Datawhale干货
作者：平凡，英国Northumbria University讲师，
计算机博士
在昨晚的直播里，我们深入探讨了一个核心问题：当AI能给出正确答案时，我们真正需要的是什么？
答案往往是：符合我个人或团队特定习惯、格式与质量标准的可交付成果。 有人先快跑，有人先定标准；有人先结论后证据，有人先铺背景再收束——这些长期形成的默认方法论，AI 默认很难稳定复刻。
为了覆盖最多人，AI 往往走“最大公约数”，给出正确但同质的教科书式答案：能解决大部分通用问题，却经常错过你的那部分专业偏好（格式、语气、风险边界、细节标准、交付要求）。
这也正是 Claude 提出的 Skill 概念近期备受关注的原因：它看起来只是“模版 + 例子 + 规则 + 触发机制”，却能把大模型/Agent 的输出从“能答”推到“能交付”。
Skill 的价值就在这：不让 AI 更聪明，而是让 AI 更像你。它把你脑子里的隐性习惯封装成可复用模块，明确输入/输出标准、缺信息怎么追问、哪些不能编、怎样算合格，从而把“个人经验”变成稳定的可交付能力。
但一个新问题随之而来：如何低门槛地、稳定地创建一个Skill，并让它能被他人轻松复用？
扣子这次的重磅2.0升级，给出了一个漂亮的答案。
它不止于借鉴理念，更通过扣子编程等设计，将Skill的创建、调试、发布门槛降到极低，真正推动“个人经验”到“可共享产品”的跃迁。
下面，我就结合直播中的实操演示，为大家拆解 Skill这一爆火的概念以及扣子 Skills 的革新之处。
一、扣子Skills：把AI的随机世界线收束到你要的那条
扣子Skills 最有意思的地方在于：它让这件事从“自己用”走到了“大家用”。你可以把日常的解决方案做成人人可用的 Skill：别人只要按你的输入方式喂材料，就能得到符合你标准的交付物。
我做的这个“大白话数据分析”Skill，就把我平时跟一些社科教授合作的经验流程在扣子上固定了下来。
先把他们的大白话需求转换成专业术语，然后接着做数据预处理、分析、绘图以及最后的报告生成，甚至连报告的格式都可以固定下来，比如很常用的IEEE格式。
很多人第一次听到 Skill，会下意识理解成：“哦，就是我把提示词写得更完整、更细，效果就更稳定。”
这当然有帮助，但还不够。
提示词更像一次性的对话策略：这次我希望你按某种方式回答。而 Skill 更像一个能力模块：我把一套解决问题的方式固化下来，让它可调用、可复用、可迭代。
这是刚刚提到的“非计算机或者统计背景用户的数据分析Skill”，它最核心的就是SKILL.md这个文件，它其实就是一个操作手册，定义了从输入到输出的整体流程，每一步的操作都被确定了下来。
这个流程很像论文写作中的伪代码形式，也是从输入到输出的规范操作，AI的发散性思维会被约束，关注于根据操作规范来处理问题。
这个过程其实就是把世界线收束的逻辑，从输入到输出可能有N种方案，但只有X这个方案才是最适合当前的操作规范。
特别是一些本身就具有 SOP（标准作业流程）的工作，你会发现用扣子Skills来实现的效果几乎是“降维打击”。
为什么？因为 SOP 类任务的本质不是“灵感”，而是稳定性：你要的不是一个看起来不错的答案，而是一套可重复执行、可检查、可交付的流程。
而大模型最麻烦的地方恰恰是“发散”——它太会给你多种可能性了。
在写文章时这可能是优点，但在做交付时，它经常变成缺点：
你要的是一个能用的结果，它给你一堆“可选方案”；
你要的是固定格式，它给你自由发挥；
你要的是可复现，它给你每次都不一样的“灵感版本”。
Skill 的意义，就是把这种发散拉回来：让模型按你的规范走。
二、扣子Skills的原理
扣子Skills背后长这个样子，它的核心刚刚我们说过了，就是SKILL.md这个文件，它规范了一套整体流程，如何从A到B，但只有总纲还不够。
assets：包含了可以复用的模板，比如输出样式，可以让agent稳定输出自定义格式；
references：作为skill的补充，考虑到了各种情况下的不同处理方案
scripts：多为代码文件，被触发时会自动运行并处理
requirements：python包文件列表，运行这个skill沙盒所需要的包
可以把扣子skills看成一个沙盒环境，它在启动后会生成一个独立的运行环境，从Skill的启动界面也能看到虚拟机信息。
我的“人话版数据分析Skill”的后台界面和运行demo是这样的，可以看到每一步有哪些功能被调用了，特别是其中的一些tricky问题，比如数据集不完整或者结构不一致。
这么一个 Skill 的创建，在扣子 Skills 出现之前是很复杂的，这也是为什么 Claude Skill 只在小范围内火热，扣子 Skills 把这么一套复杂的流程极简化了，秘密就在于扣子编程，它把技能/Skill 的创建也做成了类似于 Agent 的形式。
你可以通过简单的描述来让扣子编程来完成背后的所有操作。
而原则上只需要一句 Prompt 即可，这是我总结的一套方法论，可以适用于大多数的情况，可以作为一个参考。
因为本身扣子编程背后也是大模型，你描述出你的需求后，它本身也会自主的进行分析，最后给你生成一套完整的 Skill 套装内的所有文件，里面包含了我们开始提到的所有文件。
也对应了后台的创建过程，它同样也是一个自我迭代的过程，分析指令+创建文件+最后的校准。
但是这个过程并不是一蹴而就的，就跟 SOP 的流程需要打磨一样，不可能一开始就有完美的 Skill，所以后续是需要不断迭代的。
迭代有两种方法，Skill 包里面内容是支持编辑的，如果 review 的时候发现有问题可以自己修改。
同样的，如果没有markdonw以及代码经验，可以采用跟扣子编程对话的形式，跟创建初始一样，继续通过对话来让扣子自我迭代。
扣子 Skills 的优势：它把 Skill 从“我能用”推到“大家能用”
现在已经上架的不少 Skill，使用量都已破万。很明显，大家对那些“平时觉得很复杂但又确实需要”的流程型能力是有强需求的，只是现实中的实现门槛太高，往往直接把人劝退。
尤其是我试了官方的视频 Skill：它能把原本需要“规划、找资料、片段合成、配音配乐、转场”等一整套繁琐流程，一次性跑通并做成可用成品。
这是一次性生成的视频。
如果大家想尝试的话，可以用这个Prompt：
生成城市纸雕穿梭视频，分别穿梭杭州、上海、成都、重庆、武汉、黑龙江。16:9比例，一共30s。 画面风格：超精细立体剪纸纸雕艺术创作，采用绚烂彩剪工艺+凸烫金线工艺，前景层层叠构建立体纸雕空间：都市地标群错落排布 + 城市建筑细节 每到一座城市，旁白都会说一句代表这座城市的古诗 视频提示词：立体剪纸纸雕艺术风格，以FPV第一人称视角猛地垂直俯冲, （结合后续城市内容，来撰写丝滑运镜、切换到下个城市的提示词）
只需要选择扣子的“视频”选项，然后再加自己的Prompt即可。
除了官方提供的几个Skills，还有很多领域的专家也把自己的Skill整理上架了，比如这个“一键结构视觉设计”，可以辅助你分析参考网页的视觉DNA。
再比如这个Markdown排版工具，可以一次性的将Markdown文档转换为精美的HTML或者PDF。
这是我用关键词“流场艺术”做的，可以动态调整生成的细节，比如速度、随机程度以及色彩等。
这才过了两天，就已经看到上架了很多的精美Skills。说到这里，其实扣子 Skills 最让我惊讶的，不是它能不能做 Skill，而是它把 Skill 这件事做得更“落地”。我总结下来就三点，比较实在。
第一点：门槛低
以前把经验变成可复用能力，常被工程细节卡住（结构、依赖、脚本、异常等）。扣子把这些劝退点压缩掉：用自然语言描述，它先搭好 Skill 骨架并跑通最小版本，你再迭代打磨，而 Skill 本来就需要不断优化。
第二点：它更擅长把多步操作串起来
Skill 的核心价值在把多步 SOP 串成流程：先检查信息缺口→追问补齐→生成主输出→补齐沟通稿/汇报稿/模板→自检不合格就重写。相比单次生成，这更贴近真实工作推进。
第三点：它更像一个产品形态
当你开始想着“这个 Skill 不只是我自己用，别人也要用”，你会自然变得更认真：输入要更清楚，输出要更固定，边界要更明确，遇到坏数据、缺信息要有兜底。扣子把发布、复用这条路铺得更顺，所以它会逼着你从“写提示词”变成“做一个别人敢用的东西”。这一步一旦跨过去，你沉淀下来的就不只是效率，而是一套可以不断迭代的能力资产。
这也是我觉得扣子 Skills 有意思的地方：它不是让模型突然聪明很多，而是把你的那套默认解法固定下来，让结果从“看起来可以”变成“真的可以交付”。你以为只是习惯，但当它能被反复调用、能被别人用、还能持续迭代的时候，它就开始有产品的味道了。
最后留一个最简单的判断题：你最近一个月里，有没有一件事你重复做了 10 次以上，而且你能把它“做成”，但别人经常做不成？如果有，它大概率就是你最值得做成 Skill 的那条“世界线”。
一起“点赞”三连↓
