你不必刻意發明 Skill：把一次成功的 AI 協作，變成可重複的工作經驗

每天都有值得被留下的方法

我們每天都會用 AI 處理一些工作。有人拿它整理會議紀錄，有人請它檢查程式碼，也有人用它準備簡報。

大部分的對話完成之後，就留在對話紀錄裡。下一次碰到類似問題，我們重新描述一次需求，AI 重新理解一次，我們也重新提醒一次哪些地方容易出錯。

但有些對話不太一樣。

你原本一直想解決一件事，可能試過幾次都不滿意；直到某一次，你和 AI 來回討論、調整方法，最後真的得到一個可以使用的結果。

這時候，真正有價值的已經不只是那次產出，而是你們一起找到了一個有效的方法。

這個方法如果只留在那串對話裡，它仍然只是一次性的成功。但如果我們能把其中的判斷、步驟、素材與檢查方式整理出來，它就有機會成為一個 Skill。

presentation-flow-writer 並不是先有 Skill，才有流程

上一篇文章談到，我在準備簡報時，沒有直接叫 AI 產生投影片，而是先和 AI 一起整理「簡報流程檔」。

這份文件會先定義整場分享的主軸、段落節奏、畫面原則與禁區，再把每一頁拆成目的、核心訊息、畫面安排、講者重點與可引用素材。等這些敘事決策完成之後，才把流程檔交給簡報生成代理。

結果是，原本很容易重工的簡報生成，變成一套可以逐頁執行、檢查與修正的流程。

但這件事一開始並不是為了「做一個 Skill」。我只是碰到一個很想解決的問題：為什麼 AI 產生的簡報看起來每頁都合理，整體卻常常不是我真正想講的內容？

先有一個真實的問題，再有一次有效的解法；Skill 是後來才出現的結果。

當這套方法證明有效之後，我們才回頭把經驗整理成 presentation-flow-writer。它保留的不是那一份簡報內容，而是讓不同主題都能重新走一次的協作流程。

成功的對話，真正該留下的是判斷

把對話轉成 Skill，不代表把整串對話原封不動貼進一個檔案。

對話裡通常混著很多只適用於當下的內容，例如這次簡報的主題、公司名稱、頁數、圖片或臨時修改。如果全部保留下來，Skill 很容易只會重演那一次成功，換一個情境就失去作用。

真正值得抽取的，是那些讓結果變好的判斷：

• 什麼情況下應該使用這套方法？
• 開始之前，哪些資訊一定要先確認？
• AI 應該依照什麼順序提問與執行？
• 哪些原則可以交給 AI 判斷，哪些邊界必須明確寫下來？
• 有哪些參考範例或範本可以在需要時載入？
• 完成後，要用什麼標準確認結果真的可用？

以 presentation-flow-writer 為例，真正被留下來的不是某場分享的 24 頁內容，而是「先確認核心敘事，再分配節奏，接著逐頁填寫五個要素，最後檢查案例是否包含風險與驗證」這些可重複的決策。

換句話說，Skill 不是保存答案，而是保存產生好答案的方法。

從一次工作經驗，整理成 Skill 的五個步驟

1. 先找到那個你真的想解決的問題

不需要先替自己設定「今天要做一個 Skill」。先回到工作本身：哪一件事你反覆遇到、一直覺得麻煩，而且已經開始形成自己的想法？

它可能是整理需求、準備簡報、檢查測試、撰寫文件，也可能只是每週都會做一次的例行工作。只要問題具體，而且你在意結果品質，就值得和 AI 一起嘗試。

2. 保留那次成功的過程，而不只保留成品

成品只能告訴你最後長什麼樣子，過程才會告訴你為什麼成功。把當時提供的素材、AI 問過的重要問題、你做過的取捨、失敗後的修正，以及最後怎麼驗證結果，一起留下來。

這些紀錄不必整理得很漂亮。它們的作用是成為後續分析的證據。

3. 請 AI 回頭分析：這次為什麼有效？

你可以把成功對話與產出交給 AI，請它找出其中反覆出現的決策、必要輸入、執行順序、例外情境與驗收條件。

這一步很重要，因為人往往只記得「最後做出來了」，卻不一定能清楚說出過程中哪些動作真正改變了結果。AI 很適合協助比較前後差異，將隱性的工作經驗說清楚。

4. 把經驗拆成可以執行的結構

一個實用的 Skill，至少要能回答幾件事：何時啟用、扮演什麼角色、要依什麼順序協作、需要讀取哪些參考資料，以及完成前必須檢查什麼。

不必把所有內容都塞進主要指示。範例、範本與較長的背景資料可以獨立放在參考文件裡，需要時再載入。這樣 Skill 的核心會比較清楚，也比較不容易被一次性的細節淹沒。

5. 換一個情境重新跑一次

第一次成功只能證明那次對話有效，還不能證明 Skill 已經可重複使用。最簡單的驗證方式，是換一個題目、換一批素材，甚至換一個人使用，看看它是否仍然能引導出合理結果。

如果 AI 在某一步開始猜，就補上必要資訊；如果規則限制了合理判斷，就把規則改成原則；如果結果看似完成卻不能使用，就把真正的驗收方式寫進品質檢查。Skill 會在這些反覆測試中逐漸成熟。

哪些內容該進 Skill，哪些只屬於那一次任務？

整理時可以用一個很簡單的判斷方式：這段資訊換一個題目之後，還有沒有幫助？

如果答案是「有」，它可能屬於 Skill 的核心。例如先確認聽眾的思維轉變、案例不能只秀成果、交付前必須逐頁核對素材來源。

如果答案是「沒有」，它通常應該留在這次任務的素材裡。例如某場簡報的主題、頁數、公司內部檔名，或只發生過一次的特殊限制。

好的 Skill 不會替每一次任務預先決定答案，而是讓 AI 在正確的邊界內做判斷。

這也是為什麼 Skill 不是越長越好。規則太多，可能把過去某次成功的偶然細節也固定下來；內容太少，又可能只剩下一句抽象口號。真正要留下的，是足以重現品質的最小經驗。

如果有 100 次成功對話，難道要有 100 個 Skill？

很多人聽到這裡可能會擔心：一次成功對話可以變成一個 Skill，那累積 100 次成功對話之後，管理上不就會變得很複雜？

其實不一定。100 次成功對話比較像 100 份原始經驗，不代表最後一定要保留 100 個 Skill。

你可以請 AI 協助做第二層整理：

• 先依照問題類型分群，找出其實在處理同一件事的對話。
• 比較各次成功經驗，抽出共同步驟與穩定原則。
• 把只有特定情境才需要的做法，拆成參考文件或可選分支。
• 合併重複 Skill，淘汰已經被更好方法取代的版本。
• 重新測試濃縮後的 Skill，確認精簡沒有刪掉關鍵判斷。

最後留下來的，可能不是 100 個零散 Skill，而是幾個穩定的核心流程，加上一組依情境載入的參考資料。

就像團隊會把許多專案經驗整理成開發規範、檢查清單與設計原則一樣，AI 也能協助我們從大量對話中找出共同模式。只是最後不能只看 AI 濃縮得漂不漂亮，仍然要回到實際任務驗證。

Skill 不是寫完就完成，它也需要持續驗證

把經驗寫成 Skill 之後，最容易出現的錯覺是：只要結構完整、條列清楚，它就已經可以使用。

但 Skill 的價值不在文件看起來多完整，而在它能不能讓下一次工作更穩定。

每次使用之後，都可以回頭看三件事：

• 這次還有哪些地方需要人反覆提醒？
• 哪些規則其實沒有幫助，甚至干擾了 AI 的判斷？
• 哪一個檢查真正攔下了原本可能出錯的結果？

這些新的使用經驗，會再成為下一輪調整 Skill 的素材。於是 Skill 不只是保存過去，而是一份會隨著工作持續變好的經驗載體。

從今天最想解決的事情開始

很多人看到別人做出一個完整 Skill，可能會覺得自己也需要先想出一套厲害的方法，才有資格開始。

其實順序正好相反。

你不需要刻意尋找一個適合做成 Skill 的題目。下一次碰到那件你一直很想解決、而且已經有一些想法的事情時，就和 AI 一起把它做完。

如果那次結果真的有效，不要只留下成品。再多問一步：

這次成功裡，有哪些做法值得讓下一次直接沿用？

一次成功的對話，是一份經驗。把經驗裡可重複的判斷整理出來，它就可能成為 Skill；而當更多經驗累積起來，再請 AI 幫忙比較、濃縮與驗證，我們留下的就不只是 100 段對話，而是一套越來越精華的工作方法。

AI 的價值不只在替我們完成眼前的工作。它也能幫助我們看懂自己是怎麼把事情做好的，並讓那次成功不必只發生一次。