我是如何设计一个高质量 Skill 的？

作者：尔东陈在路上｜知乎原文：我是如何设计一个高质量 Skill 的？

作者：尔东陈在路上｜发布日期：2026-08-11｜原文：https://mp.weixin.qq.com/s/r-pbTeb_dbvobDCFJB8MNA

最近我一直在研究一个问题：到底怎样才能设计出一个真正好用的 Skill？

今天，我花了一整天时间，在跨境电商 AI 场景里把这套方法完整跑了一遍。最终做出了选品、Listing、爆款视频拆解、智能客服回复、达人邀约等多个 Skill。

效果比预期好很多。更重要的是，我发现这里面已经沉淀出一套非常稳定的方法——它并不局限于跨境电商。无论你想做产品经理 Skill、销售 Skill、运营 Skill、数据分析 Skill，还是任何专业领域的 Agent Skill，都可以沿着这条路径走。

今天就把它完整拆开。

一、以前我是怎么做 Prompt 的

过去设计一个 AI 能力，通常会直接进入一个动作：写 Prompt。

比如做一个 TikTok Shop 选品助手，最直接的做法是告诉 AI：

你是一名专业的 TikTok Shop 选品专家，请根据市场趋势、用户需求、竞争情况，帮助用户寻找潜力商品……

然后不断往上堆：角色设定、输出格式、工作流程、注意事项。Prompt 越写越长，但很快会遇到一个问题——这些规则到底对不对？

很多时候，我们写的只是「想象中的最佳实践」。进入一个自己不完全熟悉的领域后，这个问题会更加明显。

所以我逐渐改变了思路。现在设计 Skill 的第一步，不再急着写 Skill。第一步是：先解决问题。

二、第一步：先把真实需求跟 AI 聊清楚

假设要做一个「跨境电商选品 Skill」。我不会一上来就说「帮我写一个选品 Skill」。我会先把真实的业务问题告诉它：

我现在做的是 TikTok Shop，选品有几个真实场景——

第一个场景，看到一条爆款视频后，希望分析视频评论：用户在讨论什么？痛点是什么？现有商品哪里做得不好？有没有新机会？

第二个场景，根据市场数据（销量、增长趋势、达人带货表现）寻找机会商品。

第三个场景，去 Reddit 等社区寻找消费者正在讨论的问题，从用户真实声音中发现尚未被满足的需求。

这时候讨论的重点依然不是 Skill，而是：这个问题到底应该怎么解决？

这一步非常重要。Skill 的质量上限，很大程度取决于你对问题本身理解得有多深。

三、第二步：让 AI 去找真正的最佳实践

需求梳理清楚后，我会开始问：针对这个问题，行业里有哪些成熟方法？GitHub 上有没有类似的 Skill？有没有可以参考的 Agent、开源项目、工作流或方法论？

这一步极其关键。今天很多专业问题已经有人解决过，尤其是 Agent 和 Skill 生态发展起来之后，GitHub 上积累了大量优秀实践。

比如做选品时，我会研究社区 VOC 分析、Reddit 痛点挖掘、TikTok 数据分析、商品趋势分析、竞品分析、评论分析等方向。做 Listing 时，会去找 Listing 优化、关键词研究、卖点提炼、竞品 Listing 分析的方法。做达人邀约时，会研究达人筛选、匹配、诊断、粉丝画像、合作历史分析。

也就是说，ChatGPT 在这里充当了「方法论研究员」的角色，帮我快速扫描整个领域。

四、第三步：找到 Skill 之后，不要急着抄，先跑

这是今天非常强烈的一个感受。网上看到一个 Skill 很好，不代表它真的适合你。

当 ChatGPT 帮我找到优秀 Skill 后，我通常会做第二件事：下载到本地，真实运行。

它到底能做什么？输入是什么？输出是什么？工作流程是什么？用了哪些数据源？哪些地方真有价值？哪些只是写得好看？哪些适合我的场景？哪些完全用不上？

只有真实运行过，才能真正理解一个 Skill。

比如做 TikTok 相关能力时，有些 Skill 方法论很好，但数据获取依赖用户自己提供；有些已经接入了真实数据能力；还有些不适合直接用，但其中某个模块非常值得借鉴。

这时候要做的就是：拆。把一个 Skill 拆成能力组件。这个的 VOC 分析方法好，那个的市场趋势分析能力强，还有一个工具能提供真实 TikTok 数据，另一个特别擅长从 Reddit 提取用户痛点——它们不需要原封不动搬过来，真正重要的是把能解决自己问题的部分提炼出来。

五、第四步：从「参考 Skill」回到自己的业务场景

这是很多人设计 Skill 时最容易忽略的一步。

研究了很多优秀 Skill 后，很容易陷入「别人怎么做，我也怎么做」的状态。但 Skill 最终是给自己用的。所以这时候要重新回到最初的问题，问自己：

我的真实用户是谁？什么情况下会调用这个 Skill？他手上通常有哪些信息，哪些大概率没有？Skill 自己能获得哪些数据？哪些需要调外部工具？数据缺失怎么办？最终应该输出什么？

举个例子。做 TikTok Shop Listing Skill 时，流程很容易设计成：VOC 分析 → 竞品分析 → 关键词研究 → Listing 生成。流程没问题，但真实用户很可能只说一句：

我有一个厨房收纳盒，准备在 TikTok Shop 泰国站卖，帮我生成 Listing。

用户根本没有提前做 VOC、竞品分析和关键词研究。如果 Skill 强制要求先完成这些步骤，体验就很差。所以 Skill 必须考虑：现实中的输入往往是不完整的。它需要降级策略——有数据用数据，有外部 Skill 就调用，只有基础商品信息时也能产出合理版本。

这就是从「最佳实践」回到「真实使用场景」。

六、第五步：让 ChatGPT 生成「施工提示词」

当需求聊清楚了，最佳实践研究完了，参考 Skill 也跑过了，该借鉴什么、不要什么基本明确了——这时候才进入 Skill 的真正开发阶段。

但我通常不会直接写 Skill。我会让 ChatGPT 做一件事：生成一份给 Claude Code 使用的 Goal Prompt。

注意，它生成的不是最终 Skill 内容，而是「如何让 Claude Code 帮我创建这个 Skill」的任务说明书。里面会写清楚：Skill 目标、用户场景、要解决的问题、参考的最佳实践和 GitHub Skill、需要学习和融合的能力、外部依赖、输入输出、工作流设计、异常处理、文件结构、测试标准。

这时候，ChatGPT 更像 Skill 架构师，Claude Code 则是 Skill 工程师。

七、第六步：把 Goal Prompt 交给 Claude Code

拿到这份 Prompt 后，进入 Claude Code，使用 Goal 模式，让它自己完成：研究参考项目、阅读相关 Skill、分析目录结构、设计新 Skill、生成 SKILL.md、补充脚本和 references、补充测试案例、执行测试、根据结果修改。

实际跑下来，这种方式生成的 Skill 质量非常高。一个很重要的原因是：前面已经把「思考」做得足够充分。

Claude Code 接到的不再是一句「帮我写一个 Skill」，而是一份相对完整的产品需求、架构设计和参考资料。它真正需要做的只是工程化实现。

八、第七步：一定要真实测试

Skill 文件生成完成，不代表事情结束。最后一步一定是用真实案例测试。

比如 Listing Skill，给它一个真实商品，看它能不能识别核心卖点、判断 TikTok Shop 场景、生成适合当地语言的 Listing、避免凭空捏造参数、在信息不足时正确询问。

再比如选品 Skill，观察它有没有基于真实市场证据，有没有区分「数据」和「推断」，有没有给出清晰的商品机会并解释推荐理由。

如果效果不够好，就把结果拿回 ChatGPT 讨论，调整 Goal Prompt，重新让 Claude Code 修改。整个过程形成闭环。

九、Skill 设计七步法

把整个过程压缩一下：

1. 从真实问题开始
先描述业务场景，不急着写 Prompt。

2. 让 AI 搜索最佳实践
研究行业方法论、GitHub Skill、Agent、开源项目。

3. 本地运行参考 Skill
看真实效果，验证它到底有没有用。

4. 提炼可复用的能力
学习方法、工作流、数据接口和边界，不机械复制。

5. 回到自己的真实需求
明确用户、场景、输入、输出、依赖、异常处理和降级策略。

6. 生成 Claude Code Goal Prompt
让 ChatGPT 把研究结果转化为一份完整的 Skill 开发任务。

7. Claude Code 实现并真实测试
生成 Skill，跑真实案例，根据结果持续迭代。

整条链路：真实问题 → 最佳实践 → 参考 Skill → 本地验证 → 能力提炼 → Goal Prompt → Claude Code → 测试 → 迭代

十、为什么这种方式质量更高

第一，Skill 建立在真实问题之上。很多 Skill 看起来能力很多，实际调用时却不知道什么时候该用——根本原因通常是缺少真实场景。从真实问题出发，触发条件、输入和输出都会自然清晰很多。

第二，吸收了整个生态的经验。设计 Skill 不需要所有方法都自己发明。通过 AI 搜索、阅读、测试已有 Skill，相当于在极短时间内完成一次领域调研。

第三，人负责判断，AI 负责放大。AI 擅长搜索、阅读、归纳、对比、写代码、生成 Skill。但「哪些能力真正适合我的业务」依然需要人做判断。我真正要做的是：告诉 AI 问题、判断方案价值、确定方向、验证结果。剩下的体力活，交给 AI。

第四，Skill 从 Prompt 变成了「能力资产」。单独写一个 Prompt 只能解决一次问题。Skill 可以不断积累——选品、Listing、达人邀约、客服回复、爆款视频分析、广告脚本、用户洞察——慢慢形成一个属于自己的专业 AI 能力库。

十一、未来真正重要的是「编排能力」

以前用 AI，我更多思考的是怎么把 Prompt 写好。现在越来越觉得，未来更重要的能力可能是：怎么把世界上已经存在的优秀能力，组合成解决自己问题的系统。

这个 Skill 擅长找数据，那个擅长分析，另一个擅长执行，还有一个开源项目提供底层能力。我们需要做的是理解自己的问题，然后重新组合这些能力。

所以设计 Skill 的过程，本质上越来越像产品设计、系统设计、软件架构、知识工程、Agent 编排。它远远超过了「写一个 Prompt」。

写在最后

今天用这套方法，在跨境电商场景里连续做了选品、Listing、视频分析、客服、达人邀约多个 Skill。跑完之后，我越来越确认一件事：

AI 时代，一个非常值得长期积累的资产，就是自己的 Skill Library。

遇到一个真实问题，研究一次，解决一次，把解决方案沉淀成 Skill。下一次直接复用。

慢慢地，你不会只是「会用 ChatGPT」，你会拥有一套越来越强的 AI 工作系统。

这也是我接下来准备持续做的事：把工作和生活中那些高频、复杂、需要专业判断的问题，一个一个变成 Skill。当这些 Skill 越积越多，真正被放大的，不只是 AI 的能力——还有我们自己的能力。