是时候停止只装不改了：真正好用的技能是改出来的

Builder.io Blog 2026-10-22T03:37:16.404193

装一个技能只要一条命令，但如果不持续修改，它就会永远停在你写下它的那一天。作者用自己的写作和绘图技能举例：技能“变差”，往往是因为你的标准变高了。把每次手工修改的差异写回技能，再用同一个输入重跑验证，才是让技能跟上你的方法。

装好的技能会停在原地

安装一个技能只要一条命令。智能体学会一个新把戏，你继续忙自己的事。我经常安装别人的技能，也写过不少 Builder 的技能。但一个技能装完之后再也不改，它本质上还是别人的品味，定格在别人写下的那一天。真正让我工作更出色的，是我反复重写的那些技能。

如果你还没用过技能，可以把它理解成一个指令文件夹，通常就是一个 Markdown 文件，智能体在任务需要时加载它。

技能没变，是标尺动了

前段时间我写了一个技能，帮我起草 Builder 的文章。它负责研究、粗稿、图表、主图创意和发布步骤，之后我再手工改写。第一次运行效果不错，我编辑了草稿就发了出去，感觉它省了很多杂活。第二周我又运行了一次，读完结果心里想：这不够好，技能肯定是坏了。

技能没变，是我变了。

它就是这样显得“变差”的——因为它原地不动。一周的写作、编辑和反馈改变了我的标准，而技能还停留在我离开它的地方。我当初是为自动化而建的，而自动化默认目标是静止的；可我的目标每学到一点新东西，就往前挪一点。所以现在只要一个技能开始显得糟糕，我就把它当成关于自己的信号：我进步了，技能还没跟上。

问题不在线条，在于重点不突出

我有一个图表技能，用代码画图，针对不同发布渠道设置不同风格。Builder 风格用 Excalidraw（一款开源白板工具，有手绘外观）出图。我对这些图很满意，直到拿给 Apoorva 看。她是 Builder 的品牌和创意设计师，为本博客画过很多主图。她说，对一个聪明的 AI 来说，这些线条太“波浪”了，建议收敛一点、加粗一些，并多用 Tabler（一个开源图标集）里的图标。

那一刻我的技能就不够用了——这是好事，说明我刚学到三件关于画图的事，而且三件都具体到能写下来。

于是我把三样东西都塞进了技能。Tabler 图标很快加进去，线条则花了更久。我试了三个方向，想让线条更稳、更粗，可每一个都让图显得笨重。几版摆在一起看，我发现真正的问题比线条本身更细：图里要讲的主角——那个 agent——不够突出。所以现在这个技能会把封面的主角画得比周围一切都重，其他线条一律不动。

接着我用同样的输入重跑了同一张图。在有人用受过训练的眼光点出来之前，我一直没意识到自己的 agent 画得多么没底气。现在我会主动去找这个问题。我也答应 Apoorva，下一张图再拿给她批一次。

把我们新学到的东西写进技能，就是我们不断提高标准的方式——即便别人都已经有了 AI 超能力。

手工修改是最有价值的部分

我已经很少纯手工做东西了。agent 打草稿，我来把控方向。但 agent 到了极限时，我还是会跳进去改几句话、微调几条线。这些修改是我产出里最有价值的部分，因为每一处都标记着一个决定，而那个决定是技能当时还做不了的。

关于你自己的修改，我建议这样做：

  1. 动手之前先保存输出；
  2. 手工改一遍，把结果也保存下来；
  3. 现在你手上有同一个输入的“改前”和“改后”。问问自己：你的修改里，有哪些是技能不知道的？让 agent 对比两个版本，用大白话说出差别，再把它加进技能；
  4. 用原始输入重跑这个技能。如果新输出接近你手改的版本，说明技能学会了；如果不像，这条规则还是太模糊。

然后就反复这么来。少了第四步，你只是在收集意见——谁都能往技能里写一句“让它更有冲击力”。只有用同一个输入重跑，才能告诉你技能是否学到了你做的那件具体的事。

每次重跑也是一个检查点，记录着你那天的品味到了哪儿。技能如果放在 Git 里，每个旧版本都还在，你可以拿同一个输入跑上个月和今天的版本，再作比较。这种比较可以让 agent 替你跑，但选哪个赢家得你自己定，因为追踪的是你的品味。我讨厌从头再来，这样做就不用。

这类“技能即资产”的做法，在当下的 AI 编程和氛围编程（vibe coding）里越来越常见：代码可以自动生成，但判断标准得由人一条条写进工具里，否则每次都得靠你自己兜底。

在写作这件事上，我所有操作都在 Agent-Native Content 里完成，因为我想确切看到 agent 对文字做了什么。它免费开源，我每天都在用，边写边学，也顺带提升工程能力。每份草稿，我决定是让 agent 留评论、提修改建议（我逐条接受或拒绝），还是直接改；我自己的手动修改也做成建议，这样 agent 能读到每次改动的前后对比。

我们发那篇“小模型也能完成 agent 循环”的文章时，agent 起草了 X 帖子，我批准了。结果发之前，我还是重写了：开头的问句“你是不是在用最贵的模型干便宜模型就能干的活？”改成了一句断言：“更便宜的 AI 模型能做的远超你想象，你可能在为 token 多付钱。”“OpenAI 的某个小模型”改成“GPT Luna”，“按我们粗略估算”删掉，价格单独一行。

agent 的笔记里说，问句适合开场。我的修改补了三条它还不知道的事：直白的断言也行；点名模型比描述它更好；一个数字最多配一个限定词。这三条现在都写进了 agent 写发布文案前会读的笔记里。

关键要点

技能的价值不在于装完即用，而在于拆解消化、提炼成可迁移的决策规则。作者认为，持续打磨自己的技能库，是开发者面对模型不断迭代时唯一能持续积累的优势。

别把「每次都这样做」写进技能

如果把「用直白断言开场」写成一条技能，那么之后每条发布帖都会以直白断言开头。Agent 会字面理解带名字的例子。一个把所有经验都塞进去的技能会越来越长，长到 agent 只能碰巧注意到其中某条规则、碰巧用上。

所以作者尽量不教 agent「每次都这样做」，而是教它自己该怎么做决策。以他的图表技能为例：技能学会了先找出封面真正要讲的那一件事，然后把视觉分量给它。主文件放每张图共用的决策，每个发布平台各有自己的样式文件，agent 只读当前需要的那份。这样就能持续添加新学到的东西，又不会把每次对话都撑大。

技能库帮你看清自己的品味

坚持这么做，你会逐渐弄明白自己的品味到底是什么，并且能用机器跟得上的精确语言把它说出来。

很长一段时间里，AI 生成的烂代码只是一种感觉——你知道它不对劲，但说不清问题在哪。直到作者写完那篇讲如何清理 AI 生成代码库的文章，才终于能准确描述问题所在。最近他通读 Agent-Native 代码库里的测试，发现有一类测试反复出现：把源文件当纯文本打开，检查里面有没有某个字符串。这种测试在功能已经坏掉时照样通过，却在有人改变量名时失败。他最近提交的 PR 里，42 个文件中共有 186 个这样的测试。

「草率的测试」只是一种感觉，而「测试不得把源文件当文本读取」是一条机器能检查的规则。在代码层面，我们能做得比技能更好：可以给自己的观点做 lint。现在有一道守卫，任何新增这类测试的分支都会直接失败，agent 不能再写这种测试，人也一样。作者并不打算回到全靠手工做一切。用 AI 把事情做得更好，是新的「手工制作」，而一个你不断打磨的技能库，就是你的手工痕迹所在。

唯一会持续学习的「模型」是你

我们现在有机会比以往学到更多。安全研究员 Daniel Miessler 创建了开源 AI 框架 Fabric，他最近观察到：「我对端到端开发流程、基础设施，以及无数其他技术话题的了解，比 AI 出现之前多得多。」他编辑的代码比以前少得多，但做的设计决策多得多，而每一个决策都让他接触到更多技术。

我们的 agent 没有这个机会。每次新对话都从同一个检查点开始，一直停在那里，直到新模型发布。新模型一出现，就像一个陌生人。如果我们学到的东西只留在自己脑子里，agent 永远无法受益。技能就是它追赶的方式。

正因如此，新模型发布是审计技能的好时机。你不必在发布当天就切换——开源模型的弃用更慢，这是一大好处。准备好之后，把同样的输入分别用两个模型跑一遍你的技能，看看你更喜欢哪个输出。或者问新模型它更喜欢哪个、为什么，看看你是否同意。也可以问它，你的技能哪里还不够。

这很容易让人觉得，自己只是一个会耍提示词的工具人。但我们是这个回路里唯一能在对话中途改变的东西，而且我们每个人都有一项模型没有的优势：我们选择深耕的那个细分领域。现在技能有了开放标准，我们就能把这份优势分享出去。把辛苦得来的知识白白送人，听起来像是倒退，但开源一直都是这么运作的。只要你还在持续学习，谁拿着你旧的检查点其实无所谓——你早已走过了它们。

安装之后，消化它

那 X 上那些很酷的技能怎么办？作者还是会装。他只是不会停在「装」这一步。

Builder 维护着一个公开的技能仓库，里面的技能包括：对比几份相互竞争的方案、在瞎猜之前先查文档、用可视化的方式回顾一个 diff、把一个技能变成可以点开看的小应用。

装上它们，然后拿真实工作来用：

npx @agent-native/skills@latest add

然后读一读它们。每一个都是别人留下的检查点，是他们在自己一轮轮修改之后得出的决定。当你发现自己正在修改某个技能给你的结果时，你就找到了他们的品味和你的品味分道扬镳的地方。那就用起来：把输出和你的修改一起存下来，就像处理你自己的技能那样。问问自己，你的修改知道哪些他们的指令不知道的东西。用你自己的话、在你自己的库里重写这个技能。在你工作上站得住脚的留下，站不住脚的删掉。

这就是消化一个技能。你把它吃进去，拆解开来，留下你的工作用得上的部分。

技能替不了你的「注意到」

AI 全是大脑，没有身体。没有直觉。一旦有人把一条规则写下来，它就会每次都照着这条规则去处理线条粗细、去处理测试文件。它没法看着一张图就感觉出「这条线对一个聪明的 AI 来说太歪了」。

关键要点

查看原文