ 谁又能想到openai的gpt image模型生图这么牛逼的情况下，短短的几个月时间，Google就出了banana pro这么屌炸天的新模型了呢， 所以没办法，学吧，干就完了！ 一个让我重新思考的契机 很多人应该都遇到过这个问题： 每次用 Claude Code 做同一类任务，都要把同样的要求说一遍。比如整理会议纪要，每次都要重复： • "提取所有 Action Item，标注负责人和截止日期" • "按议题分类讨论内容，不是按发言顺序" • "保留关键的原话引用，但去掉语气词" • "最后生成一个 5 条以内的决策摘要" • …… 这种应该算是一个比较典型的个人工作流了，大家或多或少的都会遇到。 用dify、coze这种平台能实现，但是需要非常熟悉平台使用方式； 用ai编程也能实现，但是需要不排斥写代码，最好还能懂一点代码； 直到最近我使用上了 Claude Code 的 Skills（技能） 功能。 把你的工作流程整理成一个"技能包"——就是几个 Markdown 文件，放在特定目录下。从此以后，当你说"帮我整理一下会议记录"，AI 就会 自动读取你的整理规范，像一个熟悉你们团队习惯的助理一样工作 。 这不是 AI 编程的小优化， 这是一种全新的工作流范式 ，我认为对比dify、coze工作流和ai编程，可以算是升级的第三代方式（个人感觉，不具有代表性）。 我认为的工作流的三代演进 让我先梳理一下这个演进路径： 第一代：拖拽式工作流平台（Dify、Coze） 核心逻辑 ：平台提供组件，你来组装。 就像乐高积木，平台给你一堆预制的模块——"文本处理"、"图片生成"、"API 调用"，你把它们连起来，形成工作流。 问题 ： • 你的想法必须适配平台的组件 • 平台没有的功能，你就做不了 • 换个平台，学习成本清零 第二代：AI 编程（Cursor、Claude Code） 核心逻辑 ：用自然语言描述需求，AI 生成完整项目。 不再需要学习平台的"语言"，直接说人话。AI 会帮你写代码、配置环境、生成文档， 理论上 你只需要运行命令。 但现实是，很多人在这一步就被卡住了： 问题 1：环境配置是第一道坎 "先安装 Node.js 18+"——好，装完了。 "npm install"——报错了，什么是 npm？ "Python 版本冲突"——我电脑上怎么有 3 个 Python？ "这个命令在 Windows 上不一样"——…… AI 生成的代码可能没问题，但在你的电脑上就是跑不起来。环境问题对程序员来说是家常便饭，但对普通人来说是天书。 问题 2：出了 bug 不知道怎么排查 AI 生成的代码跑到一半报错了： TypeError: Cannot read property 'data' of undefined 你看着这行红字，然后……然后就没有然后了。如果你不懂代码，你根本不知道这是什么意思，也不知道该怎么修。你只能把报错贴给 AI，祈祷它能帮你修好。 所以我觉得第二代 AI 编程，对程序员来说是效率工具，肯定比第一代更具有定制化属性，但对普通人来说，门槛并没有真正降低。 第三代：AI + 可复用技能（Claude Skills） 核心逻辑 ：把你的专业知识"教给" AI，让它拥有持久的技能。 你不再是每次都给 AI 下指令的"老板"，而是一次性把你的方法论、风格偏好、工作流程固化成"技能包"。之后 AI 会 主动调用 这些技能，像一个受过培训的专家一样工作。 这就是范式的转变：从"每次告诉 AI 怎么做"，到"一次性教会 AI 怎么做"。 什么是 Claude Skills？ 一句话解释 Skills 就是你写给 AI 的 工作手册 ——告诉它在什么场景下、按什么流程、用什么标准来工作。 本质是什么？ 从技术角度说，Skills 就是 一组放在特定目录下的 Markdown 文件 。就这么简单，简单到什么人都会创建自己的skills。 其中 SKILL.md 是入口文件，是整个 Skill 的"目录"和"说明书"。 SKILL.md 的结构详解 一个 SKILL.md 文件必须包含两部分： 第一部分：YAML 头信息（必须） 这两个字段的作用 非常关键 ： 字段 作用 name 技能的唯一标识，用于内部识别 description 决定 AI 什么时候使用这个技能 字段 字段 作用 作用 name name 技能的唯一标识，用于内部识别 技能的唯一标识，用于内部识别 description description 决定 AI 什么时候使用这个技能 决定 AI 什么时候使用这个技能 这就是"自动触发"的秘密 ：当你安装了多个 Skills，Claude 启动时会把所有 Skill 的 name 和 description 加载进系统。当你说"帮我整理会议记录"，Claude 会扫描所有 Skill 的描述，发现 meeting notes 的描述里有"整理会议纪要"，于是自动读取这个 Skill 的完整内容。 你不需要说"请使用 meeting notes 技能"—— 它自己知道该用什么 。 第二部分：正文内容（工作流程） YAML 头信息之后，是 Markdown 格式的正文；其实就是说人话就行，你心里关于这个定制化工作流是什么样的，想象成你把这个流程给一个实习生怎么讲清楚，让他给你执行你就怎么写。 所以通常来说一个好的skills包含： • 触发场景：用户说什么话会触发 • 工作流程：分步骤的执行指南 • 参考文件：指向其他辅助文件 • 注意事项：特殊情况的处理 一个完整的、可复制的例子 假设你需要创建一个"整理会议纪要"的技能： 第一步：创建目录 第二步：创建 SKILL.md