如何把经验装到Skills?
不知道你有没有留意,最近一直在分享Skills。
从最早聊它如何完成 50 个客户案例,到后来聊它怎样嵌进产品经理的工作流,再到最近分享如何从 0 到 1 写一个“画原型”的 Skills,这条线其实一直很清晰:不是在炫技,而是在回答一个更实际的问题,AI 到底怎么真正进入工作,而不是只停留在演示里。
但这里面一直有一个绕不开的话题,之前没有单独展开说。
那就是:怎么把你的经验、方法论,真正装进 Skills 里,让它输出的内容不只是“看起来对”,而是“对你有用”。
很多人会有一个很自然的疑问:AI 已经这么强了,为什么还要强调“把自己的经验喂给它”?这听起来好像有点自以为是,仿佛默认自己比 AI 更懂。
其实不是。
更准确地说,你不是在教 AI 变聪明,而是在给它一个边界、一个约束、一个参考。你是在告诉它,什么才叫符合你的业务现实,什么才叫符合你的判断标准,什么才是你真正想要的输出结果。
否则,它当然也能给你答案,而且往往还会给得很完整、很漂亮、很像那么回事。但问题是,那些内容未必属于你,未必适合你的场景,甚至可能只是“高大上”,却和实际工作没什么关系。
这篇文章,就是想聊这件事。
为什么我会开始折腾这个问题
拿一个很真实的场景来说。
作为一名 SaaS 产品经理,每周少则要评估 1 到 2 家客户的定制需求工作量,多的时候可能有 5 到 10 家。每次评估,少则 1 小时,多则一整天。它既重复,又高频,还特别费时间。
你如果不认真评估,只是给客户一个笼统的人天,比如 10 人天,对方很可能会继续追问:“你们有评估依据吗?有没有需求理解和时数拆解?”
可你如果认真去做,又会很快陷入另一个现实:费了不少时间,最终真正愿意付费定制的客户,可能连 5% 都不到。
这就是一个特别典型、也特别适合用 Skills 去解决的问题。
但真正开始写的时候,很快就会发现,事情没那么简单。一个看起来“很明确”的需求,要做成一个稳定可用的 Skills,背后其实很讲究。不是把需求描述给 AI,就能自然得到一个符合预期的结果。
我前后调了好几个小时,写废过一个 Skills,又拿 5 个完全不同的真实需求反复验证,才慢慢调出一个能真正投入工作的版本。
回过头来看,真正决定结果的,不是提示词写得多长,而是你有没有把自己的经验和方法论讲清楚。
这也是这篇文章的由来。想把这个过程完整分享给你,或许能帮你少走一点弯路。
第一轮调试:一个 Skill 干太多事
最开始调试的时候,我其实犯了一个很常见的错:希望一个 Skill 一次性把所有问题都解决。
我当时的想法很直接。输入一个需求,让它同时输出解决方案、用户故事、流程图,再顺便给出工作量评估。听起来很合理,甚至还有点“一步到位”的味道。
结果也确实能出东西。它会给我 2 到 3 个解决方案,每个方案后面还附带一份对应的工作量评估。
但真正一看,就发现问题很明显。
第一个问题,是评估结果偏差非常大。原本经验判断大概 15 人天的需求,它给出来的方案一可能是 30 人天,方案二甚至能到 59 人天。表面上看是在“多方案分析”,实际上是评估基准已经飘了。
第二个问题,是拆得太细,而且太技术化。它会把很多研发内部的实现层内容直接摊出来,比如日志管理、数据映射配置之类。这样的结果拿给客户,未必能帮助对方理解,反而更容易把沟通带偏。
后来再回头看,这一轮失败几乎是必然的。因为我实际上是在让一个 Skill 同时承担“方案设计”和“工作量评估”两种不同职责。一个偏发散,一个偏收敛,本来就不该混在一起。
第二轮调试:拆开职责,但只给要求,不给方法
第一轮结果不符合预期之后,我开始拆分职责。
说到底,问题有两个。一个是不符合 Skills 的设计常识,也就是一个 Skill 最好只做一件事。另一个更关键,是我虽然给了很多要求,却没有把背后的经验和方法讲给它。
于是第二轮,我把它拆成了至少两个 Skill。一个负责设计解决方案,一个专门负责评估工作量。
这次,我把约束加得很强,也明确告诉它一些经验判断。比如测试工作量通常是后端的三分之一到二分之一,前端一般是后端的一半,产品和设计工作量最小,简单需求 1 天,最复杂也不超过 5 天。
然后,我拿一个真实需求去测它: