# 播客脚本 【凯】最近所有人都在谈论Claude Skills。我的朋友圈里，做产品的、写代码的、甚至做市场的，全都在问同一个问题：这到底是什么东西？为什么突然这么火？ 我花了三周时间深入研究这个话题，访谈了十几位不同背景的专业人士，从内容创作者到资深工程师。今天我要告诉你一个可能颠覆你认知的结论：Claude Skills不是一个新功能，它代表着AI使用方式的根本性转变。如果你还停留在"写提示词"的阶段，你就已经落后了。 更直白地说，掌握Skills的人和不掌握的人，三个月后工作效率的差距可能达到5到10倍。我不是在夸张。我访谈的一位产品经理，用一个定制的Skill把每周报告的准备时间从4小时压缩到了20分钟。一位DevOps工程师，用Skill把故障排查的平均时间从2小时降到了15分钟。 如果你现在还在每次都重新向AI解释你的需求、你的规范、你的风格，那你就像在用智能手机打电话——你只用到了它1%的能力。今天这期节目，我会用最直白的方式告诉你Skills到底是什么，为什么它这么重要，以及最关键的——你该怎么用它。 先说结论：AI正在从一个"健忘的实习生"进化成一个"有记忆的专家助理"。Skills就是这次进化的关键。 你有没有这样的经历？你花了半小时教AI理解你的品牌调性、写作风格、格式要求，终于生成了一份满意的内容。第二天你打开新对话，一切归零，又得从头解释一遍。我访谈的一位内容营销经理把这个体验形容得特别生动："就像每天都在培训一个失忆的实习生。" 这就是传统"提示词工程"的根本问题——它是一次性的。每次对话都是全新开始，AI没有记忆，你所有的培训都无法积累。 Skills改变的就是这一点。它让你可以把一个完整的工作流程——包括背景信息、操作规则、处理步骤、验证标准——全部打包成一个可以反复调用的"技能包"。一次配置,永久使用。 我给你举个具体例子。那位内容营销经理创建了一个"品牌声音守护者"的Skill。她上传了公司的品牌指南、过往优秀内容案例、还有各个平台的格式要求。现在她只需要给AI一个内容大纲，这个Skill就能自动生成符合品牌调性的、适配不同平台的内容矩阵。从博客长文到小红书短文，从LinkedIn专业调性到Twitter的轻松风格，全部自动完成。 这不是简单的"记住我的偏好"。这是把你的专业知识和工作流程编码化,让AI成为一个真正懂你的协作者。 现在我要告诉你一个更深层的洞察：这件事的本质,不是技术的升级,而是你和AI关系的重新定义。 过去你是AI的指挥者，你告诉它做什么，它执行。现在你是AI的编排者，你设计系统,AI在系统里自主运作。这个角色转变，我把它叫做"从提示工程到工作流编排"的跃迁。 什么叫工作流编排？我用一个对比来说明。传统的提示工程，就像你每次需要咖啡都要详细告诉咖啡师："用20克深烘豆子，92度水温，萃取25秒，加15毫升牛奶。"工作流编排，是你提前设置好一个"我的日常美式"程序，之后只需要按一个按钮。 但区别不止于此。工作流编排的真正威力，在于它能处理复杂的、多步骤的、需要判断的流程。比如"如果今天是周一，就生成上周数据报告；如果是月初，就生成月度分析；如果某个指标异常，自动发送预警邮件"。 这就是为什么我说，掌握Skills的人和不掌握的人，三个月后效率会有5到10倍的差距。因为他们做的根本不是同一类工作——一个还在手工作坊时代，另一个已经建立了自动化工厂。 现在你可能在想："听起来很厉害，但这是不是只有程序员能用？"完全不是。这恰恰是Skills最有意思的地方——它为不同背景的人打开了不同的大门。 我的研究发现,非程序员和程序员使用Skills的方式完全不同,但价值都极高。让我先说非程序员。 对于内容创作者、产品经理、市场人员这些人来说,Skills解决的是"格式化重复工作"的问题。什么叫格式化重复工作？就是那些规则明确、步骤固定、但必须人工处理的任务。 我访谈的一位产品经理,每周五都要做同一件事：收集各渠道的用户反馈、提取关键问题、按优先级分类、生成一份给开发团队的需求文档。这个流程规则很清楚,但因为涉及多个信息源、需要判断和归类,只能人工处理,每次耗时3到4小时。 他现在用一个定制的Skill完成这件事。这个Skill知道公司的产品架构、理解需求分类标准、熟悉文档模板格式。他只需要把本周收集的原始反馈丢给AI,20分钟后就能收到一份结构化的需求文档初稿。他的工作变成了最后的审核和微调,时间从4小时压缩到40分钟。 再说程序员。对他们来说,Skills解决的是"开发生命周期的自动化"问题。我访谈了一位DevOps工程师,他最痛恨的工作是生产环境故障排查。你知道那个过程有多痛苦吗？报警响了,你要登录日志系统查错误,打开监控面板看指标,翻代码库找相关改动,在不同系统间反复切换,手动关联信息。一个故障平均排查时间2小时。 他创建了一个"智能故障分析师"Skill。这个Skill被配置为监控公司的多个数据源——日志系统、APM监控、代码仓库、部署记录。一旦收到报警,它自动拉取相关时间段的所有数据,追踪分布式调用链,对比历史故障模式,在15分钟内给出最可能的三个根因假设和验证方法。 你发现区别了吗？非程序员用Skills做"智能助理",程序员用Skills做"自动化系统"。但核心都是同一件事：把你的专业知识和工作流程固化下来,让AI成为一个可信赖的执行者。 现在我必须说一个很多人回避的问题：信任。 我访谈的金融行业的一位数据科学家,他的第一反应是拒绝。他说："我不可能让一个AI'黑盒'在我的生产环境里操作。万一它出错了怎么办？万一它产生幻觉了怎么办？" 这个顾虑完全合理。但关键在于,Skills不是要你盲目信任AI,而是要你设计一个可控的、可验证的系统。 我给你举个例子。那位数据科学家后来创建了一个"财务数据验证"Skill。这个Skill不直接生成最终报告,而是分步骤工作:第一步,从数据源提取数字；第二步,进行计算；第三步,将结果与历史数据对比,标记异常值；第四步,生成一份包含所有中间步骤的审计日志；最后一步,将结果和日志一起输出。 他的角色变成了审核者，而不是执行者。AI完成了80%的机械劳动,他专注于那关键的20%——判断异常是真实业务变化还是计算错误。这个流程让他既提升了效率,又保持了对结果的完全掌控。 这就是Skills的正确使用方式：不是让AI替代你,而是让AI承担那些"规则明确但耗费精力"的工作,把你解放出来做真正需要人类判断的事情。 说到这里,我知道你最关心的问题来了：我该怎么开始？ 我根据研究结果,设计了一个90天的能力提升路线。这个路线适用于任何背景,从完全不懂技术的市场人员到资深工程师。 第一个30天,我叫它"探索期"。你的唯一目标是建立信心——证明Skills能为你解决真实问题。 具体怎么做？找出你工作中最痛、最高频的一个重复性任务。注意,是"最痛"和"最高频"的交集。比如你是做内容的,可能是"把会议录音整理成结构化纪要"；你是做产品的,可能是"把用户访谈转化成需求列表"；你是程序员,可能是"为新API生成标准化文档"。 从Claude官方的预置Skills开始。不要想着自己定制,先用现成的。PDF总结、文档生成、数据提取,这些预置Skills能解决很多基础需求。用它处理你选定的那个任务,连续使用两周。 你会发现两件事：第一,你每周能节省至少1到2小时；第二,更重要的是,你开始理解"什么样的任务适合用Skills"。不是所有工作都适合,但那些"规则清晰、步骤重复、数据结构化"的任务,简直是为Skills量身定做的。 第二个30天,进入"构建期"。现在你要创建属于自己的第一个定制Skill。 Claude有一个无代码的"技能创建器"。你不需要写一行代码,只需要回答几个问题：这个Skill要完成什么任务？需要什么输入？按什么规则处理？期望什么输出？然后上传你的规范文档、示例文件、模板格式。系统会自动帮你把这些打包成一个Skill。 我建议你从"品牌内容改写"或"报告自动生成"这类任务开始。为什么？因为这些任务规则明确、容错性高。就算AI生成的结果不完美,你调整一下就行,不会造成重大损失。 在这个阶段,你要培养的核心能力是"任务拆解"。学会把一个模糊的目标,拆成清晰的、线性的步骤。比如"生成周报"这个任务,要拆解成：第一步,读取指定文件夹的数据；第二步,提取关键指标；第三步,与上周对比计算变化；第四步,识别异常值；第五步,套用报告模板生成文稿。 一旦你能清晰地拆解任务,Skills的创建就水到渠成了。 最后30天,进入"编排期"。这是真正的分水岭。你要开始构建"连接多个技能"或"调用外部服务"的自动化工作流。 比如你做市场,可以创建一个这样的工作流：每周一早上9点,自动读取Google Sheets里的周报数据,调用"数据分析"Skill提取洞察,再调用"内容生成"Skill写成报告,最后通过邮件Skill发送给团队。全程无需人工介入。 如果你是程序员,可以让一个Skill监控你的代码仓库,当有新的Pull Request时,自动运行代码质量检查,对比团队的设计规范,生成审查意见,并在不符合标准时自动添加评论。 这个阶段你培养的是"系统思维"。不再是"我要自动化一个任务",而是"我要设计一个系统,让多个AI代理协同工作"。 90天之后,你会发现自己看待工作的方式彻底改变了。你不再想"我该怎么做这件事",而是想"我该设计什么系统来处理这类事"。这就是从"任务执行者"到"AI编排者"的转变。 现在我要说三个判断标准,帮你评估自己是否真正掌握了Skills。 第一个标准：时间节省。如果你用Skills处理的任务,没有节省至少50%的时间,说明你选错了任务或者设计得不够好。Skills的价值不是"稍微快一点",而是"彻底改变游戏规则"。 第二个标准：质量稳定性。一个好的Skill应该能保证90%以上的输出符合你的标准,只需要人工做最后10%的微调。如果你发现自己还在大量返工,说明你的规则定义得不够清晰,或者选择了不适合自动化的任务。 第三个标准：可迁移性。如果一个Skill只能处理一个具体任务,价值有限。真正强大的Skill应该能处理一类任务。比如"内容改写"Skill,应该既能改写博客也能改写邮件;"数据分析"Skill,应该既能分析销售数据也能分析用户数据。 用这三个标准定期审视你的Skills库。时间节省低于50%的,优化或淘汰；质量不稳定的,回去重新定义规则；只能处理单一任务的,思考如何抽象成更通用的流程。 最后我想说说我自己的改变。 研究Skills之前,我和大多数人一样,把AI当工具用。需要写点东西了,打开Claude,输入需求,得到结果,关闭。这个过程效率不低,但每次都是从零开始。 现在我的工作方式完全不同了。我有一个"研究分析"Skill,它知道我的分析框架、写作风格、文档结构。我只需要把访谈记录和数据丢给它,它就能生成结构化的洞察报告。我有一个"内容矩阵"Skill,它能把一份长文自动拆解成不同平台的内容组合。 更重要的是,我开始用"系统设计"的思维看待工作。遇到新任务,我的第一反应不再是"我该怎么做",而是"这个任务的重复模式是什么？能不能固化成一个Skill？"这种思维方式的转变,让我的工作效率在三个月里提升了大概5倍。 这就是我今天要传达的核心信息：Skills不是一个新功能,它是一种新的工作方式。它改变的不是AI的能力,而是你使用AI的方式。从"每次都教"到"一次定义,永久使用"；从"指挥执行"到"设计系统"；从"任务执行者"到"AI编排者"。 如果你现在还在每天重复向AI解释同样的需求,你就是在用2023年的方式应对2025年的竞争。三个月后,掌握Skills的人和不掌握的人,工作效率的差距会大到你无法想象。 我的建议很简单：今天就开始。找出你最痛的那个重复性任务,用一个预置Skill试试。不需要完美,不需要复杂,先开始再说。因为这个领域,实践者比观望者有指数级的优势。 我是凯。如果这期内容对你有启发,记得分享给那些还在每天重复劳动的朋友。我们下期见。