AI 工作流_Skill初學筆記｜老布下班後_2604-01

SKILL現在比較被認為可規模化及建立一致性的方法，現在有比較被認為可用且規模化的「SKILL」內容，算是自己的學習筆記，但依據AI的光速發展進程，這個筆記也很有可能三個月後，就不敷使用或是變成古董知識了😂～～

Hi 大家好，我是老布～

I hope all is going well on your end.

前兩週去了一趟美國出差，然後回來後就重感冒，所也因為這樣電子報也晚了一點；不過病毒也是合作的，沒有在美國出差期間發作，是在最後回程飛機才慢慢發作，入關時也沒有發燒，也是在回家後才發燒，算是合作沒有在過海關時發燒，不然就會擋下來了。

這次去美國，主要是協助參展跟做產品教育訓練。過程中最有感的，不是簡報本身，而是跟當地團隊面對面工作的那些細節。在產品訓練時，美國同事會即時給一些調整建議，尤其是在英文用法上。他們不是在改文法，而是在調整「更像當地人會說的話」。那種在地化的語感，其實很微妙。你會覺得句子本身沒有錯，但就是少了一點「自然」。而這種差異，是只有在真實互動裡才會被指出來的。

這一塊，目前 AI 還很難完全取代。不是因為 AI 不夠強，而是語言背後牽涉到文化、情境，甚至是講話時的空氣感，那些東西很難被純文字模型完全捕捉。

在展後晚餐聚會，跟美國同事吃飯閒聊，這真的是不容易，雖然也只是隨便聊，但真的要接得住話，其實不容易。他們聊紅酒、食物、旅行，很多詞彙我甚至是第一次聽到。那種「聽得懂一半，另一半模模糊糊」的感覺。

不過Small talk多一點，它其實是建立關係很重要的一環。當這些日常對話順起來之後，後面的合作、溝通，真的會變得順很多，很多原本的隔閡會自然消失。之後沒事真的可以多累積一些生活經驗、增加Small talk的話題。

而這一期電子報，想來分享最近在AI工具應用，現在有比較被認為可用且規模化的「SKILL」內容，算是自己的學習筆記，來分享這一個新規範的內容。（但依據AI的光速發展進程，這個筆記也很有可能三個月後，就不敷使用或是變成古董知識了😂）

 讓AI 學會原本的做事方式 — SKILL 基礎筆記


有沒有覺得每次開AI一個新對話，要做一個較為複雜的需求，AI 每次就像一個剛來的新人，需重新說明背景、規則、預期結果。

SKILL，就是解決這件事的工具。這本質上就是一份寫好的「工作說明書」，放在特定的資料夾裡，讓 AI Agent 在需要的時候自動讀取、自動照著做。你花過一次時間解決的問題，從此不需要花第二次時間。

這篇電子報，是自己在理解過程中筆記彙整，從零開始理解 SKILL 的基礎概念、資料夾結構、製作方式，怎麼在不同 AI Agent 之間搬移技能包，以及如何用 AI 自己來幫你生成 SKILL。

 用廚師來比喻SKILL

要理解 SKILL，先想像你是一位餐廳老闆，正在雇用一位廚師。

這位廚師就是你的 Agent。他廚藝高超、什麼菜都能做，但不可能每次點菜都從「先把洋蔥切丁、油溫加熱到 180 度、然後⋯⋯」這樣一步步口述。你會希望他已經「會」某些菜，只要說一聲「來一份宮保雞丁」，他就知道該怎麼做。

SKILL 就是這位廚師的「技能」。一位廚師可以同時擁有炒菜、備菜、擺盤等多種技能，而每一個技能背後都有它自己的一套知識體系：

  • 流程（炒菜的順序） → 對應到 SKILL.md 這份核心指令檔案
  • 配方（油溫多少度、鹽放多少克） → 對應到 reference 資料夾裡的參考規格
  • 工具（瓦斯爐、炒鍋） → 對應到 scripts 資料夾裡的可執行腳本
  • 獨門秘方（特製辣椒醬） → 對應到 assets 資料夾裡的素材與範本

把SKILL抽象的 AI 結構，變成「一個廚師有多少技能」這樣的心智模型，會讓後面的內容好理解得多。

 SKILL 的本質：它就是 Prompt，但有工程優勢

SKILL 本質上就是 Prompt。就是平常打給 AI 的那一段文字指令。但差別在於，SKILL 把這段 Prompt 放進了一個有結構的資料夾系統裡，讓它可以被 AI 自動發現、按需加載、重複使用。

這樣的機制會有三個關鍵優勢，不同於一般Prompt：

第一，漸進式披露（Progressive Disclosure）
SKILL 的運作是分層的，不是一次把所有東西塞給 AI 讀。它有三層結構：

  • 元信息層（Metadata）：始終被加載。每次對話開始，AI 都會先掃過所有 SKILL 的名稱與描述，就像在 Google 搜尋時先看標題和摘要一樣。這一層非常輕量，不會佔用太多 Token。
  • 指令層（Instructions）：只有當 AI 判斷「這次的需求跟某個 SKILL 有關」時，才會進去讀取具體的指令內容。如果這次對話完全用不到某個 SKILL，它就不會被加載。
  • 資源層（Resources）：當 AI 讀完指令後，確認需要額外的參考文件、腳本或素材時，才會去存取對應的資料夾內容。

這個設計的好處是什麼？省 Token、減少干擾、提高準確度。假設裝了多個 SKILL，但這次只需要用到其中一個。如果沒有這種分層機制，AI 每次都得讀完所以安裝多個 SKILL 的所有內容，不僅浪費算力，還可能因為太多指令同時存在而產生「幻覺」，做出不該做的事。

第二，被動觸發
SKILL 不需要你手動啟動，它會根據你的輸入自動匹配。你只要正常下指令，AI 會自己判斷「這個需求跟哪個 SKILL 相關」，然後自動讀取該 SKILL 的內容來執行。高頻率使用的任務特別適合設計成 SKILL。

第三，穩定的品質產出
有了明確的 SKILL 加上清楚的 Prompt，等於給了 AI 一套作業標準。執行結果大幅降低隨機性，而是有一致、可預期的結果，如果過程中不滿意，就回去修改SKILL的內容，這樣就不會需要一直重複建立Prompt。

 SKILL 的資料夾結構：每個資料夾都有它的意義

理解了概念之後，來看實際的檔案結構。一個完整的 SKILL 資料夾長這樣：

項目名資料夾/

├── .agent/ 

│   └── skills/

│       ├── 技能01/

│       │   ├── SKILL.md        ← 核心指令檔

│       │   ├── reference/        ← 參考規格文件

│       │   │   ├── xxx.md

│       │   │   └── yyy.md

│       │   ├── scripts/          ← 可執行腳本

│       │   │   └── process.py

│       │   └── assets/           ← 素材與範本

│       │       └── template.png

│       ├── 技能02/

│       │   └── SKILL.md

│       └── 技能03/

│           └── SKILL.md

每一個子資料夾都扮演不同角色，以下逐一說明。

SKILL.md — 技能的靈魂

這是整個 SKILL 最重要的檔案。

SKILL.md 分成兩個區塊。上半部是 Metadata（元信息），包含 name（技能名稱）和 description（技能描述）。這兩個欄位是 AI 每次都會讀的摘要，它會根據這個摘要來判斷要不要進一步讀取下面的指令內容。所以這裡的描述要寫得精準且有辨識度，讓 AI 可以快速判斷「這個 SKILL 跟目前任務有沒有關係」。

下半部就是 Instructions（指令），也就是真正的 Prompt 內容。你希望 AI 在觸發這個 SKILL 之後具體做什麼事，包括步驟順序、輸出格式、注意事項、驗收標準，全部寫在這裡。

一份好的 SKILL.md 就像一份完整的 SOP，當 AI 讀完它，就知道該怎麼從頭到尾把這件事做好。

reference 資料夾 — 規格與參考文件的倉庫

當一個 SKILL 的需求比較複雜，不適合把所有細節都塞進 SKILL.md 裡時，你可以把額外的規格說明拆出來，放到 reference 資料夾。

比如你做一個「產品規格文件生成器」的 SKILL，裡面可能需要參考不同產品線的規格標準。這些標準文件可以各自獨立成一份 .md，放在 reference/ 裡。然後在 SKILL.md 的指令中註記：「當需要查看產品 A 的規格時，請參考 reference/product_a_spec.md」。

這樣做的好處是讓 AI 按需讀取。它不會一開始就讀完所有參考文件，只有在需要特定資訊時才會去找對應的檔案。既省 Token，又保持指令的乾淨。

scripts 資料夾 — 可執行的自動化腳本

這個資料夾放的是程式碼，通常是 Python 腳本（.py 檔案）。

重要的觀念是：AI Agent 對 scripts 裡的腳本是「執行」而不是「閱讀」。 也就是說，當 SKILL.md 指示 AI 去跑某個腳本時，AI 會直接執行它，而不是先把程式碼讀進上下文。這代表 scripts 資料夾裡的檔案幾乎不會消耗 Token，因為 AI 只是把它當工具來用，不需要「理解」程式碼的內容。

當然，如果你的 SKILL.md 寫得不夠清楚，AI 有時候會「好奇」地跑進去讀腳本的原始碼，這就會消耗 Token 了。所以指令寫清楚，是讓整個 SKILL 高效運作的關鍵。

另外有一個安全提醒：如果你從網路上下載了別人做好的 SKILL，打開 scripts/ 資料夾檢查一下裡面的腳本內容。畢竟這些腳本是會被直接執行的程式碼，你要確保裡面沒有惡意程式。

assets 資料夾 — 圖片、範本與素材

這個資料夾用來存放需要重複使用的視覺素材或範本檔案。

舉個例子，如果你有一個 SKILL 是「幫每篇文章生成配圖」，你可以把品牌的視覺規範圖、常用的排版範本放在 assets/ 裡，然後在 SKILL.md 中指示 AI：「生成圖片時，請參考 assets/ 資料夾內的風格範本」。

什麼樣的任務適合做成 SKILL？

不是所有事情都需要做成 SKILL。一個好的判斷標準是：只要有明確的輸出要求、方法、規範、流程，且你經過驗證知道這套方法是可行的，就適合用 SKILL 來建立。

這裡列幾個實際的應用場景：

  • 周報生成：讓 AI 按照固定格式訪問你本週做了什麼，然後自動輸出完整的周報
  • 寫作配圖：給 AI 一篇文章，讓它根據你的品牌風格自動在適當位置插入圖片
  • 音訊轉逐字稿：透過 Python 腳本將音訊檔轉成 SRT 格式的逐字稿，並套用特定的斷句規則（例如每行最多 22 個字、最少 4 個字）
  • 程式碼審查：讓 AI 按照你團隊的 coding standard 自動 review 程式碼

這些任務有一個共同特徵：它們是重複性的、有固定規則的、每次人工做都很耗時但其實邏輯固定的。這正是 SKILL 發揮價值的地方——把日常用的小技能交給 AI，讓它來承擔重複勞動。

把 SKILL 搬到不同的 AI Agent

當SKILL越來越多使用情境，也就會建立很多合適自己的SKILL，但很多人接下來就會遇到實際問題：

在 Antigravity 上做好的 SKILL，可以搬到 Claude Code 或其他 AI 工具上用嗎？

是可以的，但需要做一些調整，一個比喻就是：內容（大腦）是可以搬走的，但啟動方式（開關）和工具路徑（手腳）要請新的 AI 幫你重新接上去。

SKILL.md 裡面寫的 Prompt 內容，本質上是通用的自然語言指令，任何 AI 都讀得懂。但不同的 AI 工具有不同的檔案存放位置、不同的觸發機制、不同的腳本執行環境。這些「接口」需要根據目標平台重新設定。

具體來說，搬移 SKILL 的時候，建議按照這三步走：

第一步：搬家（複製貼上）

先把你在 Antigravity 寫好的 SKILL.md 內容整段複製起來。這一步沒有技術門檻，就是純粹的文字複製。

第二步：問路（讓新 AI 幫你改寫）

打開你的新環境，例如 Claude Code，直接把內容貼上去，然後對它說：

「這是我在 Antigravity 用的技能指令。我現在換到 Claude Code 了，請你幫我檢查這份內容，根據你的環境改寫成你讀得懂的格式，並告訴我檔案應該存放在哪個資料夾？」

讓新的 AI 自己告訴你它的規矩。不同的 AI 工具對於 SKILL 檔案的存放路徑和格式要求會有些差異，與其你自己研究文件，不如直接讓 AI 幫你搞定。

第三步：測試（第一次面試）

改好並存檔後，立刻測試一下。輸入一個簡單的指令來看看 SKILL 是否被正確觸發。

如果成功了，它會按照你設定的規則來回答。如果失敗了，它可能會跳出像 EACCES（權限錯誤）或 File Not Found（找不到檔案）之類的報錯。這時候就把報錯截圖丟給 AI 看，讓它幫你修。

SKILL、Rules 和 Workflows 的差異

在 AI Agent 的設定體系裡，SKILL 不是唯一的配置方式。它和 Rules、Workflows 是三種不同層次的指令機制，各有適用場景。

Rules — 通用規格，始終生效

Rules 是設定成 Global 的通用規則，每次開新對話都會被完整讀取。它適合放那些「不管做什麼任務都應該遵守」的基礎規範。

比如說你希望 AI 永遠用繁體中文回答、語氣要精簡直接、不要講廢話，這些就適合放在 Rules。

但也正因為 Rules 每次都會被讀，所以不建議寫太詳細或太冗長。太多內容會佔用上下文的 Token 配額，甚至可能因為資訊太多而增加幻覺的機率。Rules 要像憲法一樣——簡潔、根本需求、適用於所有情境。

有一個很有名的 Cursor AI 員工守則的 Rules 範例，風格相當直率：

"DO NOT GIVE ME HIGH LEVEL SHIT, IF I ASK FOR FIX OR EXPLANATION, I WANT ACTUAL CODE OR EXPLANATION!!!"

這就是典型的 Rules 寫法——明確、有態度、適用於所有場景。

Workflows — 明確步驟，主動觸發

Workflows 適用於邏輯複雜、有明確步驟順序的工作流程。它是透過 / 來手動叫起的，屬於主動觸發的機制。

比如影片後期製作的流程，可能需要先轉檔、再上字幕、然後調色。每一個步驟都可以參考不同的 SKILL，但整體流程由 Workflow 定義先後順序與銜接邏輯。

Workflows 的好處在於流程的拆分和維護彈性。你不用把所有邏輯寫在同一個地方，而是讓每個步驟各自對應到獨立的 SKILL。未來需要修改某一步，只要改那個 SKILL 就好，不影響整體流程。

新增 Workflow 的方式也很直覺：進入設定頁面，選擇 Workflows → Workspace，輸入自訂名稱和描述，然後在 Content 裡說明每一個步驟要參考哪一個 SKILL。設定好之後，只要在對話框裡輸入 / 就會看到你建立的所有 Workflow 清單。

SKILLS — 按需加載，被動觸發

SKILL 的特色是被動觸發和按需加載。它不需要你手動呼叫，AI 會自己判斷什麼時候該用。適合高頻率使用的任務，讓 AI 在背景自動完成對應的工作。

關於 SKILL 的安裝數量，有一個重要原則：不是裝越多就越強。 同類型的 SKILL 擇優安裝一個就好，或者把兩個合併成一個。裝太多會造成 Token 浪費，而且可能讓 AI 在執行到一半時卡住，因為它搞不清楚該用哪一個。

安裝第三方 SKILL 的注意事項

下載第三方 SKILL 時有幾件事要特別注意。

先在獨立的測試專案裡試跑。 不要直接把下載的 SKILL 丟到你正在進行的重要專案裡。先開一個測試範圍，驗證這個 SKILL 的實際表現是否符合預期，再決定要不要放到正式環境或設成 Global。

檢查 scripts 資料夾的內容。 前面提過，scripts/ 裡面的腳本是會被直接執行的程式碼。下載別人的 SKILL 時，務必打開來看看裡面在做什麼，確認沒有惡意程式。

善用 Symlink 做統一管理。 如果你希望一個 SKILL 裝一次就能在所有 AI 工具中生效，可以用 Mac 的 ln -s 指令建立 Symlink（符號連結）。這樣所有 AI 工具會共用同一份檔案，修改一個地方，其他地方也會自動同步更新。不用維護多個副本，長期管理上會輕鬆很多。

結語：SKILL 越打磨，AI Agent 就越強

SKILL 的核心價值，就是把知識與工作方法變成一份 AI 可以讀取的格式。不只是省時間的機制，更是個人專業能力的數位化延伸。解決過的問題、摸索過的流程、累積過的經驗，全部可以沉澱成 SKILL，讓 AI 執行。

SKILL有複利效應。每一次使用 SKILL 的過程中發現問題、做出調整、優化指令，這個 SKILL 就變得更精準、更穩定。用得越多、磨得越細，所建立的 AI Agent 就越強。

如果 SKILL 運作不如預期，別急著放棄——那正是優化它的最佳時機。SKILL 越打磨，AI Agent 會越強，最終它會成為你難以被複製的護城河。

延伸資源

    以上，是這期的電子報，

    也歡迎你來信或留言，你的知識管理方法。我們下期見！

    有任何想法或建議都請不吝跟我說，會持續迭代優化。

    如內容覺得不錯，也請多多分享給您親朋好友

    下期見~

    祝大家一切

    順風💨順水🌊順浪🏄‍♂️順滑🏂順心💕!!

    老布