本文整理了 Poteto（pstack 作者）与 Matt Pocock 关于 AI Skills 的对谈。Poteto 一个月合入 2,500 个 PR 的关键不在于产量，而在于工作方式：从反复纠正 AI 的地方提炼 Skills；为 Agent 补上验证能力，让它能自我迭代；将机械操作固化为工具；把 Agent 常犯的错转化为 lint 规则和代码库约束；连接内外两层循环，让外层 Agent 收集 Slack、Linear 等外部反馈，协调 Agent 管理任务分发。她还通过严格抽查和修正工作环境来审查大量产出，并建议从聊天记录中提炼个人 Skills。文章强调领域经验、可靠验证和持续环境优化是自动化协作的核心。
作者拆解了 Playtime-AI 发布的 Sydney Sweeney 人物 LoRA（仅 155MB）如何在 MiniMax H3 视频模型上无需参考图、仅凭名字生成人物视频。文章讲解 LoRA 低秩自适应原理：冻结基础模型，只训练小矩阵 A、B 记录人物身份差量；还原训练过程（3440 步、120 epoch、rank 16、约 5% caption dropout）；并分享本地加载实践，包括底模版本兼容、量化格式、采样步数（6 步而非 30 步才清晰）和触发词拼写等常见坑。最后指出 LoRA 技术正在改变人物身份的传播方式。
本文作者以零艺术基础为前提，完整分享了普通人用 AI 制作短视频的流程。作者详细介绍了如何用 Codex 分析参考视频、生成制作单、逐张生成测试首帧、编写视频提示词，以及在 MiniMax H3 或 Seedance 2.5 中生成视频并进行诊断修正的迭代方法。文章以 15 秒穿搭变装视频和多人分镜短剧（重建 Cuimao“牛来”视频）为例，涵盖角色设定图、场景站位、四格分镜、shot state map 和多参考提示词的编写技巧，强调“一次只修一个问题”、顺序继承生成等实操原则，帮助新手跑通第一条 AI 视频的完整制作闭环。
