AI技能应作为工作流组件而非单纯prompt存在

dev.to · AI#AI工具#Agent#工作流

Editor brief · 编辑速览

Tangke Creative Research在SkillHub发布16个AI Skills，每个均通过具体服务案例定义而非能力列表：证据核查(Bianzhen)、验收标准量化(Sunmao)、发布包审计(Tongjing)、交接包构建(Chuandeng)、首次用户体验模拟(Shapan)。

文章思维导图

Knowledge map

拖拽缩放

Full translation

完整中文译文

我一直在观察 AI Skills / agents 通常是如何呈现的。很多页面只说明了工具能做什么，但很少展示操作层面的案例：当输入模糊不清、论据不够充分、交接过程混乱，或者发布包存在风险时会发生什么。

Tangke Creative Research 在 SkillHub 上发布了 16 个 Skills。有意思的是，每个 Skill 都是通过具体的服务案例来描述的，而不仅仅是一份功能清单。

Bianzhen 核查论据。对于"这款 AI 工具能将转化率提升 300%"这样的说法，它会追问：产品是什么、转化如何定义、基准线是什么、样本量多大、时间窗口多长、有无激励措施，以及是否有第三方 A/B 测试证据。

Sunmao 将模糊的验收标准转化为可衡量的指标：CTR、首屏加载时间、交互延迟、错误率、测试证据和交付证明。

Tongjing 在发布前对 Skill / ZIP 包进行审计：结构、静态安全、声明一致性、文档、包装卫生状况，以及是否存在泄露的凭证。

Chuandeng 构建交接包：目标、已完成工作、文件、命令、测试证据、阻碍因素，以及下一步的首个行动。

Shapan 在上线前模拟首次用户旅程：新用户在 5 秒、15 秒、30 秒内分别能理解什么。

完整套件还包括机会发现、公开反馈监控、命名检查、文案审查、边界保护、多视角审查、关系动态和更深入的业务判断。

对于 agent 构建者，我认为有用的思路是：当一个 Skill 围绕生成本身承载了判断、证据、验收标准、风险边界和交接格式时，它的价值会大幅提升。