# 为什么别人用AI省20小时，你只快了几分钟？
**作者**: 阿川 | AI thinking
**日期**: 2026-04-20T06:12:14.000Z
**来源**: [https://x.com/AI_jacksaku/status/2046109669949653314](https://x.com/AI_jacksaku/status/2046109669949653314)
---
你已经在用 AI 了。
每天打开 Claude，问问题，改改文案，让它帮你整理一些东西。感觉有在用，但隐隐觉得哪里不对——怎么别人说 AI 能帮他们节省好几个小时，你这边就是快了一点点？
不是 AI 不行。是用法有问题。
大多数人用 Claude 的方式，本质上和用搜索引擎没什么区别。问一句，得一句。用完就关。下次再开一个新对话，重新解释一遍背景，重新等它理解你。每次都在从零开始。
这不叫用 AI。这叫在消耗 AI。
真正让 AI 给你带来质变提效的方式，叫做 Skill。但 90% 在琢磨 AI 的人，根本不知道这个东西的存在。知道的人里，有 90% 搭出来的 Skill 是烂的——我早期就是其中之一。
摸索了好几周，反复踩坑，做出来的 Skill 效果一般，产出质量差，还要不停返工。后来系统学了 prompt 优化的底层逻辑才明白：Skill 搭得烂，不是因为不够聪明，是因为根本没有一套科学的流程。
下面这六步，是我花了很长时间才拼出来的东西。
## 先说清楚：Skill 到底是什么
Skill 是你给 Claude 预装的一套行为规范。
你可以把它理解成：一个提前写好的、针对某类任务的完整操作手册。Claude 读完这个手册，就知道碰到这类任务该怎么做、用什么工具、按什么步骤、输出什么格式。
没有 Skill 的 Claude，每次都要重新猜你要什么。
有了 Skill 的 Claude，一看到触发词，直接进入专家模式。
这不是玄学，这是工程问题。
## 为什么你搭的 Skill 效果很差？
先做个自测。你之前是怎么搭 Skill 的？
大概率是这样：打开对话框，输入"帮我创建一个 XX Skill"，等 Claude 吐出一大段文字，复制粘贴，用一次，发现效果不行，然后放弃。
问题出在哪？
你没有给 Skill 写清楚三件事：做什么、什么时候触发、输出是什么。
Claude 不是读心术。你给它一个模糊的需求，它就还你一个模糊的结果。垃圾进，垃圾出——这个规律对人类成立，对 AI 同样成立。
哈佛商学院有研究：用 AI 完成任务的人，比不用 AI 的人快 25%，质量高 40% 以上。但这个数据的前提是——他们知道怎么用。
频繁的 AI 超级用户每周能节省 20 小时以上。
你上周用 AI 节省了几小时？
如果答案让你不舒服，那正是这篇文章要解决的问题。
## 搭一个真正好用的 Skill，其实需要六步
- 第一步：想清楚再动手
在碰键盘之前，先在脑子里回答三个问题：
这个 Skill 能做什么？ 不要说"帮我处理工作"。要具体到：把用户上传的销售数据整理成可视化的周报，输出 Word 文件。
什么时候触发它？ 用户说什么话、上传什么文件时，Claude 应该自动调用这个 Skill？把所有可能的说法都列出来——"写周报"、"整理数据"、"生成报告"，越全越好。
输出是什么？ 一个文件？一段分析？一个可交互的界面？
这三个问题想不清楚，后面所有步骤都是在浪费时间。
- 第二步：建文件夹
Skill 的物理形态，就是一个文件夹。结构非常简单：
在终端里两行命令搞定：
文件夹名字就是 Skill 的名字。用小写加连字符，比如 weekly-report、data-to-docx。
- 第三步：写 SKILL.md（最核心的一步）
这个文件分两部分：顶部 YAML 和 正文说明。
顶部 YAML 决定 Claude 会不会用这个 Skill。正文说明决定 Claude 用得好不好。
格式如下：
description 是整个 Skill 的触发器，是最容易被忽视、也最容易搞砸的地方。
大多数人写 description 只写"这是什么"——"生成周报的工具"。这种写法触发率极低。
正确的写法是：把用户可能说的各种话都写进去，明确告诉 Claude 什么时候必须用这个 Skill。要稍微"强硬"一点——Claude 有一个天然倾向，就是能自己处理的事情就不调用 Skill。你必须在 description 里打破这个倾向。
- 第四步：按需加辅助资源
SKILL.md 建议控制在 500 行以内。说明太长，把细节拆出来放到 references/ 文件夹，在 SKILL.md 里写清楚"需要时去读 references/xxx.md"就好。
三类资源各司其职：
- scripts/：放 Python 或 Shell 脚本，处理格式转换、数据处理这类机械性任务
- references/：放参考文档，比如格式规范、行业术语表、品牌语气指南
- assets/：放模板文件、字体、图标，供脚本直接调用
在 SKILL.md 里引用资源的写法：
- 第五步：用评估器打分，量化迭代
这一步是大多数人跳过的步骤，也是 Skill 质量差距真正拉开的地方。
靠感觉测试是没用的。你觉得"好像还行"，不代表 Skill 真的在稳定工作。正确的做法是建一套评估体系，让数据说话。
1.写测试用例
在 Skill 文件夹里建一个 evals/evals.json，写 5 到 10 个真实的测试场景：
测试用例要覆盖边界情况：用户说话方式不标准、输入内容残缺、换一种语言触发——这些才是真正暴露问题的场景。
2.写断言（Assertions）
每个测试用例对应一组可量化的判断标准，叫做断言。比如：
- 输出文件是否为 .docx 格式？
- 文件里是否包含"下周计划"这个章节？
- 触发词变换后，Skill 是否依然被调用？
断言的原则是：客观可验证，不依赖主观感受。 能用脚本检查的，就用脚本检查，比人眼看更快更准。
3.跑评估，生成 benchmark
有了测试用例和断言，跑两组对比：一组用 Skill，一组不用 Skill（或者用旧版 Skill）。然后聚合结果：
生成 benchmark.json，里面有每个测试用例的通过率、耗时、token 消耗，以及有 Skill 和没有 Skill 之间的差值。
这个差值，就是你这个 Skill 的实际价值。
4.开评估查看器，人工复核
跑完评估之后，用可视化查看器逐条看输出：
浏览器会打开一个界面。左边是每个测试用例的输入和输出，右边是断言的通过/失败明细。你可以对每个结果留下文字反馈，最后点"Submit All Reviews"保存。
先看评估结果，再改 Skill。 不要凭感觉改，要根据数据改。哪条断言失败了，去 SKILL.md 里针对性地修那一段。
5.触发词优化循环
description 写得好不好，直接影响触发率。这也是最容易被忽视的一步——大多数人写完 description 就不管了，但这恰恰是 Skill 效果差的最大原因。
来看一个真实的对比。同一个周报 Skill，两版 description：
跑触发率评估，结果如下：
优化前，5个场景只能触发1个：
触发率：40% → 100%。
差距来自哪里？优化前的 description 只说了"这个 Skill 是什么"，没有告诉 Claude "什么时候必须用它"。Claude 有一个天然倾向——能自己处理的任务就不调用 Skill。你必须在 description 里主动打破这个倾向。
跑优化循环是把这个过程自动化：
它自动把测试集拆成训练集和测试集，跑多轮评估，每轮根据失败案例提出 description 的改写方案，最终返回得分最高的版本。直接替换 SKILL.md 顶部的 YAML 就好。
description 优化完，再看一次 benchmark，前后对比的样子大概是这样：
这张表说明了一件事：
没有 Skill 的 Claude，通过率永远是 12%。有了经过评估迭代的 Skill，通过率是 100%。
这个差距，就是你搭 Skill 的价值所在。
整个评估流程加起来：
写用例 → 写断言 → 跑 benchmark → 看 viewer → 改 Skill → 再跑。
不需要每次都跑完整循环，第一次认真跑一遍，后续迭代只需要验证改动点就够了。
- 第六步：打包
测试满意之后，一行命令打包：
生成 .skill 文件，可以直接分享，也可以自己存档备用。
## 最后说一句
这六步写出来不复杂，但真正做一遍，你会在某个地方卡住。
可能是 description 写了半天触发率还是上不去。可能是 benchmark 跑出来数据难看，但不知道该改哪里。可能是第一步的三个问题想了很久，发现自己根本没想清楚要解决什么问题。
这很正常。
Skill 不是教程看完就会的东西。它是一个需要迭代的工程，第一次做会有很多地方不顺。重要的是把它做出来，跑起来，用真实的任务去测它。
哈佛商学院的研究说，真正用好 AI 的人完成任务比别人快 25%，质量高 40%。PwC 的数据说，掌握 AI 技能的人薪资溢价 56%。
这些数字背后的人，不是比你更聪明，是比你早一步把流程跑通了。
去试。卡住了再说。
如果你刚好需要一份入门学习资料，我刚好整理了一份，点击链接即可自取👉🔗点这里
## 相关链接
- [阿川 | AI thinking](https://x.com/AI_jacksaku)
- [@AI_jacksaku](https://x.com/AI_jacksaku)
- [3.5K](https://x.com/AI_jacksaku/status/2046109669949653314/analytics)
- [点这里](https://pan.quark.cn/s/7c6501566fa5)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [2:12 PM · Apr 20, 2026](https://x.com/AI_jacksaku/status/2046109669949653314)
- [3,546 Views](https://x.com/AI_jacksaku/status/2046109669949653314/analytics)
---
*导出时间: 2026/4/20 17:00:20*