用 AI 的人分两种人:一种每天打开 Claude,输入一大段背景描述,得到回答,关掉页面。第二天再来,重新输入同样的描述。30 天后,他的效率跟第一天一模一样。
另一种同样用 Claude,但 30 天后,他的 AI 已经变成了一个完全不同的东西——自动用他的语气写作,自动按他的格式输出,自动调用他教过的方法论。而且他每天花在「指导 AI」上的时间反而越来越少。
同一个工具,同一个模型,同一个价格。差距是怎么产生的?
不是技巧的差距。是认知框架的差距。
今天分享三个框架。理解它们,你对 AI 的使用方式会发生根本性的改变。
框架一:三层进化论——你在哪一层?
用 AI 有三个层级。绝大部分人永远停在第一层。
第一层:Prompt
Prompt 就是你在对话框里临时输入的指令。「你是一个资深文案」「用简洁的风格」「给我三个方案」。
它在当下有效。会话关闭就消失。
这就像每天早上跟一个失忆的天才解释你是谁。它确实很聪明,但明天它又不认识你了。你的语气偏好、品牌规范、输出格式、行业术语——全部归零,全部要重新解释。
30 天下来是什么样的?第 1 天写了个好 Prompt,得到好结果。第 15 天你已经重复输入了大致相同的上下文 15 次。第 30 天你的生产力跟第 1 天一模一样。零积累。
而且在疲倦的那天你会漏掉细节,输出质量下降。在忙碌的那天你干脆跳过上下文,Claude 给你一个泛泛的通用版本。
你自己就是瓶颈。每一次对话都是。
第二层:Project
你在 Project 里上传了参考文档、风格说明、系统指令。这个 Project 里的每次对话都知道你的上下文。
这就像给新员工一份入职手册。比天天口头交代强多了。
但还有一个问题:你得记得打开正确的 Project。你的知识被锁在特定的 Project 里,换一个场景又得从头来。
第三层:Skill
Skill 是一个结构化的文件——你写一次、装一次,之后 Claude 自动在识别到相关任务时触发。
不需要你打开特定的 Project。不需要你输入任何提示词。Claude 就是知道该怎么做。
这就像培训一个员工,培训一次,永远生效。
三个层级用的是同一个 Claude。但第一层是聊天工具,第三层是工作系统。
那么,理解了这个分层之后,怎么从第一层跳到第三层?这就需要第二个框架。
框架二:交易思维 vs 复利思维
这是三个框架中最重要的一个。它不是一个工具使用技巧,而是一个认知模型。
Prompt 是交易。 你投入时间写一段指令,得到一次产出。下次再投入,再得到一次。投入和产出是 1:1 的线性关系。你停止投入,产出立刻归零。
Skill 是复利。 你第一天投入 10 分钟写一个 Skill,第二天它已经在起作用了。第 15 天你累积了 3 个 Skill,每个都在之前的基础上叠加。第 30 天你的 Claude 跟所有人的都不一样。
搭建成本是第一周分散投入的一小时。回报是此后每一次对话都在更高的基线上运行。
第一周的工作,在第六个月还在产生回报。这就是复利。
交易思维的人每天问:「今天怎么用 AI 做好这件事?」
复利思维的人问的是:「我怎么让 AI 永远知道该怎么做这件事?」
一字之差。但如果你用复利思维去使用 AI,30 天后你会发现一件神奇的事:你花在「教 AI」上的时间越来越少,AI 帮你完成的工作越来越多。因为你之前教过的每一个 Skill 都在持续生效。
这就引出了一个实操问题:Skill 到底该怎么写?该把什么放进去、什么不放?这就是第三个框架。
框架三:Thin Harness, Fat Skills——把 90% 的精力花在对的地方
这个框架来自 YC 掌门人 Garry Tan,他把它提炼成了一个极其精炼的架构原则:薄 Harness,厚 Skills。
什么意思?
你在用 AI 工作时,实际上在搭建一个三层系统——不管你有没有意识到:
最上层:Skills。 你教给 AI 的操作手册——流程、判断标准、领域知识。这是价值的 90% 所在。
中间层:Harness。 运行 AI 的那个程序或环境——调用模型、管理上下文、读写文件。保持极薄。
最底层:确定性工具。 数据库查询、代码编译、数学计算——输入一样、输出一样、每次都一样的操作。
原则是:把智能推到 Skills 里。把执行推到确定性工具里。中间的 Harness 越薄越好。
反模式是什么?厚 Harness、薄 Skills。 你见过那种情况:花了大量时间调试工具链、配置各种插件、优化 API 调用,但真正教给 AI「怎么做好这件事」的内容——一个字都没写。
结果就是:工具链很漂亮,但 AI 产出的质量跟裸聊没有本质区别。因为你优化了管道,但管道里流的还是自来水。
模型的智能已经足够了。它失败不是因为不够聪明,而是因为不理解你的具体情况——你的规范、你的惯例、你的问题的特殊形状。Skill 解决的就是这个问题。
这个框架的另一个重要推论是:当下一个更强的模型发布时,你所有的 Skill 都会自动变得更好。
因为 Skill 定义的是流程和标准,底层判断力的提升会让这些流程执行得更精准。你不需要重写任何东西。模型升级对你来说不是「又要重新学」,而是「我的系统免费升级了」。
Skill 是永久资产。
三个框架怎么串起来用
第一步:用三层进化论定位自己。
你现在在哪一层?如果你每次对话都在重新输入上下文——你在第一层。如果你在用 Project 但没有 Skill——你在第二层。知道自己在哪,才知道该往哪走。
第二步:用复利思维找到你的 Skill 候选清单。
回想过去一个月跟 AI 的对话。哪些指令你重复说过?哪些上下文你反复解释过?哪些格式要求你每次都得提醒?哪些流程你一步步手动引导过?
如果你重复超过三次,那就是一个 Skill 在等着被创建。
还有一条更激进的原则:如果你让 AI 做了一件事,而且这件事将来还会再做——第一次就应该变成 Skill。手动做第一次,看看输出,满意就立刻编码成 Skill 文件。
检验标准:如果你需要第二次要求同样的事,说明系统失败了。
第三步:用 Thin Harness, Fat Skills 决定该把精力花在哪。
不要花三天调试工具链然后用裸 Prompt 跑任务。反过来——花三天写好你的核心 Skill,工具链用最简单的就行。
一个 Skill 到底长什么样?极其简单,就是一个文本文件:
名字——叫什么。描述——干什么(一句话)。这是最关键的部分——Claude 靠这句话判断什么时候自动触发。指令——怎么做(具体步骤)。约束——什么不能做。
Skill 不是告诉 AI「做什么」——那是 Prompt 的事。Skill 告诉 AI 的是「怎么做」。
Prompt 说:「帮我写一份竞品分析。」Skill 说:「做竞品分析时,先锁定 3-5 个核心竞品,按功能/定价/市场定位三个维度对比,输出 SWOT 格式,每个结论附数据来源,最后给 3 条可执行建议。」
Prompt 提供任务。Skill 提供方法论。两者配合时,AI 才从「等你告诉它每一步该做什么的实习生」变成「知道怎么干活的员工」。
而且同一个 Skill 可以被不同的输入反复调用——输入一家竞品公司,你得到竞品分析;输入一个行业趋势,你得到趋势报告;输入一个投资标的,你得到尽调简报。同样的流程,不同的对象,完全不同的产出。
这不是 Prompt 工程。这是用 Markdown 做软件设计。
你的第一个 Skill 怎么建
最快的方式:让 AI 帮你建。
Claude 内置了一个「Skill Creator」——一个能创建 Skill 的 Skill。你只需要说:「帮我创建一个 Skill,用来做 [你的具体任务]。」
Claude 会采访你,提炼流程,输出一个结构化的 .md 文件。你存下来就能用。
一个下午,你可以搭好整个人的 Skill 体系。每个花 10 到 15 分钟。写作风格、竞品分析、会议纪要、邮件回复、报告生成、内容日历——加起来不到两小时。
这两小时的复利回报没有上限。
最后
三个框架,三句话:
三层进化论: 从 Prompt 到 Project 到 Skill,同一个 AI,三种完全不同的体验。你在哪一层?
交易 vs 复利: Prompt 是每天归零的交易。Skill 是每天增值的资产。你选哪个?
Thin Harness, Fat Skills: 不要把精力花在工具链上。把 90% 的注意力花在写好 Skill 上——那才是价值所在。
你建的每一个 Skill,都是对你 AI 系统的永久升级。它不退化,不遗忘,模型更新时自动变强。
Prompt 是口头指令。Skill 是 SOP 手册。一个每天归零,一个每天复利。
从今天开始:找到你重复超过三次的那个任务。花 10 分钟,写你的第一个 Skill。
然后你就再也不想回到只用 Prompt 的日子了。
