当AI协作从Prompt演进到Skill，隐性经验首次被编译为可执行的程序性知识包。本文基于ACT-R认知理论，通过Figma原型设计实战案例，揭示如何将Know-how转化为约束内自主的AI能力。从知识分层到决策框架，一场从分享信息到分享能力的深度变革正在发生。

上周日我在线下做了一场关于 Skill 的分享。很多朋友在用 AI 的过程中，都接触过 Prompt、知识库、RAG、Agent 这些概念，但对「Skill」这个词可能还比较陌生。它到底是什么？和我们熟悉的这些概念有什么区别？我又是怎么在实际工作中一步步构建出自己的 Skill 的？

今天把分享会的内容整理出来，分享给大家。

01 Skill 到底是什么？

先说结论：Skill 是写给 AI 的 SOP。

更完整地说，Skill 是将人的隐性经验编译为可复用的程序性知识包，让 AI 在约束内自主完成特定类任务。

这个定义里有几个关键词。「隐性经验」不是写在文档里的信息，而是你脑子里那些说不出来但知道怎么做的东西。「编译」意味着跳过反复练习，直接把经验注入给 AI。「约束内自主」则说明 Skill 既不像 Workflow 那样把每一步写死，也不像 Agent 那样完全放手——它在规范的护栏内给 AI 灵活发挥的空间。

理论支撑：知识怎么变成技能？

这背后有一个经典的认知心理学理论：ACT-R（Anderson, 1982）。它把人的知识分成两种：

第一种叫陈述性知识，也就是 Know-what——我知道按钮颜色是 #2196F3，我知道间距要用 8px 网格。这是事实和信息。

第二种叫程序性知识，也就是 Know-how——我拿到需求就知道该怎么画，不用想颜色该用什么，手上自然就对了。这是做事的能力。

从第一种到第二种的转化过程，叫做「知识编译」。人要靠反复练习才能完成这个编译，但 Skill 做的事情，就是把编译好的结果直接注入给 AI——让 AI 跳过练习阶段，直接获得「会做」的能力。

一句话总结：知识库让 AI「知道」，Skill 让 AI「会做」。

分享形态的演进

如果你回顾过去几年 AI 社区的分享潮流，会发现一条清晰的演进线：

最早大家分享 Prompt——「教你一句咒语」。后来开始分享知识库——「给你一本书」。现在越来越多人开始分享 Skill——「给你一项技能」。再往后，可能会分享 Agent——「给你一个员工」。

每一步传递的东西都在变深：从显性知识到程序性知识，从「因人而异」到「效果趋于一致」。

02 Skill 和那些概念到底有什么不同？

在分享会上，我用了两张象限图来帮大家理清这些概念之间的关系。

知识视角的象限图

横轴是知识类型，从 Know-what 到 Know-how。纵轴是持久性，从临时到持久。

Prompt 是临时的、偏 Know-how（表达意图），Context 是临时的信息窗口，知识库是持久的 Know-what，Memory 是持久的偏好记录。而 Skill 占据了右上角——既是持久的，又是 Know-how 的。它是编译好的程序性知识，不会随着会话消失。

编排视角的象限图

横轴是判断空间，从全部写死到全部自主。纵轴是编排者，从人到 AI。

Workflow 在左下角——人用代码写死每一步，机器执行，零判断空间。Agent 在右上角——AI 自己决定目标和步骤，全权决定。而 Skill 正好在中间——人定约束，AI 在约束内灵活执行。这就是它的甜蜜点。

架构分层

从底层到顶层，整个 AI 协作系统可以分为五层：协议层（MCP）、工具层（Tool）、上下文层（Context）、知识层（Prompt / 知识库 / Memory）、编排层（Workflow / Skill / Agent）。

Skill 之所以特殊，是因为它横跨了编排层和知识层——既包含知识文件（颜色规范、Token 表），又包含编排逻辑（5 步生成流程），还包含约束规则（踩坑教训）。它不是单纯的知识，也不是单纯的流程，而是两者的结合。

03 我是怎么构建 Figma 原型图 Skill 的

理论讲完了，说说实践。我在工作中需要用 AI 帮我画 Figma 原型图，从完全不可用到现在基本一次成型，中间经历了四个阶段。

阶段一：直接上手试错

一开始我什么规范都没写，就直接告诉 AI：帮我画一个登录页原型图。

结果它画了个紫色渐变的分屏布局——风格完全不对。我说不对，用居中卡片。它改了，但用了编造的价格 $49/$149——数据是假的。我说价格要从线上获取。它改了，但文本里出现了 n 这个字符——Figma 根本不支持这种换行方式。

来回改了五六轮。但这个阶段的价值在于：你不知道 AI 会在哪里犯错，试了才知道该约束什么。

阶段二：从失败中提炼

经过几轮实际使用，我发现了一些反复出现的问题：风格不对、颜色记不住、数据瞎编、换行方式错误、不同产品配色不同……

我把这些问题一一对应成规则：写一份 design-style-guide、做一份 Token 速查表、加上「业务数据必须从线上获取」「多行文本用独立 node」等约束。

这个阶段的核心动作是：哪些问题反复出现，就该固化为规则。

阶段三：组织成文件体系

散落的规则越来越多之后，我把它们按职责拆分成了一套文件体系：

SKILL.md 是总控文件，规定什么时候该做什么。design-style-guide.md 是视觉规范。figma-component-reference.md 是精确的 Token 值。figma-generation-guide.md 是 5 步生成流程。还有一个 lessons-learned.md 记录踩坑教训，放在 Memory 里常驻。

关键是不要把所有东西塞进一个文件，而是按职责拆分——就像人的知识也是分层的，方法论在脑子里，细节在手册里。

阶段四：持续喂养

Skill 不是写完就结束的。每次遇到新场景出了问题，我会立刻追加规则。它像一个不断学习的系统，越用越强。

我在构建过程中用到的 6 个技巧

在这个过程中，我总结了一些让 Skill 构建更高效的技巧：

技巧 1：踩坑即沉淀。

每次 AI 犯错，不是口头纠正就算了，而是立刻让 AI 把教训写进规则文件。比如价格数据编造的问题，我会直接说「帮我写进 lessons-learned」，AI 就自动追加到文件里了。同一个错误不会犯第二次。

技巧 2：让 AI 自己找工具，不替它搜。

我不需要自己去研究 Figma MCP 有哪些 API。直接告诉 AI 我的目标，让它自己去探索可用的工具，试错、调通。这省掉了大量查文档的时间，也让 AI 对工具能力形成了第一手理解。

技巧 3：先做一遍，再提炼 Skill。

很多人的直觉是先规划好 Skill 再执行。但实际上反过来效率更高——先让 AI 做一遍真实任务，从过程中提炼出该固化的部分。Skill 应该从实践中生长，不是从想象中设计。

技巧 4：让 AI 帮你写 Skill 本身。

我不是自己手写每一行规范，而是在对话中告诉 AI「把刚才做的这些总结成规范文件」。用 AI 写 Skill 来指导 AI，形成闭环。

技巧 5：用 Memory 做 Skill 的「热补丁」。

不是每次踩坑都要改 Skill 主文件。小的教训先写进 Memory，积累到一定量再整合进 Skill 正式文件。Memory 是 Skill 的草稿箱和快速迭代通道。

技巧 6：分享意图而非指令。

不要试图写死 AI 的每一步操作。告诉它「为什么这样做」比「做步骤 1、步骤 2」更鲁棒。约束目标和边界，把路径交给 AI——这就是 Skill 和 Workflow 的根本区别。

04 畅想：外挂形式的下一步是什么？

最后聊聊未来。

回顾一下，在通用大模型之上，我们一直在叠加不同形式的「外挂」：先是外挂提示词——告诉它做什么；然后是外挂知识库——告诉它知道什么；再然后是外挂 Skill——告诉它怎么做。

每一步外挂的都是更深层的东西。那下一步呢？

下一步：外挂 Principle（决策框架）

沿着 ACT-R 理论继续推演，程序性知识之后是自动化与元认知——不是「怎么做某件事」，而是「怎么判断该做哪件事」。

Skill 解决的是「这个任务怎么做」，而 Principle 要解决的是「面对多个任务该选哪条路」。打个比方：Skill 是厨师会做红烧肉，Principle 是厨师知道今天该做什么菜——要看食材、看客人、看场合。

从 Skill 市场到角色市场

现在已经出现了 SkillHub、ClawHub 这样的 Skill 集市，对应的是 App Store 早期——单个能力的分发。

当 Principle 层成熟后，下一步会出现的是「AI 角色市场」——你装载的不再是单个技能，而是一个完整的专业角色。比如一个「产品设计师」角色，它自带画原型、写 PRD、做竞品分析等一组 Skill，还知道什么场景该用什么 Skill 的决策框架。从安装单个技能，到安装完整角色。

写在最后

从外挂提示词到外挂知识库，我们让 AI 知道得更多。

从外挂知识库到外挂 Skill，我们让 AI 做得更好。

下一步，从外挂 Skill 到外挂决策原则，我们会让 AI 判断得更准。

我们正在见证 AI 协作从「分享信息」走向「分享能力」，最终走向「能力的自由流通」。