K2为什么需要 Skill：经验不能只留在对话里

第五期创造营有一道全天最硬的门：你做出来的能力，必须存在于文件里，不能只存在于对话历史里。

对话历史会丢，文件不会。今天你和 AI 聊了三个小时，终于把一件事做对了；如果这三个小时只存在于聊天记录里，下次你还得从头再聊一遍。

只靠对话，同样的代价会反复出现

对话结束，上下文就散了。下次遇到同样的问题，下面三件事会再来一遍：

Skill 把流程、工具和完成标准固定下来。固定下来，结果才能验证，这份能力也才能被安装、分发和定价。

模型越强，越需要告诉它往哪看

大模型本身已经很强，强到它默认会给你一个“平均水平”的答案。你让它写一篇关于 AI 的文章，它会给你结构正确、用词得体、事实大体不错的一篇，读起来却没有你自己的东西。它不知道你想要什么，默认在对着全人类讲话。

我把过去两年的 199 篇公众号原文提炼成书的时候，反复在白板上写一句话：模型是常量，Context 是变量。模型谁都能买到，拉开差距的是你给它的上下文，比如你的目录、你的资料、你上次的判据、你们公司的黑话。Skill 把这些写进文件，遇到这类任务就自动带上。

我一年的 1,852 次调用，花在了哪里

2026 年 9 月去支付宝外滩大会分享之前，我把过去一年的 AI 使用记录翻了个底朝天：扫描了 3,195 份 Claude Code 和 Codex 的会话记录，确认出 1,852 次 Skill 调用。我每个月在 AI 上花大约 300 美金，写文章、剪视频、做产品、办活动都写了 Skill，所以这份调用记录，基本就是我这一年的工作日志。

排第一的是 Git Commit，也就是把改好的东西提交保存，401 次；第二是发布上线，165 次；第三是事实核查，130 次。按类别算，交付与发布 566 次，产品判断 237 次，事实与研究 194 次，Skill 生命周期 181 次，四类合计 1,178 次，占 63.6%。

我用 AI 最多的地方，是交付、判断和查证，而不是生成。写出来只是第一步。写得对不对、能不能发出去、发出去之后能不能找回来，才是真正花时间的地方，也最需要一份写下来的做法和完成标准。

沉淀成 Skill，成本会掉下来

外滩大会上我还讲过一个媒体生产的案例：一条视频，由三个 Skill 前后接力做完。

成本下降了两次。第一次是把工作流沉淀成 Skill，每分钟的成本从 100 美元降到 5 美元；第二次是保留人的判断和验收，把执行的模型换成低成本模型，降到约 2 元人民币。

对一个人的公司，Skill 是能交付的资产

2026 年 5 月在浦东的 OPC 企业座谈会上，我说自己今年押注两个方向：产品的 Skill 化，和 Skill 的产品化。前者是把过去要在一整套界面里点来点去的流程，压缩成 AI 可以直接执行的任务，用户只要说一句“帮我报销这张发票”；后者是把一个跑得通的 Skill，封装成普通客户能买、能用、能复购的服务。

这两件事都要求你的做法已经写成文件，并且被真实任务验收过。

常见误区

• —模型越来越强，就不用写 Skill 了。模型越强，越会给你一个面面俱到的平均答案，越需要你告诉它往哪里看。
• —Skill 是程序员的事。写文章、剪视频、做产品、办活动，我都给自己写了 Skill。
• —写一次就一劳永逸。那 1,852 次调用里，有 181 次花在 Skill 生命周期上，处理的是 Skill 本身；工作方式变了，Skill 也得跟着改。