Anthropic 万字 Skills 教程：为啥你的 AI 工作流总是 跑一次就失效 - 今日头条.md9.9 KBit/ai/Anthropic 万字 Skills 教程：为啥你的 AI 工作流总是 跑一次就失效 - 今日头条.md
--- title: "Anthropic 万字 Skills 教程：为啥你的 AI 工作流总是\"跑一次就失效\" - 今日头条" source_url: "https://www.toutiao.com/article/7616312917911192100/?wid=1782278685141" source_site: "www.toutiao.com" clipped_at: "2026-06-24T05:24:53.516414+00:00" clipper: "aiwiki-url-ingest" extractor: "toutiao_rendered" --- # Anthropic 万字 Skills 教程：为啥你的 AI 工作流总是"跑一次就失效" - 今日头条 Anthropic 刚发布了一份 33 页的 Skills 构建指南。如果你正在用 Claude、ChatGPT 或其他大模型做内容创作、数据处理、或者任何重复性工作，这份教程会告诉你一个残酷的真相： **你的提示词再完美，也架不住每次都要重新解释一遍。** 更要命的是，OpenAI 在最近的博客里透露：随着模型能力提升，**人类审查反而成了整个系统最慢的环节**。他们的解决方案是什么？移除 human\-in\-the\-loop（人工审查），改用"渐进式披露的文件系统"。 这意味着什么？意味着如果你还在靠"每次都写一遍完美提示词"和"每个环节都人工审核"来做 AI 工作流，你的方法已经过时了。 # 一、为什么你的提示词"跑一次就失效" 先说一个大多数人都遇到过的场景： 你花了半小时精心打磨了一条提示词，Claude 给你生成了一篇完美的文章。你很满意，保存了这条提示词。 第二天，你拿同样的提示词再跑一次，结果： - 格式变了 - 风格变了 - 有些关键环节被跳过了 你开始怀疑是不是模型更新了，或者是不是自己记错了提示词的细节。 **真相是：你缺的不是更好的提示词，而是一个能让 AI "记住"你工作流的系统。** Anthropic 的 Skills 就是为了解决这个问题：把你的工作流固化成可复用、可组合的能力单元，而不是每次都重新解释。 # 二、Skills 的核心：三级渐进式披露 Anthropic 这份教程最值得学的，是它的**信息组织哲学**：渐进式披露（Progressive Disclosure）。 什么意思？简单说就是：**不要一次性把所有信息都塞给 AI，而是让它按需加载。** # 三级加载机制 | 级别 | 加载时机 | 包含内容 | 目的 | | --- | --- | --- | --- | | **第一级：YAML 头部** | 始终加载 | Skill 名称 \+ 简短描述 \+ 触发条件 | 让 AI 判断"要不要用这个能力" | | **第二级：SKILL.md 正文** | AI 判断相关时才加载 | 完整指令、工作流步骤、最佳实践 | 提供执行细节 | | **第三级：关联文件** | 按需查阅 | 参考文档、模板、示例 | 深度上下文 | **举个例子：** 假设你有一个"新闻写作"的 Skill： **第一级（YAML 头部）：** ``` --- name: news-writing description: 根据新闻素材生成深度解读文章。当用户说"写稿"、"二创"或提供新闻链接时使用。 --- ``` **第二级（SKILL.md 正文）：** - 完整的写作流程（提炼观点 → 构建结构 → 撰写正文 → 自检） - 风格指南（语气、长度、段落要求） - 自检清单 **第三级（关联文件）：** - references/优质案例.md（示例文章） - references/写作模板.md（段落结构模板） 这样设计的好处是： - **省 token**：AI 不需要每次都加载所有细节 - **省时间**：你不需要每次都重新解释 - **更稳定**：工作流被固化下来，不会因为某次对话记不清而跑偏 # 三、OpenAI 已经在实践中移除了"人工审查" 教程开篇引用了 OpenAI 最近的一篇博客，里面提到一个关键发现： > 随着模型能力提升，Agent 产出在飙升，**人类审查反而成了系统里最慢的环节**。 > 每个 PR 都等人看？等不起。每次出错都等人修？太贵了。 他们的解决方案是： 1. **移除 human\-in\-the\-loop**（不再每个环节都等人审查） 2. **改用"渐进式披露的文件系统"**：一个 100 行的 AGENTS.md 作为目录，指向结构化的设计文档、架构规范、执行计划 3. **让 AI 自己跑**：跑崩了读日志，改了再跑，单次任务可以跑很久 这对做内容创作的人意味着什么？ **如果你的工作流还是"AI 生成 → 人审查 → AI 修改 → 人再审查"，那你的瓶颈不是 AI，是你的流程设计。** 正确做法应该是： - 把审核规则写成可读取的规范文件（类似 审核规范.md） - AI 按规范自动生成 \+ 自检 \+ 自我修正 - 人只在最终发布前做一次"发/不发"的决策 # 四、Skills 教程里最实用的 3 个设计原则 Anthropic 这份教程给出了非常具体的 Skills 设计规范，其中有 3 个原则特别值得借鉴： # 原则 1：YAML 头部信息必须包含"触发条件" 很多人写 Skill 描述时，只写"这个 Skill 做什么"，不写"什么时候用"。 **错误示例：** ``` description: 生成新闻文章 ``` **正确示例：** ``` description: 根据新闻素材生成深度解读文章。当用户说"写稿"、"二创"、提供新闻链接或上传 markdown 文件时使用。 ``` 为什么要写触发条件？因为 AI 需要根据这个判断"要不要加载这个 Skill"。如果没有明确的触发条件，AI 要么每次都加载（浪费 token），要么永远不加载（等于白写）。 # 原则 2：用"自检清单"代替"人工审查" 很多人的工作流是这样的： 1. AI 生成内容 2. 人检查是否符合要求 3. 如果不符合，告诉 AI 哪里需要改 4. AI 修改 5. 重复 2\-4 这个流程的问题在于：**人类成了瓶颈。** 更好的做法是：在 Skill 里嵌入"自检清单"，让 AI 自己检查。 **示例：** ``` ## 自检清单（生成完成后自动执行） - [ ] 标题是否在 30 字以内？ - [ ] 导语是否在 100 字以内？ - [ ] 是否包含 3-5 个小节？ - [ ] 每个小节是否有小标题？ - [ ] 结尾是否有行动建议？ **如果有任何一项不符合，自动修正后再输出。不要询问用户，直接改。** ``` 这样做的好处： - AI 可以自己跑完整个流程 - 人只在最终输出时做"发布/不发布"的决策 - 效率提升至少 3 倍 # 原则 3：能力要"可组合" Anthropic 强调：**一个 Skill 不应该假设自己是唯一可用的能力。** 什么意思？ 假设你有两个 Skills： - news\-fetcher（抓取新闻） - news\-writer（写稿） 设计时要考虑： - 用户可能直接说"帮我写今天的新闻稿"（需要同时调用这两个 Skills） - 用户也可能先手动抓好新闻，再说"根据这个写稿"（只需要调用 news\-writer） 所以你的 Skill 设计要支持： - **独立运行**（用户提供输入 → 直接产出） - **组合运行**（和其他 Skills 配合） # 五、给 AI 内容创作者的 3 个行动建议 基于这份教程的核心思路，你今天就可以做的 3 件事： # 1\. 列出你的"核心能力清单" 把你当前工作流里的重复动作，每个定义成一个能力单元： | 能力 | 触发条件 | 输入 | 输出 | | --- | --- | --- | --- | | 抓取新闻 | 用户说"抓新闻" | 日期 \+ 关键词 | Markdown 新闻列表 | | 写稿 | 用户说"写稿"或提供素材 | 素材文件路径 | 草稿 Markdown | | 审校 | 用户说"审稿" | 草稿路径 | 终稿 \+ 修改建议 | | 配图 | 用户说"配图" | 文章路径 | 插入图片的文章 | | 发布 | 用户说"发布" | 终稿路径 | 公众号发布状态 | # 2\. 为每个能力创建独立的规范文件 不要再把所有规则都塞在一个超长提示词里。分开写： ``` workspace/ ├── AGENTS.md # 主提示词（能力目录） ├── 能力/ │ ├── 抓取新闻.md │ ├── 写作规范.md │ ├── 审校规范.md │ ├── 配图规范.md │ └── 发布规范.md └── 参考/ ├── 优质案例/ └── 风格模板/ ``` # 3\. 在每个能力里加"自检清单" 让 AI 自己检查输出是否符合要求，而不是每次都等你审查。 **示例（写作规范.md）：** ``` ## 生成后自检 完成初稿后，按以下清单自检，**不符合的项自动修正，不要询问用户**： - [ ] 标题 30 字以内？ - [ ] 导语 100 字以内？ - [ ] 有 3-5 个小节？ - [ ] 每个小节有小标题？ - [ ] 结尾有行动建议？ ``` # 结语 Anthropic 这份 Skills 教程，最大的价值不是告诉你"怎么写一个 Skill"，而是揭示了一个更深层的认知转变： **AI 工作流的核心，不是写更好的提示词，而是构建更好的信息组织系统。** 当你开始用"渐进式披露 \+ 能力工程"来设计工作流，你会明显感受到： - 新流程上线更快（能力可复用） - 维护成本更低（改一个能力不影响全局） - 稳定性更高（规则驱动，而非临时拼凑） OpenAI 已经移除了 human\-in\-the\-loop。 是时候升级你的工作流了。 --- **延伸阅读：** - Anthropic Skills 教程原文（中文翻译）：https://www.51cto.com/aigc/10717\.html - OpenAI Harness Engineering 博客：https://openai.com/index/harness\-engineering/