大家好，我是 Ai 学习的老章
分享一场我做的AI、Skills 科普培训，有些内容没法拿出来，仅分享可以公开的，第一期偏基础和概念，后续会有实操培训，完整材料是HTML，太忙了，没空截图了，从中抽了一些核心内容
最近有一场 Claude Code 黑客松，最后拿到前三名的项目分别来自医疗、电子维修和教育，都把真实专业问题带进了工作流
医生做了一套医学生问诊训练系统，维修技师做了一套电路板诊断工具，教育工作者把自己的教学理念直接写进了产品流程
他们真正领先的地方，是知道真实问题怎样发生，知道什么错误很危险，也知道什么结果才算合格
三个作品给出了一条非常清楚的公式：
❝
你最懂的行业 × 强大的 Agent = 可以直接创造价值的工具
实现门槛下降以后，专业知识、风险判断和结果标准会变得更重要
代码逐渐成为 AI 可以调用的一种工具，真正创造价值的，依然是人对问题、材料、规则和结果的理解
AI 已经越过 Coding
OpenAI 在 2026 年 6 月公布过一组数据：Codex 每周活跃用户超过 500 万，比 2 月桌面端发布时增长 6 倍以上，知识工作者已经占到约 20%，增长速度超过程序员群体 3 倍
每周已经有超过 100 万人把 Codex 用在软件开发之外
他们在做报告、电子表格、演示材料、合同、研究、数据分析、内容创作和流程自动化
法律场景里，AI 可以参与合同审阅、NDA 分流、修订追踪、尽调表格和监管扫描，团队把自己的模板、风险偏好和审阅规则放进去，最终结果继续由律师确认
金融场景里，AI 可以准备公司研究、追溯表格公式、检查董事会材料里的数字与文字是否一致、生成投资备忘和风险清单，人把时间留给判断、叙事和决策
Word、Excel、PPT、PDF 也已经可以进入同一条工作流，从读取材料、交叉检查，到生成成品和写回文件，过去大量复制、搬运和格式返工都可以交给 AI
以后判断一个 AI 产品能否进入真实工作，我会看五件事：
-
能否读取真实材料 -
能否调用真实工具 -
能否连续推进多步骤任务 -
能否生成可以直接使用的成品 -
能否展示依据、异常和人工确认点
这五件事连起来，AI 才真正从回答走向交付
这一轮变化，可以归纳成三句话
模型更强，工具更近，任务更长
模型开始处理更复杂的专业任务，工作台开始接触文件、浏览器和桌面软件，Agent 开始跨越多个步骤、多个工具和更长时间持续推进
提示词教我们把目标说清，上下文工程教我们把正确材料放进来，Tool Use 让 AI 可以动手，Skills 把做法保存下来，MCP 和连接器把真实系统接进来，Harness 把模型、上下文、工具、记忆、权限、验证与循环组织成完整工作台
新概念一直在增加，前面的基本功没有作废
跟住目标、上下文、工具、流程和验收这五件事，就能看懂绝大多数变化
我认为带来最大改变的有三个：
Tool Use 负责搜索、计算、文件处理和数据库查询，让模型从说走到做
Browser Use 负责打开网页、管理标签、下载文件、读取页面和填写表单
Computer Use 通过屏幕、鼠标和键盘进入桌面软件，给没有接口的旧系统增加自动化可能
这一变化对普通人的意义很大，AI 的入口正在从聊天框，变成一张完整工作台
国内产品，把复杂能力做成了普通人能用的工作台
在我看来，OpenClaw 是这一轮 Agent 工具进化的高潮，它把工作目录、记忆、Skills、定时任务、消息入口和工具放进同一套运行环境，让更多人第一次看到一个可以持续工作的 Agent
它的门槛依然很高，安装、模型、权限、安全、升级和故障处理都需要投入时间
Hermes 沿着相近方向继续推进，强调模型自由、长期记忆、从经验里生成和改进 Skills，以及云端常驻和消息入口
国内互联网公司很擅长把复杂能力包装成普通人可以直接使用的产品，OpenClaw 之后出现了“百虾大战”，WorkBuddy、QoderWork、Trae / ArkWork 等产品都吸收了长任务、Skills、连接器、自动化、记忆和多 Agent 这些核心形态
WorkBuddy 里的专家、技能和连接器很好理解：专家负责角色分工，技能负责固定做法，连接器负责把邮箱、飞书、企业微信、腾讯文档和其他系统带进工作流
国内在代码与办公合流这件事上推进很快，日常办公、代码开发和设计创意已经开始进入同一个入口
以我的使用体验来看，Qoder 的相对优势依然在编程，QoderWork 也已经能处理本地文件、浏览器和办公文档，这些产品变化很快，今天的体验以后还会继续变化
普通人怎样真正把 AI 用起来
工具越来越多，模型越来越强，个人使用方法反而可以很朴素
我把自己的长期经验整理成五条
第一条，要多用
出来混最重要的，首先是出来，要用好 AI，最重要的也是先用起来
明天挑一项本来就要完成的真实任务，带着材料让 AI 做
可以从整理复杂邮件、比较两份报价、从 PDF 提取字段、把会议记录变成行动清单、检查表格异常开始
每次做完只问三个问题：它做对了什么，哪里需要补材料，哪些要求下次还会重复
一个月完成二十个真实任务，收获会超过收藏两百条提示词
第二条，严肃工作尽量使用强模型
高手知道哪里够用、哪里会错、错了怎样补，经验较少时，强模型可以帮我们省下判断、试错、返工和自我怀疑
简单改写、格式转换和轻量分类，可以使用便宜快速的模型，多份材料、复杂分析、重要汇报和长流程执行，优先使用更强模型
这里顺便说一下豆包
豆包的客户端体验很好，尤其是 Mac App，我本人也是日活用户，它很适合搜索、查资料、快速了解一个话题和轻量整理
涉及复杂分析、重要汇报和严肃判断，我会切换到 Claude 或 ChatGPT / Codex 等更强模型，模型能力决定了最终上限
第三条，优先使用完整工作台
网页端很适合快速问答、临时搜索、单次文件和轻量任务
涉及完整本地文件夹、连续项目、浏览器与桌面应用、跨工具操作和长时间任务时，桌面工作台会更顺手
它可以直接使用授权的材料，保留项目上下文，调用真实工具，让结果直接落到工作目录，还能把成功流程保存成 Skill 或自动化
第四条，用第一大脑准备高质量问题
大家都在用 AI 做第二大脑，第一大脑依然是核心竞争力
你读过的书、做过的项目、踩过的坑、对客户的理解、对行业的判断，最终都会体现在你交给 AI 的问题里
一个高质量任务至少要讲清五件事：背景、目标、材料、限制和验收标准
大家拿着相同的工具，最后做出完全不同的结果，差距往往就藏在这里
第五条，五成把握就先做一轮
准备和行动可以共存，准备提升上限，行动提供真实反馈
当你已经有五成把握，就让 AI 先做一轮，然后看结果、追问、查资料、动手验证、沉淀判断，再提出下一轮规划
这样循环往复、交错上升，通常是最快的学习方式
如果只记住一个概念，我建议记住 Skills
你第一次让 AI 做周报，可能花了很久告诉它格式、顺序、语气、重点、禁忌和检查方式
下周再开一个新对话，这些要求又要重新讲一遍
Skill 做的事情，就是把这套经过验证的方法保存下来，让一次成功能够重复发生
判断一件事是否值得做成 Skill，可以先问三个问题：
-
它是否重复发生 -
规则是否相对清楚 -
结果是否容易验收
同一件事已经做过三次，通常就值得尝试沉淀
频率越高、规则越清楚、返工越多，沉淀价值越大
流程很长时，把它拆成多个小 Skill，再由一条总流程串起来，每个小 Skill 只负责稳定完成一个动作
Skills 最聪明的设计，叫渐进披露
一个工作环境里可能安装几十个、上百个 Skills，AI 无法在每个任务开始时把所有说明全部读一遍，那会浪费上下文，也会干扰判断
Skills 使用三层渐进披露
第一层，AI 只看到名称和用途，用来判断当前任务是否匹配
第二层，确认匹配以后读取核心步骤
第三层，执行过程中遇到具体问题，再去读取对应规则、模板、工具或样例
核心说明保持短，复杂资料按需读取，安装很多 Skills 依然可以保持清楚
一个完整的 Skill 文件夹，通常包含四类内容
核心说明负责让 AI 掌握流程，参考资料负责提供知识，可执行工具负责准确动作，模板素材负责稳定输出
每部分都更短，也更容易维护
复杂工作，先拆成原子能力
一个 Skill 负责稳定完成一类动作，复杂流程再由多个原子能力组合
收件与沟通，可以读取邮件和会议记录，分类、摘要、生成回复草稿，把待办交给合适的人
文档与表格，可以解析 PDF、图片和 Office 文件，提取字段、比较版本、检查数据并生成结构化结果
研究与资料，可以搜索公开信息、收集证据、整理来源、交叉核对并形成可追溯的研究底稿
内容与交付，可以采集素材、生成文字和图表、制作视频或网页，把中间结果整理成可以直接使用的成品
完整流程负责安排顺序，原子能力负责稳定完成一个动作，某一段发生变化时，只需要调整对应的 Skill
一个 Skill，最少讲清五件事
触发条件：什么时候该用，什么时候先停下来确认
工作步骤：先做什么，怎样分支，何时结束
参考资料：规则、字段、模板、范例和知识库
可用工具：浏览器、邮件、文档、表格、消息和解析器
验收标准：正确、完整、安全、可追溯
这里面最重要的一项，是验收
没有验收，AI 只是在生成，有了验收，它才开始接近工作
为什么 Skill 要短、要拆、还要持续测试
第一，核心说明要短，只保留完成任务必须知道的内容，规则、容易出错的地方、停止条件和验收标准最值钱
第二，长流程要拆，每一段的输入、风险和结果都不同，拆开以后更容易测试、替换和复用
第三，使用真实样本持续测试，至少检查该触发时能否触发、步骤能否跑通、边界能否守住、结果是否比临时指令更稳定
Perplexity 公开过一个很好的自检问题：删掉这句话，Agent 会不会做错
如果不会，这句话就可以删掉
失败记录同样重要，失败一次就补一条真实需要的规则，再用样本重新测试
能力越强，边界越要清楚
AI 很擅长阅读大量材料、提取字段、归类、生成文档、转换格式、调用工具、重复执行和按规则检查
人的责任集中在四个位置：定义目标和优先级，处理含糊规则和未知例外，决定权限与人工确认点，对最终结果负责
付款、外发、删除、审批、法律承诺、客户通知和高风险专业结论，都要在关键位置由人确认
AI 能力越强，边界越要写得清楚
明天做一件事，两周跑通一个流程
学习 AI 最怕停在收藏和围观
明天先挑一项真的要交付的小任务，带着真实材料做一遍
如果效果有价值，再用两周时间跑通一个小流程
选择周报、会议纪要、文档检查或资料调研这类小流程，准备 10 到 30 个正常、异常和容易出错的样本，写清人工确认点，记录节省时间、减少漏项和需要补充的规则
两周后，根据真实结果决定继续优化、扩大范围、拆分流程，或者暂时停止并记录原因
真实反馈会告诉你，下一步应该补材料、改规则，还是扩大范围
我最推荐的学习素材
如果还想继续学，我更建议从真实案例和官方示例开始
OpenAI Showcase 可以看别人已经做成什么，OpenAI Cookbook 可以看模型、工具和工作流怎样配合，ChatGPT Use Cases 和 Claude Use Cases 可以按岗位寻找场景，Anthropic Courses 与 Anthropic Academy 适合系统学习
最快的路径依然是：看见别人已经做成什么，找到一个与自己有关的任务，然后亲手做一遍
如果明天就开始，你最想把哪项重复工作沉淀成第一个 Skill？
总结
我们拥抱 AI，没有必要靠替代焦虑推动自己
它最现实的价值，是让重复、繁重、机械的工作少占一点生命，让人重新获得喘息、思考、判断和创造的空间
明天先完成一个真实小任务，两周内跑通一个小流程，稳定以后，把它沉淀成第一个 Skill
AI 已经是必选项，最终要服务的，始终是人