很多人第一次用 Claude Code，都会经历一个很像“AI 很强，但我很累”的阶段：你明明已经把一个流程带着它跑通了，可第二天重来，还是得从头提示、从头纠偏、从头盯着它走。流程是通了，但没有沉淀成资产。
AgentCrew Academy 这期视频讲的，正是怎么把这种“已经跑熟的例行工作”，从一次性对话，变成一个可以反复调用的 Skill。它的价值不在于又教了一个新功能，而在于把很多人对 AI 的使用方式，从“临时雇一个很聪明的实习生”，推进到“给团队写操作手册，让系统自己跑”。
这不是一支讲“怎么写 prompt”的视频。更准确地说，它在演示一件更重要的事：当你已经摸索出一条稳定工作流之后，下一步不是把提示词越写越长，而是把这套流程封装成 Claude 可以自己执行的工作手册。Skill 的本质，是把你反复讲给 AI 听的话，固化成一份结构化说明书。
真正稀缺的，不是一次跑通，而是下次不用再讲
视频开头就点出一个很现实的痛点：很多工作流第一次跑通之后，其实还远远没有“完成”。因为一旦换了对话、换了日期、换了上下文，用户又得重新指挥一遍。AI 没有真正接手工作，你只是反复担任现场监工。
这也是为什么我觉得这期内容值得看。它谈的不是“AI 会不会替代人”，而是一个更贴近日常协作的问题：你能不能把自己已经验证有效的做法，变成下次一键调用的执行资产？
Dustin 在片子里把 Skill 讲成一本手册，这个比喻非常准确。它不是神秘配置，不是面向开发者的抽象概念，也不是某种花哨的插件系统。Skill 更像一份给模型看的 SOP：
- 它要扮演什么角色
- 它要完成什么任务
- 它应该按照什么顺序执行
- 遇到不同情况时，应该去查哪些附加资料
- 最终输出应该长成什么样
一旦这些被写清楚，模型就不需要每次都由你口头带着走。你不再是“再次解释的人”，而是在建设一个以后可重复运行的系统。
这件事听起来朴素，但它其实对应了很多知识工作者真正该升级的地方：别只追求让 AI 当下给你一个答案，而是要把你自己的判断路径、选材标准、输出标准，一次次沉淀成可调用的流程。
视频里的示范，其实是在教“怎么把经验封装成系统”
这期视频没有走空泛路线，而是给了一个很具体的案例。Dustin 的背景是 GMAT 老师，他手里已经有大量教学内容、博客文章和自己的知识库。他想做的不是“让 AI 随便帮我写点东西”，而是去国外论坛里挑出值得回答的问题，结合自己的知识库生成草稿，再嵌入合适的博客链接，把高质量回复变成引流入口。
如果没有 Skill，这个流程会很碎，而且很耗精力。你要自己筛帖子、自己想怎么回、自己回忆哪篇旧文最适合贴进去、自己控制语气、自己检查 AI 味。每天做三四次，看起来每一步都不大，但合起来就是稳定的注意力消耗。
视频里最有意思的地方，不是 Claude 替他写回复，而是他先亲手带着 Claude 跑完一次完整流程，然后再在结尾说：把刚才这个 session 里的工作流，打包成一个 Skill。
这个动作特别关键。
很多人用 AI 时，习惯在一个对话里不断补丁式优化：这里再加一句，那里再修一下，直到结果看起来“差不多”。但一旦离开这个对话，前面的精细调教几乎全部蒸发。真正有复利的做法，是当你发现一条流程已经被你调到满意，就让系统把这套流程抽出来，封成一份可复用手册。
换句话说，Skill 不是从空白处凭空设计出来的，而是从一段已经验证过的协作过程里提炼出来的。这也是这支视频最重要的启发：先手把手跑通，再把对话沉淀为规范。
Skill 为什么比“长 prompt”更高级一点
如果只从表面看，很多人会觉得 Skill 不就是“比较长的提示词”吗？但视频给出的示范，其实已经说明两者差别很大。
提示词更像一次性交代，Skill 更像长期生效的操作约束。前者关注“这次请你这样做”，后者关注“以后遇到这类任务都按这个标准做”。
一个成熟的 Skill，不只是写几句指令，而是把下面这些东西一起封进去：
第一，是角色定位。模型不是胡乱生成内容，而是以某种明确身份完成任务，比如内容编辑、论坛回复助手、知识库检索员。
第二，是执行顺序。先做什么，后做什么，哪些条件成立时要调用什么工具，哪些情况不值得处理，这些都被写死在流程里。
第三，是判断标准。视频里提到一个很重要的细节：不仅要写“什么样的文章值得回复”，还要写“什么样的文章不值得回复”。这就不再只是输出模板，而是在传递筛选逻辑。
第四，是知识链接方式。主档可以只写流程，细节知识则拆成副档，需要时再按需读取。这个结构的好处是，不用把所有信息都塞在一段 prompt 里，而是把“流程”和“知识”分层管理。
第五，是输出质感。比如视频里后面又接上“去 AI 味”的 Skill，让生成结果变短、变自然、没那么像教科书式标准答案。这说明 Skill 不是单点功能，而是可以像工作站一样串起来协作。
也正因为如此，Skill 的核心价值并不是“节省几次打字”，而是让 AI 开始继承你的工作方法。你不是在训练它会不会一句话，而是在训练它以后做这类任务时，默认走哪条路。
这支视频最有判断力的一点：先协作，再自动化
我很认同视频背后的方法论，不是因为它强调自动化，而是因为它没有一上来就迷信自动化。
Dustin 展示的顺序，其实非常健康：
- 先和 Claude 协作，把流程一步一步走通；
- 在过程中不断修正，直到输出真的符合自己的要求；
- 确认闭环成立之后，再要求它把整段流程封装成 Skill；
- 最后用一个全新对话验证：只打一条斜线命令，能不能完整重跑。
这套顺序看似保守，实际上很务实。因为很多所谓“AI 自动化失败”，不是模型不够强，而是人类太早自动化了一个还没被定义清楚的流程。你自己都还说不清楚好结果长什么样，当然也不可能让系统稳定地产出好结果。
所以这期视频虽然在讲 Skill，真正传达的却是一种更成熟的 AI 使用观：自动化不是起点，稳定协作才是起点。 你得先知道你想要什么、你凭什么判断它做得好、你会在什么地方不满意。只有这些被反复校准过，Skill 才不是空壳。
这也是为什么片子里那个“先跑一次，再封装”的动作特别重要。它把“经验”变成了“规范”，又把“规范”变成了“可执行资产”。
对个人创作者和知识工作者来说，Skill 是一种资产化工具
如果把这件事放大一点看，Skill 的意义远不只是方便而已。
对内容创作者来说，很多重复劳动并不是机械劳动，而是“低重复、但高频出现”的脑力活。比如选题筛选、信息归纳、风格改写、知识库检索、链接匹配、草稿整理。这些事情每次略有不同，所以很难完全脚本化；但它们又有稳定的标准和次序，所以非常适合 Skill 化。
对顾问、老师、销售、研究员这类职业也是一样。你未必要让 AI 代替你做判断，但你完全可以让它继承你的准备流程、初稿流程、查找流程、跟进流程。这样一来，你的稀缺性就不再只是“我本人会做”，而是“我的方法能被复制执行”。
视频最后展示了 Dustin 自己项目里已有的很多 Skill：回答学生问题前先查知识库、面谈前整合学生背景、客户跟进前生成摘要，等等。看到这里，你会意识到 Skill 不是单一技巧，而更像一个逐渐长出来的个人操作系统。
这也让我想到一个经常被低估的事实：很多人觉得 AI 的价值在于更快地产生内容，但更长期的价值，可能在于把个人工作方式模块化。你做得越多，这些模块越多；模块越多，你越能把重复消耗从自己身上剥离出去。
这套方法最容易被误用的地方
当然，这支视频的方法不是没有边界。
我觉得最容易被误解的一点是：看完之后，有些人可能会立刻想“那我是不是该先写一堆 Skill？”但如果你还没有一条真正跑顺的工作流，Skill 只会把混乱封装起来。
换句话说，Skill 不能替代思考，也不能替代流程设计。它更像是对成熟流程的压缩与固化，而不是用来拯救一个本来就说不清楚的需求。
另一个边界是，Skill 很适合那些“判断标准已经相对稳定”的任务，但不适合完全开放、每天逻辑都重写一遍的探索型工作。后者依然需要大量即时判断，Skill 顶多帮你准备上下文、整理材料，而不可能提前把全部思路写进手册。
还有一点也值得提醒：Skill 的效果高度依赖你是否真的把“好结果标准”写清楚。视频里的示范之所以有效，是因为它不只是写“帮我回帖”，而是连不值得回复的帖子、知识库路径、语气要求、去 AI 味、链接选择逻辑都逐层补齐了。如果只是空泛地写一句“请帮我自动完成这个工作流”，大概率不会得到稳定结果。
所以 Skill 不是一个偷懒工具，反而更像一个逼你把方法论说清楚的工具。你写不清楚，说明你自己也还没把这件事真正理解透。
如果只能记住一句话：把你满意的协作过程，沉淀成下次可直接调用的手册
这期视频最值得保存的，不是某个命令，也不是某个功能界面，而是一种非常实用的迁移路径：
- 不要急着追求“全自动”；
- 先把一件具体工作和 AI 协作到你满意；
- 满意之后，不要停在这个对话里；
- 让它把这次协作抽成一份 Skill；
- 然后在新对话里验证，它能否真正独立重跑。
如果这个闭环跑通，AI 才算真的开始接手一部分工作。
我会把这支视频推荐给两类人。第一类是已经在用 Claude Code，但总觉得“每次都得重新教一遍”的人；第二类是有稳定知识工作流的个人创作者、顾问、教师或研究者。你不一定需要更强的模型，你可能只是需要开始把自己的做事方法写成系统。
从这个角度看，Skill 最迷人的地方，不是它让 AI 更聪明，而是它让你的经验第一次有机会脱离当下对话，变成能反复调用的结构化资产。
当你下一次发现某个流程已经被你调得很顺，不妨别再满足于“这次成功了”。更好的问题是：能不能让这次成功，成为以后默认的成功方式？