AI Skill 极简手册（二）：为什么你的 Skill 换个模型就废？

上一篇结尾预告了三个问题：质量可验证、场景可复用、Token 高效率。这一篇先解决第二个——场景可复用。它的最痛形态，就是换模型就废。

开篇：同一份 Skill，两种表现

在模型 A 上调好的 Skill，运行稳定。换到模型 B 上，效果明显下降。

你开始逐句调整措辞，改一处错一处，最终整段重写。你怀疑是模型 B 的问题，但同一段 Skill 在他人的环境中运行正常。问题不在任何单一模型，而在 Skill 的写法。

这是上一篇开篇列出的第二种挫败——通用性缺失。上一篇做了诊断，这一篇给出治理方法。

先看证据：这不是错觉

三份外部证据表明，这个痛点真实、普遍，且已被认真研究。

第一，社区的现象级讨论。 SegmentFault 上有文章直接给出结论：把旧模型的提示词直接套用到新模型上，效果可能不升反降，原因是过度指定。"过度指定"与上一篇的"步骤写得太死"，指向同一个问题。

第二，学术界已将其列为正式研究对象。 arXiv 论文《PromptBridge: Cross-Model Prompt Transfer for Large Language Models》专门研究跨模型提示词迁移。这个日常困扰已进入学术视野。

第三，工程界的结论。 Cursor 团队指出：不同模型有不同的行为方式、提示词格式与工具形态。模型差异是客观事实，无法消除。

三份证据指向同一个结论：正确的问题不是"如何让所有模型表现一致"，而是"如何让 Skill 在存在模型差异的条件下可移植"。

病根：模型的习惯被写进了 Skill

模型差异无法消除，那就检查 Skill 一侧的问题。失效的 Skill 拆开来看，通常存在三种绑定。

第一种：关键词绑定。 指令中写死了关键词表，例如"找到所有 error 和 warning"。关键词表是确定的，各模型对它的解读却各不相同。上一篇实验中有现成的证据：细则式 Skill 的这句话，执行模型解读为"全部 13 行都列出"。换一个模型，完全可能解读为"只列 8 行"。同一句话，两种解读，这就是绑定。

第二种：格式绑定。 输出格式依赖某个模型的默认习惯。本次实验的证据：同一个细则式 Skill，glm-5.3-flash 的输出保留了原文的 info:/error: 标签前缀，deepseek-v4.1-flash 的输出将条目按等级重新排序。两种呈现都符合字面指令——指令对呈现方式没有约束，各模型就按各自的默认习惯补齐。

第三种：技巧绑定。 "让我们一步步思考"这类提示技巧，只在特定模型上有增强效果。换用其他模型后，技巧失效，甚至成为干扰。这类技巧绑定的是特定模型的训练习惯，不是任务本身。

三种绑定共同的问题：特定模型的习惯被写进了 Skill，而 Skill 应当描述的是任务本身。

但实验数据对病根做了一个重要修正。本次跨模型实验（下节详解）测出一个结果：细则式 Skill 在三个模型上的失效方式几乎一致——同样的 4 条等级判错、同样的 2 条噪声计入、同样的统计失真。写死的内容，不是换个模型就变化，而是在哪个模型上都是错的。

真正随模型变化的，只有边缘判断。任务式 Skill 在三个模型上的准确性为 10、9、9——判错的各是 1 条，且三家错的不是同一条：glm 错 F8，qwen 错 F7。等级两可的条目，才是模型间分歧的真实来源。

因此，跨模型失效应当拆成两层：

失效层	病根	处置
骨架层	Skill 自身写死（三种绑定）	修改 Skill 措辞
边缘层	模型间的判断分歧	接受差异，或写入容忍条款

两层的处置完全不同。不拆分，就会对着边缘差异大改骨架，或者对着骨架问题归因于模型。这正是分诊法要解决的问题。

基石：先有跨模型度量衡

分诊之前，先要有一件东西：度量衡。

缺少度量衡的跨模型调试是这样的：换模型，运行一次，凭主观感受判断"似乎变差了"，然后开始无依据的调整。改到什么程度算好，无法判断。

有度量衡的跨模型调试是这样的：换模型，运行一次，对照成功标准逐项评分。覆盖少了 1 条，等级错了 3 条，统计不正确——差距被量化，调整对象与调整目标都有了依据。

度量衡就是上一篇四要素中的成功标准。它在跨模型场景中的角色升级了：

阶段	成功标准的角色
编写 Skill（第一篇）	迫使作者把"怎样算完成"想清楚
跨模型（本篇）	量化差距、支撑归因的度量衡

度量衡还有一条性质：度量衡的完整度，决定诊断的上限。 交给 AI 的成功标准清单每缺一个评分维度，诊断报告就多一个盲区。因此成功标准清单应当包含完整的评分维度，这是分诊法的前置条件。

分诊三步法：量、归因、处置

有了度量衡，就可以执行分诊。三步。

第一步：量。 旧模型、新模型各运行一次同一输入，用成功标准分别评分。得到各自的分数与差距。

第二步：归因。 将每个失分点归入三类之一。这一步是分诊法的核心：

归因类别	判据	处置
意图传达失败	严格执行字面指令必然得到该结果，换任何模型都同样出错	修改 Skill 措辞
能力边界	指令无歧义、信息齐备，模型仍无法完成	更换模型，或调整预期
风格差异	指令可实现，模型在呈现方式上各有偏好	接受，或写入容忍条款

第三步：处置。 按归因执行。第一类只修改被归因命中的措辞，不推翻重写；第二类不动 Skill，调整模型选择；第三类不作修改，记录为已知差异。

这套方法不必人工执行。用上一篇的四要素模板将它写成一个 Skill，AI 即可自行运行：

# 任务：诊断并修复一份跨模型失效的 Skill

## 目标
一份 Skill 在模型 A 上表现较好、在模型 B 上表现较差。找出失分原因，
产出修复版 Skill 和一份可核对的诊断报告。

## 约束
- 每个失分点的归因只能是三类之一：意图传达失败、能力边界、风格差异
- 归因必须引用两份运行记录中的具体证据
- 修复只改被归因命中的措辞，不得推翻重写
- 不得虚构运行记录中没有的失分点

## 成功标准
- 诊断报告逐项含：量化差距（对照成功标准打分）、
  失分点归因（三类之一 + 证据）、处置动作
- 修复版 Skill 只动了被归因命中的部分
- 报告末尾一句话结论：这个 Skill 能不能救、下一步做什么

## 可用资源
- 原 Skill 全文
- 模型 A 与模型 B 的两份运行记录
- 成功标准清单（外部评分依据）
- 你的常识与判断，以及对三类归因的界定权

注意这个模板本身就是上一篇方法的产物：目标描述终态，约束禁止虚构与重写，成功标准逐项可核对，可用资源将判断权下放。上一篇教的方法，这一篇直接用于构造新工具。

使用要领：诊断报告产出后，先由人工核对报告中的证据引用与归因逻辑，确认无误后再执行修复。人工核对的对象是证据与推理过程，不是替代 AI 完成诊断。

实验：一次完整的分诊修复

方法讲完，用一个完整实验演示全程。所有材料公开，任何人可复现。

实验设计

控制变量：同一任务、同一输入、同一份评分参考答案，唯一变量是模型。

项目	设定
任务	把同一份合成扫描输出整理成安全报告（材料复用第一篇）
执行模型	deepseek-v4.1-flash、glm-5.3-flash、qwen3.8-flash（三个家族的 flash 档）
两组 Skill	细则式（第一篇的反例）与任务式（第一篇的推荐写法）
评分员	deepseek-v4-pro，统一评全部运行记录，非执行者

评分员统一是关键设计。跨模型的质量波动必须用同一套度量衡测量，否则分数差异中混入评分员差异，归因就会失真。

三个模型，两种失效模式

细则式 Skill 在三个模型上的成绩：

指标	deepseek-v4.1-flash	glm-5.3-flash	qwen3.8-flash
等级判定正确	6/10	5/10	6/10
结构达标	4/5	3/5	3/5
统计正确性	否	否	否
多余条目	3	3	3

三个模型的失效方式几乎一致：等级判错的都是同样的 4 条（F4 默认凭据、F5 反射型 XSS、F7 堆栈泄露、F8 目录列表——全部源于"error 标高、warning 标中"的机械映射）；多余条目都是 3 条（2 条噪声行与 1 条重复的 OpenSSL 复核条目）；统计全部将噪声与重复计入。

这是骨架层失效的实证：写死的内容，不是换个模型就变化，而是在哪个模型上都是错的。

任务式 Skill 在三个模型上的成绩：

指标	deepseek-v4.1-flash	glm-5.3-flash	qwen3.8-flash
等级判定正确	10/10	9/10	9/10
结构达标	5/5	5/5	5/5
统计正确性	是	是	是
多余条目	0	0	0

任务式最差的模型（9 分）仍比细则式最好的模型（6 分）高 3 分。判错的各是 1 条，且三家错的不是同一条：glm 将 F8 目录列表判为低，qwen 将 F7 堆栈泄露判为中。等级两可条目上的各自判断——这是边缘层分歧的实证：分歧在边缘，不在骨架。

分诊：AI 执行诊断

取细则式的两份运行记录（deepseek 的较好，glm 的较差），连同原 Skill 和成功标准清单，交给分诊 Skill。执行者是两份记录的非当事人 qwen3.8-flash。

分诊报告的质量有三处值得说明。

第一，报告独立得出了"两份都差"的量化结论。 共同失分占大头——骨架层失效是主要矛盾，这与人工分析一致。

第二，报告用反证法完成归因。 判定"机械映射错"属于意图传达失败时，报告先排除了能力边界。反证是：deepseek 将 CSP 行调离了 info 档，glm 对 F2 调整了档位，说明模型有能力偏离标签。是 Skill 那句"把 error 标成高，warning 标成中"将它们固定在标签上。归因给出了证据，也给出了排除过程。

第三，报告严格遵守"只修改被归因命中的部分"。 原 Skill 六句，修复版八句——新增的只有四处被归因命中的口径（噪声排除、初判加影响校正、去重、统计口径），三句一字未动。报告还将"deepseek 重排顺序、glm 保留标签前缀"判定为风格差异：不扣分，不修改措辞。

修复验证：重跑与复评

修复版 Skill 交回表现最差的 glm-5.3-flash，同一输入重跑，同一评分员按同口径复评：

指标	修复前（原细则式）	修复后（分诊修复版）
覆盖	10/10	9/10
等级判定正确	5/10	9/10
等级判错	5 条	0 条
多余条目	3	0
统计正确性	否	是
结构达标	3/5	4/5

判定复活的参考标准是"判错收敛到 1 条以内"，实际收敛到 0 条。归因还被重跑逐条兑现：诊断报告判定默认凭据（F4）应为高、原版判中是错的，修复版重跑输出的第一条即"高|应用配置文件 app.cfg 中使用默认凭据，可直接接管系统"。

诊断，修复，重跑，复评，闭环完成。

适用边界：分诊法与四要素的成本比较

修复完成后，一笔字符账值得核算：原细则式 Skill 122 字符，分诊修复版 440 字符，任务式 Skill 原文 276 字符。修复的成本高于新写，且修复版的输出结构仍不及任务式完整（4/5 对 5/5）。

分诊法的适用边界由此清晰：它适用于存量 Skill 的修复——手里有大量旧 Skill 时，逐个分诊、恢复可用；编写新 Skill 时，直接使用四要素模板，成本更低，结构更全。

交付物：跨模型迁移自检清单

全文收敛为一份可带走的清单。换模型前，四项检查：

1. 成功标准描述的是终态吗——换模型后仍然成立的，才是合格的标准
2. 存在模型习惯词吗——特定模型才识别的提示技巧、绑定单一模型的格式，逐项清除
3. 输出有可核对的判据吗——度量衡先于迁移；清单的维度数，决定迁移后能看清几层差距
4. 在第二个模型上运行过吗——未经实际运行验证，一切判断都只是推测

迁移之后，一步验证：对照成功标准逐项评分，量化差距。差距落在骨架层，进入分诊；落在边缘层，写入容忍条款；差距无法量出，迁移完成。

小结

全文收敛为三句话：

• 跨模型失效分两层：骨架层是 Skill 自身写死（三种绑定），在哪个模型上都错；边缘层才是模型分歧，集中在等级两可的判断。先分层，再处置。
• 度量衡先于分诊。成功标准在跨模型场景中承担度量衡的角色，其完整度决定诊断的上限。
• 分诊法适用于存量修复，不适用于新写。修复旧 Skill 的成本高于用四要素模板新写，新写直接用模板。

分诊 Skill 模板与迁移自检清单均在上文，可直接取用。