文章作者：KK.aWSB，CarbonSilicon AI 联创

文章来源：律动

用 AI 的人分两种人：一种每天打开 Claude，输入一大段背景描述，得到回答，关掉页面。第二天再来，重新输入同样的描述。30 天后，他的效率跟第一天一模一样。

另一种同样用 Claude，但 30 天后，他的 AI 已经变成了一个完全不同的东西——自动用他的语气写作，自动按他的格式输出，自动调用他教过的方法论。而且他每天花在「指导 AI」上的时间反而越来越少。

同一个工具，同一个模型，同一个价格。差距是怎么产生的？

不是技巧的差距。是认知框架的差距。

今天分享三个框架。理解它们，你对 AI 的使用方式会发生根本性的改变。

框架一：三层进化论——你在哪一层？

用 AI 有三个层级。绝大部分人永远停在第一层。

第一层：Prompt

Prompt 就是你在对话框里临时输入的指令。「你是一个资深文案」「用简洁的风格」「给我三个方案」。

它在当下有效。会话关闭就消失。

这就像每天早上跟一个失忆的天才解释你是谁。它确实很聪明，但明天它又不认识你了。你的语气偏好、品牌规范、输出格式、行业术语——全部归零，全部要重新解释。

30 天下来是什么样的？第 1 天写了个好 Prompt，得到好结果。第 15 天你已经重复输入了大致相同的上下文 15 次。第 30 天你的生产力跟第 1 天一模一样。零积累。

而且在疲倦的那天你会漏掉细节，输出质量下降。在忙碌的那天你干脆跳过上下文，Claude 给你一个泛泛的通用版本。

你自己就是瓶颈。每一次对话都是。

第二层：Project

你在 Project 里上传了参考文档、风格说明、系统指令。这个 Project 里的每次对话都知道你的上下文。

这就像给新员工一份入职手册。比天天口头交代强多了。

但还有一个问题：你得记得打开正确的 Project。你的知识被锁在特定的 Project 里，换一个场景又得从头来。

第三层：Skill

Skill 是一个结构化的文件——你写一次、装一次，之后 Claude 自动在识别到相关任务时触发。

不需要你打开特定的 Project。不需要你输入任何提示词。Claude 就是知道该怎么做。

这就像培训一个员工，培训一次，永远生效。

三个层级用的是同一个 Claude。但第一层是聊天工具，第三层是工作系统。

那么，理解了这个分层之后，怎么从第一层跳到第三层？这就需要第二个框架。

框架二：交易思维 vs 复利思维

这是三个框架中最重要的一个。它不是一个工具使用技巧，而是一个认知模型。

Prompt 是交易。 你投入时间写一段指令，得到一次产出。下次再投入，再得到一次。投入和产出是 1:1 的线性关系。你停止投入，产出立刻归零。

Skill 是复利。 你第一天投入 10 分钟写一个 Skill，第二天它已经在起作用了。第 15 天你累积了 3 个 Skill，每个都在之前的基础上叠加。第 30 天你的 Claude 跟所有人的都不一样。

搭建成本是第一周分散投入的一小时。回报是此后每一次对话都在更高的基线上运行。

第一周的工作，在第六个月还在产生回报。这就是复利。

交易思维的人每天问：「今天怎么用 AI 做好这件事？」

复利思维的人问的是：「我怎么让 AI 永远知道该怎么做这件事？」

一字之差。但如果你用复利思维去使用 AI，30 天后你会发现一件神奇的事：你花在「教 AI」上的时间越来越少，AI 帮你完成的工作越来越多。因为你之前教过的每一个 Skill 都在持续生效。

这就引出了一个实操问题：Skill 到底该怎么写？该把什么放进去、什么不放？这就是第三个框架。

框架三：Thin Harness, Fat Skills——把 90% 的精力花在对的地方

这个框架来自 YC 掌门人 Garry Tan，他把它提炼成了一个极其精炼的架构原则：薄 Harness，厚 Skills。

什么意思？

你在用 AI 工作时，实际上在搭建一个三层系统——不管你有没有意识到：

最上层：Skills。 你教给 AI 的操作手册——流程、判断标准、领域知识。这是价值的 90% 所在。

中间层：Harness。 运行 AI 的那个程序或环境——调用模型、管理上下文、读写文件。保持极薄。

最底层：确定性工具。 数据库查询、代码编译、数学计算——输入一样、输出一样、每次都一样的操作。

原则是：把智能推到 Skills 里。把执行推到确定性工具里。中间的 Harness 越薄越好。

反模式是什么？厚 Harness、薄 Skills。 你见过那种情况：花了大量时间调试工具链、配置各种插件、优化 API 调用，但真正教给 AI「怎么做好这件事」的内容——一个字都没写。

结果就是：工具链很漂亮，但 AI 产出的质量跟裸聊没有本质区别。因为你优化了管道，但管道里流的还是自来水。

模型的智能已经足够了。它失败不是因为不够聪明，而是因为不理解你的具体情况——你的规范、你的惯例、你的问题的特殊形状。Skill 解决的就是这个问题。

这个框架的另一个重要推论是：当下一个更强的模型发布时，你所有的 Skill 都会自动变得更好。

因为 Skill 定义的是流程和标准，底层判断力的提升会让这些流程执行得更精准。你不需要重写任何东西。模型升级对你来说不是「又要重新学」，而是「我的系统免费升级了」。

Skill 是永久资产。

三个框架怎么串起来用

第一步：用三层进化论定位自己。

你现在在哪一层？如果你每次对话都在重新输入上下文——你在第一层。如果你在用 Project 但没有 Skill——你在第二层。知道自己在哪，才知道该往哪走。

第二步：用复利思维找到你的 Skill 候选清单。

回想过去一个月跟 AI 的对话。哪些指令你重复说过？哪些上下文你反复解释过？哪些格式要求你每次都得提醒？哪些流程你一步步手动引导过？

如果你重复超过三次，那就是一个 Skill 在等着被创建。

还有一条更激进的原则：如果你让 AI 做了一件事，而且这件事将来还会再做——第一次就应该变成 Skill。手动做第一次，看看输出，满意就立刻编码成 Skill 文件。

检验标准：如果你需要第二次要求同样的事，说明系统失败了。

第三步：用 Thin Harness, Fat Skills 决定该把精力花在哪。

不要花三天调试工具链然后用裸 Prompt 跑任务。反过来——花三天写好你的核心 Skill，工具链用最简单的就行。

一个 Skill 到底长什么样？极其简单，就是一个文本文件：

名字——叫什么。描述——干什么（一句话）。这是最关键的部分——Claude 靠这句话判断什么时候自动触发。指令——怎么做（具体步骤）。约束——什么不能做。

Skill 不是告诉 AI「做什么」——那是 Prompt 的事。Skill 告诉 AI 的是「怎么做」。

Prompt 说：「帮我写一份竞品分析。」Skill 说：「做竞品分析时，先锁定 3-5 个核心竞品，按功能/定价/市场定位三个维度对比，输出 SWOT 格式，每个结论附数据来源，最后给 3 条可执行建议。」

Prompt 提供任务。Skill 提供方法论。两者配合时，AI 才从「等你告诉它每一步该做什么的实习生」变成「知道怎么干活的员工」。

而且同一个 Skill 可以被不同的输入反复调用——输入一家竞品公司，你得到竞品分析；输入一个行业趋势，你得到趋势报告；输入一个投资标的，你得到尽调简报。同样的流程，不同的对象，完全不同的产出。

这不是 Prompt 工程。这是用 Markdown 做软件设计。

你的第一个 Skill 怎么建

最快的方式：让 AI 帮你建。

Claude 内置了一个「Skill Creator」——一个能创建 Skill 的 Skill。你只需要说：「帮我创建一个 Skill，用来做 [你的具体任务]。」

Claude 会采访你，提炼流程，输出一个结构化的 .md 文件。你存下来就能用。

一个下午，你可以搭好整个人的 Skill 体系。每个花 10 到 15 分钟。写作风格、竞品分析、会议纪要、邮件回复、报告生成、内容日历——加起来不到两小时。

这两小时的复利回报没有上限。

最后

三个框架，三句话：

三层进化论： 从 Prompt 到 Project 到 Skill，同一个 AI，三种完全不同的体验。你在哪一层？

交易 vs 复利： Prompt 是每天归零的交易。Skill 是每天增值的资产。你选哪个？

Thin Harness, Fat Skills： 不要把精力花在工具链上。把 90% 的注意力花在写好 Skill 上——那才是价值所在。

你建的每一个 Skill，都是对你 AI 系统的永久升级。它不退化，不遗忘，模型更新时自动变强。

Prompt 是口头指令。Skill 是 SOP 手册。一个每天归零，一个每天复利。

从今天开始：找到你重复超过三次的那个任务。花 10 分钟，写你的第一个 Skill。

然后你就再也不想回到只用 Prompt 的日子了。