你有没有注意过？公司里那些最厉害的人，做事都有章法。
一个顶尖销售在打重要电话之前，会有一套清晰的准备逻辑：他会找到上次沟通的记录，确认真正的决策者，挖出那个没说出口的顾虑，还会追溯三周前某个人许下的承诺——那个承诺从来没出现在任何笔记里。
一个经验丰富的客服主管处理客户投诉时，看法和大多数人都不同。他不只看工单本身，还会捕捉语气、历史、账户价值、产品痛点，以及那些微妙的信号——那些暗示小问题即将演变成大麻烦的信号。
一个财务负责人看数字的方式也不一样。他知道哪些变动是实质性的，哪些只是噪音，还有哪些需要在董事会会议前讲出一个完整的故事。
这些工作，是大多数公司每天都在依赖的。但奇怪的是，这种工作方式很难被捕获、组织，更难被传承和学习。
人们把它叫做经验、判断力、品味，或者叫“公司内部知识”。但实际上，这些标签常常只是用一种体面的方式，为那些强化既有假设和偏好的决策提供辩护。
而现在，AI公司开始把它叫做技能（Skill）。
一、优秀的人都有章法，只是以前没人想过把它写下来
每个公司都有自己做事的方式，而且比他们意识到的要具体得多。
销售团队是怎么准备续约的。产品团队是怎么把客户反馈转化成优先级的。营销是怎么判断一个活动是否真的有效的。客服是什么时候决定把问题升级的。工程团队是怎么审查高风险变更的。财务是怎么理解业务里发生了什么变化的。
这些流程，有些写下来了。大部分散落在各种地方：文档、Slack聊天记录、模板、旧的PPT、入职培训录音里，还有那些在公司待得够久、知道怎么做事的资深员工脑子里。
这种知识通常被视为“背景信息”，但它即将变成一种基础设施。
原因很简单：Agent只有在理解了任务背后的方法时，才能真正派上用场。
二、接入数据很容易，但接入数据不等于做好工作
用AI的时候，大多数公司的第一步往往是接入数据。
把Agent连到CRM。配置Slack集成。开放Google Drive权限。接上GitHub。连上数据仓库。
这些都重要。一个没有数据访问权限的Agent，基本就是在猜。
但问题是，接入数据并不能产生好的工作成果。
一个Agent可以读完所有销售记录，却仍然抓不住一笔交易的全貌。它可以搜遍所有客服工单，却仍然识别不出那个需要立即关注的客户。一个模型可以打开所有产品文档，却仍然写出一份听起来没问题、但漏掉了真正决策点的PRD。
真正的挑战是：帮助Agent理解你们公司是怎么做这件事的，而不是简单地给Agent提供更多信息。
这就是技能（Skill）的价值所在。
三、什么是Skill？它不是提示词，它是工作方式的封装
技能（Skill）不仅仅是提示词。
提示词告诉Agent在某个特定时刻做什么。技能则捕获一种可重复的工作方式。
这意味着Agent在遇到这类任务时，可以应用相同的方法。
一个技能可以包含：指令、示例、模板、检查清单、脚本、参考资料，以及经验法则。技术形态可以多种多样。Anthropic的版本使用一个简单的文件夹，里面放一个SKILL.md文件，外加可选的支持文件。其他的系统会用各自的格式。
技能是对流程的封装。
它记录了一个人遵循的步骤，以及他们应用的判断。它还记录了他们警惕的边缘情况，以及他们期望的质量标准。
比如，销售准备电话的技能，可能涵盖：如何阅读账户历史、应该暴露哪些风险、如何组织开放性问题、一份有用的简报长什么样。
比如，事故复盘的技能，可能涵盖：如何重建时间线、如何区分原因和症状、如何写出不带指责的复盘文档、如何把学习转化为行动。
比如，董事会材料准备的技能，可能涵盖：哪些指标重要、如何解释变动、附录应该放什么、故事通常在哪里出问题。
技能，就是把方法变成可复用的东西。
四、数据和连接器提供上下文，技能提供判断力
AI系统的第一个挑战是接入。
模型需要一种方式，来访问信息和系统——也就是工作真正发生的地方。这催生了连接器、MCP、API和数据集成，可以把文档、数据库、应用程序和业务记录暴露给AI。
这是必要的一步。但光有接入是不够的。
一个连接器可以暴露Salesforce。它没法教Agent你们团队是怎么做预测评审的。
Google Drive可能也接上了，但这不能告诉Agent哪份旧的董事会材料值得参考，哪份应该被忽略。
API可以返回客服工单，但它没法解释你们那个最有效的客服经理是怎么判断哪些问题真正紧急的。
这就是技能发挥作用的地方：
数据和连接器提供上下文。技能提供判断力、流程和可重复的工作方式。
如果我们回顾一下软件发展的历史，会发现一个清晰的脉络：
- Unix命令让有用的操作变得可复用。
- Shell脚本让操作序列变得可复用。
- 代码库让代码变得可复用。
- API让服务变得可复用。
- 工作流让业务流程变得可复用。
- 技能让判断力变得可复用。
这是值得注意的部分。
AI并没有发明封装专业知识的需求。软件一直朝这个方向发展。改变的是执行者。
几十年来，人类必须阅读剧本然后自己应用。现在，Agent可以加载剧本、使用工具、检查文件、运行脚本，然后继续执行。
剧本可以被激活了。
这改变了“记录工作怎么做”的价值。
五、技能库将成为公司最重要的资产
想象两家公司使用了同一个前沿模型。
一家把模型接入自己的系统。
另一家把模型接入自己的系统，还给了它一个技能库——来自公司最佳实践的技能库。
第二家公司拥有的是不同的资产。
它的Agent知道公司是怎么准备销售电话的，怎么审合同，怎么写发布简报，怎么调查bug，怎么处理升级，怎么总结研究，怎么解释财务表现的。
不是完美的，不是神奇的。
但足够一致，已经能产生实际影响。
每个技能都是一点小小的运营杠杆。
一个好的技能，防止同一个错误被纠正两次。
一个更好的技能，抬高所有使用它的人的下限。
一个出色的技能，捕获了那些以前需要好几年才能积累起来的判断力。
这就是为什么技能库本质上是公司的操作手册——而且是Agent真正能用的那种。
六、最有价值的技能将是私有的
会有公开的技能市场。
有些会有用。但大多数是通用模板。
最有价值的技能会存在于公司内部，因为最有价值的方法本身就是特定的。
你们的客户升级处理流程、销售资格判断的视角、产品评审的标准。
你们董事会更新用的格式，你们依赖的法律兜底策略，定义你们品牌的声音。
甚至你们是怎么决定“什么是重要的”。
那是竞争对手下载不到的知识。
一个通用Agent可能带着广泛的销售、客服、财务、产品和工程知识来到你们公司。
让它在你们公司真正有用的，是学习你们的团队随着时间积累的特定流程、决策和学习。
七、从工作开始，而不是从平台开始
这就是为什么每个公司的第一个AI战略应该是技能库。
在选择平台之前，先映射重复性的工作。
找到那些经验丰富的员工始终优于其他人的工作流程。
寻找那些涉及判断力，而不仅仅是努力的任务。
销售电话、客户研究、客服升级、PRD、事故复盘、合同、预测、发布、竞品分析、发布说明——这些都不是“工作本身”，它们是围绕工作的一切。
然后问：团队里最优秀的人是怎么做的，有什么不同？其他人容易忽略什么？
什么东西最先引起他们的注意？
什么东西容易被忽视？
什么例子塑造了他们的方法？
什么问题反复出现？
他们在努力避免什么错误？
他们怎么定义成功？
这就是原材料。把它变成技能，投入实践，持续改进，让负责人保持对工作的接触。
一个公司需要几个能让重要工作变得更一致的技能。
技能库可以从这里成长起来。
八、真正的AI战略
公司要想从Agent身上获得最大收益，需要停止把AI视为撒在业务上的通用智能薄层，而是深深地嵌入到能推动真实结果的workflow中。
做点更实际的事：
教Agent业务实际上是怎么运作的。
把重复的判断变成可复用的系统。
让顶尖员工的方法更容易应用、更容易改进、更难丢失。
这是转变所在。
一家公司的AI优势将来自于它教模型做好什么工作，而不是来自于它选择了什么模型。
每个公司都有自己做事的方式。
大多数是无形的。
技能让它变得可见。
技能库让它变得可复用。
你的公司已经有技能了。
它们坐在旧文档里、Slack聊天里、客户电话里、评审会议里、入职笔记里，还有那些知道工作真正怎么做的人的脑子里。
第一步，是把它们挖出来，系统地整理成Skill仓库。
这才是大多数公司在AI时代真正应该做的事。