很多人使用 AI,已经走到一个有点尴尬的阶段:工具越来越多,重复说明一点没少。
写周报,要重新交代结构和语气;整理会议纪要,要重新说明哪些内容必须保留;做旅行攻略,又要把预算、节奏和偏好再讲一遍。
昨天调顺的一套提示词,换个对话,像是又回到了起点。
这时候,比继续囤提示词更有用的做法,是把那套已经验证过的流程保存下来,让 AI 下次直接照着做。
这就是 Skill。
它不只适合程序员,也不只属于某个职业。只要一件事经常重复、步骤相对固定、结果有判断标准,就有机会做成 Skill。
今天我先把 Skill 讲清楚,再用一个“月报复核 Skill”完整走一遍。即使你不做财务,也可以把里面的字段和规则换成自己的工作场景。
Skill 到底是什么
可以把 Prompt 和 Skill 理解成两种不同的交代方式。
Prompt 解决的是“这一次怎么做”。你在当前对话里告诉 AI 任务、背景、要求和输出格式,任务结束,这段说明通常也就跟着结束了。
Skill 解决的是“这一类事情以后都怎么做”。它把任务说明、操作步骤、参考规则,甚至可执行脚本放进一个固定目录。需要时,Codex 会读取这套资料,再按约定流程完成任务。
所以,Skill 不是一个新模型,也不是给 AI 重新训练。它更像一份可以反复调用的操作手册,旁边还配好了检查表和工具箱。
按照 OpenAI 官方文档,一个 Skill 至少包含一份 SKILL.md,也可以按需要加入 scripts/、references/ 和 assets/。[1]
my-skill/
├─ SKILL.md
├─ scripts/
├─ references/
└─ assets/

这几个部分很好理解:
SKILL.md:告诉 AI 什么时候使用、按什么步骤执行、最后交付什么。
references/:存放标准、模板、检查清单和业务口径。
scripts/:存放需要稳定执行的计算、转换或校验程序。
assets/:存放表格模板、图片等交付素材。
不需要一开始就把四个目录全部建齐。一个能用的 Skill,可以只从 SKILL.md 开始。
为什么值得把常用任务做成 Skill
第一,少重复解释。
会议纪要要提取“结论、责任人、截止日期”,周报要按“进展、问题、下周计划”输出,这些固定要求没有必要每次重说。
第二,结果更稳定。
临时写提示词,很容易漏掉一项要求。Skill 把顺序、格式和检查标准固定下来,同类任务的结果不容易忽高忽低。
第三,经验可以积累。
一次任务做砸了,不必把整段提示词推倒重来。找到漏掉的规则,补进 Skill,下一次就能继续复用。这份文件会随着你的使用越来越贴合实际。
第四,重要边界能被留下。
哪些数据只能提示不能代改,哪些结论必须人工确认,哪些情况下要停止输出,都可以写进 Skill。对于涉及合同、财务、税务和隐私的任务,这一点尤其重要。
一句话概括:Prompt 像一次口头交代,Skill 像一套经过修订的标准操作流程。
用“月报复核 Skill”演示一遍
我选月报复核做示范,是因为它很典型:任务会重复,检查步骤明确,结果也容易验证。
示例数据只有收入、成本、期间费用和净利润,规模很小,正好能看清 Skill 从搭建到测试的全过程。
你不需要懂复杂会计。把“利润率公式”换成简历检查项、合同字段、会议纪要格式或旅行预算规则,同一套方法依然成立。
第一步:先选一个真正重复的任务
不要从“做一个万能助手”开始。
一个合适的首个 Skill,通常满足三个条件:
这次我把任务收窄为:检查月报数据是否完整、公式是否一致、关键指标是否异常,并输出复核结论。
暂时不做自动改数,也不做审批。范围越清楚,测试越容易。
第二步:写出最小版 SKILL.md
SKILL.md 开头需要一段元数据,至少写清名称和用途。用途描述尤其重要,因为它决定 AI 在什么情况下想到这项 Skill。
---
name: monthly-management-report-review
description: Review monthly management reports for data completeness,
formula consistency, anomalies, and produce a concise review conclusion.
---

接下来写执行步骤。我的最小流程只有五步:
这里最容易踩的坑,是只写“帮我检查一下”。检查什么、按什么顺序、什么算异常都不清楚,AI 只能临场猜。
写 Skill 时,尽量把动词落到具体动作上,比如“重算利润率”“计算同比和环比”“列出缺失字段”,不要只写“深度分析”“全面复核”。
第三步:把专业规则放进 references
当规则越来越多,全部塞进 SKILL.md 会变得难读,也不方便维护。
我把复核口径单独放进 references/review-rules.md,包括字段要求、计算公式、异常阈值和输出结构。

例如:
毛利 = 收入 - 成本
毛利率 = 毛利 ÷ 收入
费用率 = 期间费用 ÷ 收入
净利率 = 净利润 ÷ 收入
同比 =(本期值 - 上年同期值)÷ 上年同期值
环比 =(本期值 - 上期值)÷ 上期值
再明确几个基础判断:
为什么要把规则写得这么细?
因为“经验丰富地帮我看看”没有统一尺度。同一份数据换个对话,结论可能就变了。写成可核对的规则后,AI 才知道依据在哪里。
这个原则同样适用于其他任务:会议纪要的必备字段、简历的检查清单、合同的风险词、旅行计划的预算上限,都可以放进 references/。
第四步:准备一份能暴露问题的测试数据
Skill 写完,不要急着拿正式资料开跑。
先做一份很小的测试表,主动放入几类需要识别的情况:

小数据的好处是,人眼也能算清楚。
比如本期收入 1200 万、成本 840 万,毛利应该是 360 万,毛利率是 30%。本期净利率只有 7.92%,而上期是 14%。如果 Skill 没算出这些结果,问题多半不是数据太复杂,而是步骤或规则没有写清。
测试时我重点看四件事:
第五步:按测试结果修 Skill
第一次执行不完美很正常。Skill 的价值,本来就来自一轮轮修订。
这次测试里,Skill 正确重算了毛利、毛利率、同比和环比,也提示了净利率下降,以及预算和异常原因证据尚未提供。

如果它只说“利润率有问题”,却没有列出原值、重算值和公式,我会回到 review-rules.md,补一条:
每个公式异常必须同时输出:
原始值、重算值、差异、使用公式。
如果它漏掉了缺失字段,就在 SKILL.md 的第一步加上“先检查字段完整性,再做计算”。
这也是做 Skill 最实用的思路:不要猜它还可能犯什么错,先用一个小样本跑起来,再根据真实问题补规则。
你的第一个 Skill,可以从这些事开始
回头看自己的日常,只要一句话里经常出现“每次都要”,就值得留意:
先挑其中一件,写下触发场景、固定步骤、参考规则和输出格式。哪怕第一版只有二三十行,也已经比一段用完就散的临时提示词更容易复用。
还有两条边界要记住
第一,Skill 能固定流程,不能替你承担最终判断。
涉及金额、合同、税务、医疗和个人隐私时,AI 输出适合作为复核线索,关键结论仍需由有权限的人确认。
第二,别把敏感数据直接写进 Skill。
Skill 里保存规则、模板和方法即可。账号、密码、客户明细、身份证号等信息,不应该放进可复用文件。
Skill 最吸引我的地方,不是“自动化”三个字,而是它让个人经验有了可以保存、检验和修订的形态。
我们每天都在教 AI 做事。与其每次从头再说一遍,不如把一件已经反复做过的事整理成 Skill。
先让它替你稳定完成一类小任务。等这套流程跑顺了,再考虑下一项。

