從聊天框到真實工作，AI&Skills已是必選項

AI 已經是必選項，把時間還給人

大家好，我是 Ai 學習的老章

分享一場我做的AI、Skills 科普培訓，有些內容沒法拿出來，僅分享可以公開的，第一期偏基礎和概念，后續會有實操培訓，完整材料是HTML，太忙了，沒空截圖了，從中抽了一些核心內容

最近有一場 Claude Code 黑客松，最后拿到前三名的項目分別來自醫療、電子維修和教育，都把真實專業問題帶進了工作流

醫生做了一套醫學生問診訓練系統，維修技師做了一套電路板診斷工具，教育工作者把自己的教學理念直接寫進了產品流程

他們真正領先的地方，是知道真實問題怎樣發生，知道什么錯誤很危險，也知道什么結果才算合格

AI 已經進入醫療、維修、教育、法律、金融和企業流程

三個作品給出了一條非常清楚的公式：

? 你最懂的行業 × 強大的 Agent = 可以直接創造價值的工具

實現門檻下降以后，專業知識、風險判斷和結果標準會變得更重要

代碼逐漸成為 AI 可以調用的一種工具，真正創造價值的，依然是人對問題、材料、規則和結果的理解

AI 已經越過 Coding

OpenAI 在 2026 年 6 月公布過一組數據：Codex 每周活躍用戶超過 500 萬，比 2 月桌面端發布時增長 6 倍以上，知識工作者已經占到約 20%，增長速度超過程序員群體 3 倍

每周已經有超過 100 萬人把 Codex 用在軟件開發之外

他們在做報告、電子表格、演示材料、合同、研究、數據分析、內容創作和流程自動化

法律場景里，AI 可以參與合同審閱、NDA 分流、修訂追蹤、盡調表格和監管掃描，團隊把自己的模板、風險偏好和審閱規則放進去，最終結果繼續由律師確認

金融場景里，AI 可以準備公司研究、追溯表格公式、檢查董事會材料里的數字與文字是否一致、生成投資備忘和風險清單，人把時間留給判斷、敘事和決策

Word、Excel、PPT、PDF 也已經可以進入同一條工作流，從讀取材料、交叉檢查，到生成成品和寫回文件，過去大量復制、搬運和格式返工都可以交給 AI

以后判斷一個 AI 產品能否進入真實工作，我會看五件事：

1. 能否讀取真實材料

2. 能否調用真實工具

3. 能否連續推進多步驟任務

4. 能否生成可以直接使用的成品

5. 能否展示依據、異常和人工確認點

這五件事連起來，AI 才真正從回答走向交付

這一輪變化，可以歸納成三句話

模型更強，工具更近，任務更長

模型開始處理更復雜的專業任務，工作臺開始接觸文件、瀏覽器和桌面軟件，Agent 開始跨越多個步驟、多個工具和更長時間持續推進

AI 概念不斷增加，底層能力持續繼承

提示詞教我們把目標說清，上下文工程教我們把正確材料放進來，Tool Use 讓 AI 可以動手，Skills 把做法保存下來，MCP 和連接器把真實系統接進來，Harness 把模型、上下文、工具、記憶、權限、驗證與循環組織成完整工作臺

新概念一直在增加，前面的基本功沒有作廢

跟住目標、上下文、工具、流程和驗收這五件事，就能看懂絕大多數變化

Tool Use、Browser Use 與 Computer Use

我認為帶來最大改變的有三個：

Tool Use 負責搜索、計算、文件處理和數據庫查詢，讓模型從說走到做

Browser Use 負責打開網頁、管理標簽、下載文件、讀取頁面和填寫表單

Computer Use 通過屏幕、鼠標和鍵盤進入桌面軟件，給沒有接口的舊系統增加自動化可能

這一變化對普通人的意義很大，AI 的入口正在從聊天框，變成一張完整工作臺

國內產品，把復雜能力做成了普通人能用的工作臺

在我看來，OpenClaw 是這一輪 Agent 工具進化的高潮，它把工作目錄、記憶、Skills、定時任務、消息入口和工具放進同一套運行環境，讓更多人第一次看到一個可以持續工作的 Agent

它的門檻依然很高，安裝、模型、權限、安全、升級和故障處理都需要投入時間

Hermes 沿著相近方向繼續推進，強調模型自由、長期記憶、從經驗里生成和改進 Skills，以及云端常駐和消息入口

國內互聯網公司很擅長把復雜能力包裝成普通人可以直接使用的產品，OpenClaw 之后出現了“百蝦大戰”，WorkBuddy、QoderWork、Trae / ArkWork 等產品都吸收了長任務、Skills、連接器、自動化、記憶和多 Agent 這些核心形態

WorkBuddy 的專家與專家團

WorkBuddy 里的專家、技能和連接器很好理解：專家負責角色分工，技能負責固定做法，連接器負責把郵箱、飛書、企業微信、騰訊文檔和其他系統帶進工作流

WorkBuddy 的專家、技能與連接器

國內在代碼與辦公合流這件事上推進很快，日常辦公、代碼開發和設計創意已經開始進入同一個入口

代碼工作與辦公工作進入同一個產品入口

以我的使用體驗來看，Qoder 的相對優勢依然在編程，QoderWork 也已經能處理本地文件、瀏覽器和辦公文檔，這些產品變化很快，今天的體驗以后還會繼續變化

Qoder 的編程工作臺 普通人怎樣真正把 AI 用起來

工具越來越多，模型越來越強，個人使用方法反而可以很樸素

我把自己的長期經驗整理成五條

個人使用 AI 的五條方法

第一條，要多用

出來混最重要的，首先是出來，要用好 AI，最重要的也是先用起來

明天挑一項本來就要完成的真實任務，帶著材料讓 AI 做

可以從整理復雜郵件、比較兩份報價、從 PDF 提取字段、把會議記錄變成行動清單、檢查表格異常開始

每次做完只問三個問題：它做對了什么，哪里需要補材料，哪些要求下次還會重復

一個月完成二十個真實任務，收獲會超過收藏兩百條提示詞

第二條，嚴肅工作盡量使用強模型

高手知道哪里夠用、哪里會錯、錯了怎樣補，經驗較少時，強模型可以幫我們省下判斷、試錯、返工和自我懷疑

簡單改寫、格式轉換和輕量分類，可以使用便宜快速的模型，多份材料、復雜分析、重要匯報和長流程執行，優先使用更強模型

這里順便說一下豆包

豆包的客戶端體驗很好，尤其是 Mac App，我本人也是日活用戶，它很適合搜索、查資料、快速了解一個話題和輕量整理

涉及復雜分析、重要匯報和嚴肅判斷，我會切換到 Claude 或 ChatGPT / Codex 等更強模型，模型能力決定了最終上限

第三條，優先使用完整工作臺

網頁端很適合快速問答、臨時搜索、單次文件和輕量任務

涉及完整本地文件夾、連續項目、瀏覽器與桌面應用、跨工具操作和長時間任務時，桌面工作臺會更順手

它可以直接使用授權的材料，保留項目上下文，調用真實工具，讓結果直接落到工作目錄，還能把成功流程保存成 Skill 或自動化

第四條，用第一大腦準備高質量問題

大家都在用 AI 做第二大腦，第一大腦依然是核心競爭力

你讀過的書、做過的項目、踩過的坑、對客戶的理解、對行業的判斷，最終都會體現在你交給 AI 的問題里

一個高質量任務至少要講清五件事：背景、目標、材料、限制和驗收標準

大家拿著相同的工具，最后做出完全不同的結果，差距往往就藏在這里

第五條，五成把握就先做一輪

準備和行動可以共存，準備提升上限，行動提供真實反饋

當你已經有五成把握，就讓 AI 先做一輪，然后看結果、追問、查資料、動手驗證、沉淀判斷，再提出下一輪規劃

邊做邊升級的學習循環

這樣循環往復、交錯上升，通常是最快的學習方式

如果只記住一個概念，我建議記住 Skills
Skill 是一套經過驗收的工作方法

你第一次讓 AI 做周報，可能花了很久告訴它格式、順序、語氣、重點、禁忌和檢查方式

下周再開一個新對話，這些要求又要重新講一遍

Skill 做的事情，就是把這套經過驗證的方法保存下來，讓一次成功能夠重復發生

判斷一件事是否值得做成 Skill，可以先問三個問題：

1. 它是否重復發生

2. 規則是否相對清楚

3. 結果是否容易驗收

同一件事已經做過三次，通常就值得嘗試沉淀

頻率越高、規則越清楚、返工越多，沉淀價值越大

流程很長時，把它拆成多個小 Skill，再由一條總流程串起來，每個小 Skill 只負責穩定完成一個動作

Skills 最聰明的設計，叫漸進披露

一個工作環境里可能安裝幾十個、上百個 Skills，AI 無法在每個任務開始時把所有說明全部讀一遍，那會浪費上下文，也會干擾判斷

Skills 使用三層漸進披露

Skills 的三層漸進披露

第一層，AI 只看到名稱和用途，用來判斷當前任務是否匹配

第二層，確認匹配以后讀取核心步驟

第三層，執行過程中遇到具體問題，再去讀取對應規則、模板、工具或樣例

核心說明保持短，復雜資料按需讀取，安裝很多 Skills 依然可以保持清楚

一個完整的 Skill 文件夾，通常包含四類內容

Skill 的文件夾結構

核心說明負責讓 AI 掌握流程，參考資料負責提供知識，可執行工具負責準確動作，模板素材負責穩定輸出

每部分都更短，也更容易維護

復雜工作，先拆成原子能力

一個 Skill 負責穩定完成一類動作，復雜流程再由多個原子能力組合

四類常見的原子能力

收件與溝通，可以讀取郵件和會議記錄，分類、摘要、生成回復草稿，把待辦交給合適的人

文檔與表格，可以解析 PDF、圖片和 Office 文件，提取字段、比較版本、檢查數據并生成結構化結果

研究與資料，可以搜索公開信息、收集證據、整理來源、交叉核對并形成可追溯的研究底稿

內容與交付，可以采集素材、生成文字和圖表、制作視頻或網頁，把中間結果整理成可以直接使用的成品

完整流程負責安排順序，原子能力負責穩定完成一個動作，某一段發生變化時，只需要調整對應的 Skill

一個 Skill，最少講清五件事
一個 Skill 最少講清五件事

觸發條件：什么時候該用，什么時候先停下來確認

工作步驟：先做什么，怎樣分支，何時結束

參考資料：規則、字段、模板、范例和知識庫

可用工具：瀏覽器、郵件、文檔、表格、消息和解析器

驗收標準：正確、完整、安全、可追溯

這里面最重要的一項，是驗收

沒有驗收，AI 只是在生成，有了驗收，它才開始接近工作

為什么 Skill 要短、要拆、還要持續測試

第一，核心說明要短，只保留完成任務必須知道的內容，規則、容易出錯的地方、停止條件和驗收標準最值錢

第二，長流程要拆，每一段的輸入、風險和結果都不同，拆開以后更容易測試、替換和復用

第三，使用真實樣本持續測試，至少檢查該觸發時能否觸發、步驟能否跑通、邊界能否守住、結果是否比臨時指令更穩定

Skill 的測試與迭代循環

Perplexity 公開過一個很好的自檢問題：刪掉這句話，Agent 會不會做錯

如果不會，這句話就可以刪掉

失敗記錄同樣重要，失敗一次就補一條真實需要的規則，再用樣本重新測試

把經驗拆成 Skills，再組合成工作流 能力越強，邊界越要清楚

AI 很擅長閱讀大量材料、提取字段、歸類、生成文檔、轉換格式、調用工具、重復執行和按規則檢查

人的責任集中在四個位置：定義目標和優先級，處理含糊規則和未知例外，決定權限與人工確認點，對最終結果負責

AI 與人的能力邊界

付款、外發、刪除、審批、法律承諾、客戶通知和高風險專業結論，都要在關鍵位置由人確認

AI 能力越強，邊界越要寫得清楚

明天做一件事，兩周跑通一個流程

學習 AI 最怕停在收藏和圍觀

明天先挑一項真的要交付的小任務，帶著真實材料做一遍

如果效果有價值，再用兩周時間跑通一個小流程

兩周跑通一個小流程

選擇周報、會議紀要、文檔檢查或資料調研這類小流程，準備 10 到 30 個正常、異常和容易出錯的樣本，寫清人工確認點，記錄節省時間、減少漏項和需要補充的規則

兩周后，根據真實結果決定繼續優化、擴大范圍、拆分流程，或者暫時停止并記錄原因

真實反饋會告訴你，下一步應該補材料、改規則，還是擴大范圍

我最推薦的學習素材

如果還想繼續學，我更建議從真實案例和官方示例開始

OpenAI Showcase 可以看別人已經做成什么，OpenAI Cookbook 可以看模型、工具和工作流怎樣配合，ChatGPT Use Cases 和 Claude Use Cases 可以按崗位尋找場景，Anthropic Courses 與 Anthropic Academy 適合系統學習

六個值得長期收藏的官方學習資源

最快的路徑依然是：看見別人已經做成什么，找到一個與自己有關的任務，然后親手做一遍

如果明天就開始，你最想把哪項重復工作沉淀成第一個 Skill？

總結

我們擁抱 AI，沒有必要靠替代焦慮推動自己

它最現實的價值，是讓重復、繁重、機械的工作少占一點生命，讓人重新獲得喘息、思考、判斷和創造的空間

明天先完成一個真實小任務，兩周內跑通一個小流程，穩定以后，把它沉淀成第一個 Skill

AI 已經是必選項，最終要服務的，始終是人