作者参加 B 站 Build in Public 大会，记录卡比老师关于「Skill 将死，方法论永生」的分享。随着模型训练进步，通用知识和标准流程逐渐被模型内化，长篇 Skill 说明将变得多余，重点转向方法论。文章总结了 8 个可加入日常 Prompt 的方法论：第一性原理、对抗式审查、消融实验、奥卡姆剃刀、列出不确定点、保持独立思考、批判性思维、高内聚低耦合。作者认为 Skill 中的视觉参考和工具调用仍有存在价值，但重复性通用说明已可被精简的提示词替代。
文章系统讲解如何编写 AI Skill：从用一句话加 SOP 封装出第一个 60 分的 skill，到通过把目标改写为动作、补充约束、设计自由度和提高词表颗粒度来提升到 90 分。作者拆解了摄影 skill 和封面 skill 两个开源案例，指出高手的秘诀在于将模糊概念拆成可执行的词表和明确的「不要」清单。还介绍了如何让 AI 递出陌生领域的行话词表，并澄清了 skill 与提示词、智能体的区别。全文强调约束和颗粒度决定 skill 的专业程度。
作者从内容创作和小说写作的实践出发，发现把所有约束堆在一条长提示词里反而失效。核心问题是所有限制都放在顶层，AI 每次都要重新判断哪条重要。作者提出将 Prompt 分为三级：快速原型级解决能不能做，开发级解决能不能稳定做，管理级负责调度 CLI、Skill、MCP、脚本、Agent 等执行单元。顶层 Prompt 像经理，只保留目标、路由、验收和异常处理，具体规则下沉到各执行单元自带的说明中。写 Prompt 最关键的能力不是表达，而是组织能力。
文章探讨了如何通过认知框架实现AI使用能力的跃迁。作者提出了三个核心框架：三层进化论（从Prompt到Project再到Skill）、交易思维vs复利思维，以及“薄Harness、厚Skills”的架构原则。通过将重复性工作固化为Skill，用户可以从线性低效的对话模式转变为指数级积累的系统化工作流。
本文深入解读了 Anthropic 官方发布的 Claude Skills 构建指南。文章指出，Skills 允许用户将重复的指令、工作流和规范打包成文件夹，让 Claude 学会并长期复用。核心结构包含 SKILL.md 说明书及可选资源。文中详细介绍了三层加载机制、三大典型用法（文档生成、流程自动化、MCP 增强）以及从零创建 Skill 的实操建议，旨在通过封装经验提升 AI 交互效率。
本文是 Claude 官方文章的译文，探讨在构建 agent 系统时何时应将子 agent 折叠进主 agent 循环。文章指出，配备 skill 的单一 agent 在质量、成本和延迟方面常常优于多 agent 设计。作者分析了大型组织构建 agent 的常见失败模式（上下文管理、子 agent 泛滥、Frankenprompt、延迟等），介绍通过渐进式披露 skill 和 MCP 工具的 agent 循环设计，并给出将子 agent 迁移为单循环的分阶段方法：构建任务完成评估、合并领域 agent、将子 agent 转为工具调用、用 skill 和工具替代子 agent，以及多团队协作的治理模式。
文章针对普通人收藏大量 AI 教程却始终没学会的问题，提出按可上手顺序排列的六阶段学习路线：先搞懂大模型、Agent、MCP、Skill 四个基础概念；再学会高效提问；然后选一个通用 AI 助手用熟；之后分创作者路线（做图、视频、语音）和开发者路线（MCP 与 Agent 开发）深入；最后选读书籍论文进阶。作者强调'卡住你的不是资源不够，而是顺序不对'，并附上 30 天打卡表、53 个免费资源和五个避坑建议，倡导边用边学、动手实践。
本文介绍如何设计可信的评估体系，并依据评估开展爬山优化，重点讲解 claude-api 技能中的 build-eval 和 hillclimb 两个命令。文章首先阐述良好评估的四个要素：任务反映生产环境、更强模型表现更好、保留提升空间、运行波动小，并强调对抗性采样的误区。随后说明 build-eval 如何通过生产流量采样、验证评分器、诊断检查建立评估。爬山优化部分介绍迭代成本低、效果可归因、目标明确等原则，以及通过拆分训练集与测试集防止过拟合。最后通过客服基准降本和 claude-api 技能提分两个案例展示实际效果。
文章探讨了高级 AI Skill 的本质：不是把更多指令塞进一份文件，而是把多个单点能力按任务关系编排组合。作者通过分析 GitHub 上多个热门 Skill 仓库，总结出五种组合模式：路由（判断调用哪个 Skill）、顺序（强制工作流程）、选择（按需分诊组合）、流水线（专业能力交接）和分层（Skill 与系统能力分工）。文章提出组合 Skill 的五个核心零件：路由、输入输出契约、顺序与并行、上下文状态、验证反馈，并建议从真实返工中逐步长出组合关系。核心观点：Prompt 让 AI 听懂一次需求，Skill 固化一类做法，而组合 Skill 才能把复杂任务交付出来。
作者分享了一个名为Leader.skill的开源工具，旨在解决Agent交互中目标定义模糊的问题。该工具基于“目标七问”方法论，将模糊需求转化为清晰的目标任务书，支持多模型组合（如Claude规划、GPT执行），显著提升长程任务的完成率与Token利用率。
文章介绍了 Anthropic 推出的 Claude Skills 功能，通过文件夹和 YAML 配置实现渐进式披露，显著减少 Token 消耗和重复解释。详细说明了技能的构建规则、命名规范、测试方法及分发策略，帮助用户将聊天机器人转化为高效的专业工程团队。
本文作者受斯坦福课程《人生设计课》启发，设计了一套Prompt（提示词），利用Claude等AI模型辅助进行人生规划。该Prompt将书中“看清现状”、“找到指南针”、“寻路”、“奥德赛计划”等设计思维转化为四个阶段的AI对话流程。作者通过实测发现，AI的持续追问能有效帮助用户梳理内心潜藏的价值观与焦虑，最终生成包含人生蓝图、原型行动和失败免疫在内的深度分析报告。
本文介绍了 dbskill 的新功能 `/dbs-good-question`。作者结合《无穷的开始》中的理论，提出 Agent 自动化的起点在于“更好的问题”。该工具旨在将模糊的问题重写为包含对象、目标、冲突、约束和反馈入口的“问题说明书”，从而生成可批评、可验证的候选解释，为 Agent 自动化任务提供稳定的基础。
