| 概念 | 一句话解释 |
|---|---|
| 执行规则 | 规矩定过一次、后面每次照做的确定性操作，天然适合写成脚本 |
| 做判断 | 没有固定答案、每次得看情况的操作，必须交给模型 |
| 调外援 | 智能体自己没有的工具或数据，通过工具 / MCP 连接外部获得 |
| 高频 + 可复用 | 值得做成技能的门槛：一次性的任务别做，投入产出不划算 |
| 工具 vs 技能 | 工具给「能力」（能做某事），技能给「经验」（怎么把事做好） |
| 安全三件套 | 高风险动作必须过授权、确认、审查三道闸，另配红线清单 |
这一章底层是一个「先拆解、后分工」的心智模型：不要把任务当成一团整体扔给 AI，而是先用三类操作把它切开，切开之后每一块该归谁一目了然——规则归脚本，判断归模型，外援归工具。作者用做菜打比方：「盐 3 克、油 1 勺」是菜谱里的规则，照做即可；按当天食材决定怎么烹，是厨师的判断；去菜市场特定摊位拿货，是外援。拆得越清，后面越省力，这句话是整章的题眼。
判断、生成交给模型；确定性、可重复的活交给脚本——别全交给模型。
另一个隐含的心智模型是克制：技能是固化经验的容器，而固化本身有成本。所以先问高频吗、可复用吗、值得固化吗，答不上来就先手动跑，跑顺了再谈固化——这既是最稳的起步方式，也是防止「什么都想做成技能」的刹车。
执行规则：标题格式、图表配色、数据保留两位小数、结论段先写核心发现再写建议——这些规矩定一次，后面照做，就像菜谱里的「盐 3 克、油 1 勺」。
做判断：从销售数据里发现哪些趋势值得关注、结论怎么写、重点放哪——每次都要看数据具体分析，就像厨师按当天食材定烹饪方式。
调外援：原始数据在公司数据库里，需要连上去、知道查哪张表、字段是什么含义、用什么接口拉数据——就像去菜市场特定摊位拿货。
拆完之后分工自然清晰：规则写脚本、判断给模型、外援接工具。一份看起来混沌的「出报告」任务，就这样变成了三块边界分明的活。
将出数据分析报告展开看。有些环节需要"执行规则"。标题格式、图表配色、数据精度保留两位小数、结论段必须先写核心发现再写建议。这些标准一旦定下，后面每次都差不多，即使有时候要"看情况"，一般也只是微调。这就像菜谱里写的"盐 3 克、酱油 1 勺"，每次照做就行。有些环节需要"做判断"。从销售数据里发现哪些趋势值得关注，结论怎么写，重点放在哪里……这些没有固定答案，需要根据每次的数据来具体分析。就像厨师得根据当天食材的状态，判断用什么烹饪方式最合适。有些环节需要"调外援"。假设原始数据不在本地，在公司数据库里，智能体就需要通过某种方式连上去，还得知道该查哪张表、字段名是什么意思、通过什么接口把数据拉回来。这就像厨师去外面的菜市场买食材，还得知道去哪个摊位、找哪个老板拿货。拆开来看，你想交给技能完成的每个任务，本质上都是由这三类操作组成的，区别只是比例不同。
问题一：这件事你会反复做吗？只做一次的事，用提示词就够了。如果你发现自己在不同对话中反复输入同样的指令，就该考虑把做这件事的流程固化成技能。问题二：你对结果的一致性有要求吗？对于头脑风暴、创意写作，你甚至希望 AI 每次回复不同的答案，这类任务不需要技能。但周报格式必须统一、术语必须前后一致、代码审查必须覆盖同一套检查项，这类任务如果没有技能，输出质量就像抽卡。问题三：流程是否已经基本稳定？对于某件事，如果你自己还在摸索怎么做，就别急着写技能。过早固化意味着你可能把错误的流程锁进 SKILL.md，之后每次调用技能都会重复同样的错误。等你做了好几遍，知道哪些步骤固定、哪里容易翻车之后，再动笔不迟。
模型擅长理解和生成：分析销售数据里哪些趋势值得关注、根据数据写结论、从一堆信息里发现异常，这些没有固定答案的活儿，模型干起来又快又好。就像厨师看一眼食材就知道今天做什么菜，这种临场判断是人（模型）的强项。但模型是基于概率预测来工作的，做规则固定的事偶尔会出错。金额保留两位小数、日期格式统一用 YYYY-MM-DD、百分比变化超过 10% 的标红，这些没有"看情况"的余地，规则是死的，执行要 100% 准确。这恰恰不是模型擅长的领域——它的强项在于理解和生成，执行固定规则反倒是模型的短板。这类规则清晰、要求确定性的活儿很适合交给脚本（代码）。技能文件夹里可以放一个 scripts/ 目录，里面放脚本。智能体执行技能时，遇到规则明确的操作就调用脚本来处理。