这篇文章，想讲一下我们最近一次内部分享会上，一个真实跑通的实践：
Claude Skill，是怎么一步步把写公众号文章这件事，变成可协作、可迭代的自动化流程。
01
什么是Skills？
先来说说什么是Skill？
Skills 是一种正在成形的 AI 工作方式。
如果用一句话概括：
Skill，就是把一件原本依赖个人经验的工作，拆解成一套 AI 可以稳定执行的能力模块。
一个完整的 Skill，通常会明确三件事：
1.要解决什么问题
2.按什么步骤执行
3.最终产出什么结果
当这些被结构化地写清楚，
AI 的角色就从灵感搭子变成流程执行者。
不再是“随便想想、随机发挥”，
而是进入了一个可被调用、被约束、被校验的执行流程。
给它一个任务，它会按固定路径走，走完给你一个可交付的产物。
这对大多数重复的工作来说，简直太赞了。
prompt和skiil有什么区别？
如果用一个生活化的例子来说：
· Prompt，更像是你临时跟一个聪明的朋友说：“你帮我想想这件事怎么写”
· Skill，更像是你提前写好一张操作说明书：“遇到这类问题，就按这几步来做，结果交付成这个格式”
当事情只做一次，Prompt 已经够用；
但一旦进入团队协作、长期生产、稳定交付，
Skill几乎是必选项。
02
那 Claude Skill
在这里扮演什么角色？
理解了 Skills，再看 Claude Skill 会顺很多。
Claude Skill，是基于 Anthropic 的 Claude 生态，把 Prompt、工作流、约束说明（Agent / Skill Markdown）整合成的一种技能化工作流方式。
它解决的是能不能被稳定地用进流程里。
相比传统 Prompt，Claude Skill 更强调三点：
1.流程是明确的
每个 Skill 都会把步骤、输入、输出写清楚，
而不是一句模糊指令。
2.能力是可复用的
同一个 Skill，可以被反复调用，
用在不同项目、不同内容场景中。
3.使用门槛被压低
技术人员可以把复杂逻辑封装起来，
非技术同事只需要按规则使用。
这些内容，会被结构化地写进一个 Skill 目录和 Markdown 文件中，
预先设定了角色、目标、约束条件和输出格式。
这相当于为AI划定了一个清晰的工作舞台和行动剧本。
打个比方，在公众号写作Skill里，会提前封装：
角色：“你是一位资深新媒体编辑。”
风格库：“参考过往‘轻松风格’文章的语料。”
刚性约束：“标题必须包含emoji，正文段落不超过5行。”
输出模板：“最终输出必须为可直接复制的HTML格式。”
正是这些被预先封装好的上下文，
才确保了流程的明确和结果的稳定，从而实现了可复用和低门槛。
03
一次真实的演示
在我们最近的一次内部技术分享会上，一位开发同学分享了他用 Claude Skill 搭建的内容生产工作流。
当天是周四，有同事当场点题：“那就写疯狂星期四吧”。
所以我们输入了个很具体的场景：
“生成一篇关于肯德基疯狂星期四的公众号文章，3000字，chikawa风格。”
大屏幕上的Claude开始自动运行
· 读取 Skill.md，理解“这是一个公众号写作任务”
· 根据既定结构，拆解文章大纲（标题 / 小标题 / 概述）
· 调用已封装的写作风格说明（来自我们历史文章）
· 生成正文内容
· 调用 Gemini 进行配图生成
· 按既定 HTML 模板完成排版
· 输出为可直接发布的公众号草稿
整个过程，不需要人工一步步盯着改 Prompt。
人真正介入的地方只有两个：
前置：定义好 Skill 的规则和风格
后置：内容校对和价值判断
整个流程是一次跑通的，通过不同的模型运行，生成了多篇选题一样的文章，可以对比模型之间在执行Skill的时候的差异。
生成了多篇同一选题的文章
很有意思的段子
当然，这并不是一个“完美无缺”的流程。
我们也经历过AI突然放飞自我、风格跑偏、段落重复的情况。
某些场景下，输出仍然不够稳定；风格一致性，还需要市场同学一起训练和约束。
等打磨得更完善后，再分享出来给大家。
如果你也想尝试 搭建Skills，可以参考我们的实践思路
1. 先把“人怎么做”跑清楚
不要一上来就做自动化，先明确： 哪些步骤是确定的，哪些判断是可复用的。
2. 把关键流程写进 Skill
把反复出现的结构、顺序、输出要求， 统一沉淀进 Skill 的描述与工作流中，避免每个人各写各的 Prompt。
3. 让AI按既定流程执行
Skill不追求“灵感”，而是追求稳定、可预期的结果，这也是它能长期运行的前提。
04
结语
过去两年，AI竞争的核心叙事是模型战争
谁的参数多、谁的benchmark高、谁的上下文窗口长。
但Anthropic的人在演讲里说了一个判断：
"We think we've converged on the architecture to build agents."
我们认为Agent的架构已经收敛了。
翻译成人话：底层模型的差异正在缩小，真正的差异化要往上一层找。
往上一层是什么？
是怎么让AI做好具体的事。
这就是Skills要解决的问题。
越来越多模型厂商和工具链，开始强调可复用、可组合、可被调用的能力结构。
无论是 Agent、Tool 还是 Skill，本质都在解决同一个问题：
如何让 AI 从一次性的辅助，变成流程里的长期能力。
这也解释了为什么单纯依赖 Prompt 的方式，越来越难在团队中长期成立。
Prompt更像个人经验的放大器，效果高度依赖使用者本身；
而Skill关注的，是把“怎么做”这件事写清楚、定下来，
让能力可以被重复调用、被不同角色使用。
AI 并不会自动带来效率，
效率来自“输入更清晰、过程更可追溯、产出更可复用”。
这类实践，对我们来说更像一次工作方式升级：
把经验写成流程，把流程写成能力，把能力交给团队复用。
