为什么“何时使用Skill”比“如何使用Skill”更重要？
在学习 AI 工具时，很多人最关心的问题是：“怎么创建一个 Skill？”“怎么写 SKILL.md？”“怎么让它被自动触发？”这些问题当然重要，但对产品经理来说，更重要的问题其实是：
这个任务到底该不该用 Skill？
如果判断错了，后续所有设计都会走偏。
一个不该封装的任务被做成 Skill，会带来三个后果。
第一，增加复杂度。原本一次对话就能解决的问题，被包装成一个“能力模块”，反而需要维护说明、输入格式、输出格式和触发条件。
第二，制造伪稳定。任务本身并没有稳定方法，但 Skill 会让使用者误以为结果是标准化的、可信的、可复用的。
第三，削弱判断力。产品经理可能把本应由人判断的问题交给 Skill，导致 AI 输出看起来规范，实际却缺少业务判断、用户证据或风险意识。
因此，本章的核心不是教你“更多使用 Skill”，而是训练一种更重要的能力：知道什么时候不该使用 Skill。
这也是专业产品经理和普通 AI 用户的区别。普通用户看到一个新功能，往往会问“它能做什么”；产品经理必须追问“它适合解决什么问题，不适合解决什么问题”。
Skill适用的基本条件
上一章已经定义：Skill 是可复用任务能力模块。由此可以推出，适合使用 Skill 的任务通常具备五个条件：
重复出现、输入相似、流程稳定、输出可标准化、质量可检查。
这五个条件可以构成 PM 判断 Skill 是否适用的第一层框架。
条件一：任务会重复出现
Skill 的前提是复用。如果一个任务只发生一次，通常不值得做成 Skill。
例如，“帮我给这个内部活动想一句宣传语”可能不适合 Skill，因为它是一次性创意任务。但“每周把用户反馈整理成需求机会表”适合 Skill，因为它反复发生。
产品经理可以用一个简单问题判断：
这个任务未来一个月会不会重复出现三次以上？
如果答案是否定的，优先使用普通对话；如果答案是肯定的，可以继续评估是否适合 Skill。
当然，重复频率不是唯一标准。有些任务虽然频率不高，但一旦发生就非常重要，例如“重大版本发布前的合规检查”“上线前风险清单检查”。这类任务也可能适合 Skill，因为它们需要稳定标准和可审查输出。
条件二：输入材料相对稳定
Skill 需要明确输入。如果每次任务输入完全不同，且无法定义基本结构，Skill 就很难稳定工作。
例如，“帮我分析一下这个商业机会”输入可能包含市场、政策、竞争、技术、渠道、资金、团队等多种因素，范围过大，不适合初学阶段直接做成 Skill。
但如果任务变成：
“根据用户访谈记录，提取用户原话、场景、痛点、需求假设和证据强度。”
输入就清晰得多。它通常是一段访谈记录、客服记录或用户反馈，结构虽不完全一致，但类型相似。
产品经理需要判断：
我能否说清楚用户每次需要提供什么材料？
如果不能说清楚输入，Skill 很可能会失败。
条件三：处理流程可以描述
Skill 不是神秘能力，而是一套可描述的任务处理方法。只要产品经理无法描述“AI 应该怎么做”，Skill 就只能变成模糊提示词。
例如，“帮我做战略判断”很难直接做成 Skill，因为战略判断涉及外部环境、资源配置、竞争动态、组织能力和长期取舍。除非进一步拆解为更具体的子任务，例如“根据指定材料生成 SWOT 初稿”“根据产品路线图识别资源冲突”“检查战略目标是否缺少可衡量指标”。
一个任务是否适合 Skill，取决于你是否能写出它的基本处理步骤。
例如：
- 先识别用户类型；
- 再识别用户行为；
- 再提取用户表达的困难；
- 再区分事实、推测和建议；
- 最后输出需求机会表。
这样的任务就适合封装。因为它不是“让 AI 自由发挥”，而是要求 AI 按步骤处理。
条件四：输出可以标准化
Skill 的关键价值之一是稳定输出。因此，适合 Skill 的任务通常有明确输出格式。
例如：
- PRD 初稿；
- 用户反馈分析表；
- 竞品对比表；
- 会议纪要；
- 需求拆解清单；
- 验收标准列表；
- 风险检查表；
- 版本发布说明。
这些输出都有可定义结构。相反，如果输出目标是“给我一些灵感”“随便聊聊”“帮我发散一下”，则更适合直接 Chat，而不是 Skill。
产品经理可以问：
这个任务的结果能否用表格、清单、模板或固定章节表达？
如果可以，Skill 的适用性就更高。
条件五：质量可以检查
一个任务是否适合 Skill，还要看结果能不能检查。
例如，“把会议记录整理成行动项”可以检查：是否包含负责人、截止时间、任务内容、风险和未决问题。
“把用户访谈转成需求假设”也可以检查：是否引用用户原话，是否区分事实和推测，是否标注证据强度。
但“判断这个产品未来会不会成功”就很难检查。AI 可以给出看似合理的分析，但短期内很难验证。这类任务可以让 AI 辅助讨论，却不适合直接封装成稳定 Skill。
产品经理必须记住：
不能检查质量的任务，不应轻易自动化。
Skill使用决策五问
为了便于实际使用，你可以上述条件整理成一个“Skill 使用决策五问”。
当你考虑是否使用 Skill 时，请依次回答：
- 第一，这个任务是否会重复发生？
- 第二，每次输入材料是否大致相似？
- 第三，处理步骤是否可以说清楚？
- 第四，输出结果是否可以标准化？
- 第五，结果质量是否可以被检查？
如果五个问题中有四个以上答案为“是”，这个任务通常适合使用 Skill。
如果只有两三个答案为“是”，可以先用 Prompt 或 Chat 验证，不必急于创建 Skill。
如果只有一个或零个答案为“是”，通常不适合使用 Skill。
这个框架可以简称为：
重复性、输入性、流程性、格式性、可检性。
请记住：能重复、能输入、能拆步、能定格式、能检查，才适用 Skill。
什么时候不要使用 Skill ？
理解 Skill 的适用场景，必须同时理解它的不适用场景。以下五类任务不建议优先使用 Skill。
一次性探索任务
如果你只是想探索一个新想法，不知道问题边界，也不知道想得到什么结果，直接 Chat 往往更好。
例如：
- “帮我想想 AI 教育产品还有哪些机会。”
- “你怎么看未来三年智能体产品的发展？”
- “帮我从商业角度挑战一下这个创业想法。”
这些任务的价值在于开放讨论。过早使用 Skill，反而会把思考限制在固定框架中。
Skill 擅长稳定执行，不擅长开放探索。探索阶段应该允许混乱、跳跃、反问和不确定；Skill 阶段才需要结构、标准和复用。
高度依赖实时信息的任务
如果任务高度依赖最新信息，Skill 本身通常不够，需要结合搜索、数据库、RAG 或外部工具。
例如：
- “分析今天某家公司的股价变化原因。”
- “整理本周竞品最新功能更新。”
- “比较当前美国和中国主流 AI 产品的价格。”
- “判断某项政策是否已经生效。”
这类任务的问题不在于分析框架，而在于信息来源。Skill 可以定义分析方法，但不能凭空保证信息最新。OpenAI 的 Skills、Claude Agent Skills、阿里云 Agent Skills 等主流表述都强调 Skill 是可复用指令、资源或工作流能力，而不是自动等同于实时搜索能力；是否能获取最新数据，取决于平台是否连接搜索、工具或外部数据源。
因此，对实时信息任务，正确做法通常是：
- Skill + 搜索；
- Skill + 数据库；
- Skill + RAG；
- Skill + 工具调用。
而不是单独依赖 Skill。
高风险决策任务
涉及法律、医疗、金融、合规、人事处罚、重大采购、重大投资等高风险事项时，不应让 Skill 直接给出最终决策。
例如：
- “判断这个合同是否可以签。”
- “决定是否辞退某个员工。”
- “判断这个医疗建议是否适合患者。”
- “根据财务数据决定是否投资某家公司。”
Skill 可以用于初步整理、风险提示、检查清单、问题归纳，但不能替代专业责任人。尤其在企业客户场景中，Skill 的输出应被定位为“辅助材料”，而不是“最终结论”。
产品经理在设计这类 Skill 时，要特别注意输出措辞。更安全的表达是：
“输出潜在风险点和需要人工确认的问题。”
而不是：
“判断是否合规。”
需要深度人际判断的任务
有些任务看起来可以结构化，但核心价值来自人际关系、组织政治、情绪理解和微妙语境。
例如：
- “帮我判断老板真实想法。”
- “帮我决定是否在会上反对某个方案。”
- “判断客户是不是故意拖延。”
- “判断团队成员是不是不配合。”
AI 可以帮助分析可能性，但不应被封装成 Skill 后反复用于判断人。因为这类任务的输入往往不完整，而且容易放大偏见。
如果必须使用 AI，更适合让它提供多个解释角度，而不是给出单一判断。
尚未形成稳定方法的新任务
一个任务如果团队自己还没有搞清楚怎么做，就不适合立即做成 Skill。
例如，一个公司刚开始探索 AI Agent 产品，还没有形成自己的需求分析方法、评估指标和产品架构标准，就急着创建“Agent产品设计Skill”，很可能只会得到一套看似完整、实际空泛的模板。
Skill 应该封装已经被验证过的工作方法，而不是掩盖尚未想清楚的问题。
一个重要原则是：
先用 Chat 探索方法，再把稳定方法沉淀为 Skill。
Skill vs 直接问聊天模型（Chat）
在日常工作中，我们最常见的选择不是“Skill 或不用 AI”，而是“用 Skill，还是直接问 ChatGPT、Claude、通义、豆包、文心、Kimi 等模型”。
直接问模型的优势是灵活。你可以临时补充背景、改变方向、要求不同风格、不断追问。它适合不确定、一次性、探索型任务。
Skill 的优势是稳定。它适合已知流程、重复任务、标准输出和团队复用。
可以用下面的判断方式：
如果你还不知道自己要什么，用 Chat。
如果你已经知道一类任务应该怎么做，用 Skill。
如果你希望 AI 和你一起思考，用 Chat。
如果你希望 AI 按照既定标准处理，用 Skill。
如果这次任务很特殊，用 Chat。
如果这类任务经常出现，用 Skill。
例如，PM 第一次研究某个新行业时，可以直接和 AI 对话，询问行业结构、商业模式、用户角色、竞争格局。经过几次探索后，PM 发现自己每次分析行业都会使用同一套结构：市场规模、用户细分、关键场景、价值链、竞争格局、进入壁垒、机会点。此时，就可以把这套结构沉淀为“行业机会分析Skill”。
因此，Chat 和 Skill 不是对立关系，而是先后关系：
Chat 用来探索，Skill 用来沉淀。
Skill vs Prompt 模板
很多团队已经有 Prompt 模板库，那么还需要 Skill 吗？
答案是：需要，但不是所有 Prompt 模板都要升级为 Skill。
Prompt 模板通常是一段可复制的提示词。它的好处是简单、透明、容易传播。缺点是依赖用户手动复制、手动填空、手动调整，也容易出现版本混乱。
Skill 则更接近“被产品化的 Prompt 模板”。它不仅包括指令，还可以包含任务边界、触发说明、输出标准、示例、资料、脚本或工具调用规则。Anthropic 的 Agent Skills 文档将 Skill 描述为打包指令、元数据和可选资源的模块化能力；OpenAI 也强调 Skills 可以包含指令、示例和代码，用于可复用工作流。
可以这样理解：
- Prompt 模板是“可复制的好问法”。
- Skill 是“可复用的任务能力”。
- Prompt 模板适合个人使用和早期试验。
- Skill 适合团队复用、流程沉淀和质量稳定。
一个成熟团队通常会经历三个阶段：
- 第一阶段，个人积累 Prompt。
- 第二阶段，团队整理 Prompt 模板。
- 第三阶段，把高频、高价值、高标准的 Prompt 模板升级为 Skill。
不是所有模板都值得升级。只有那些反复使用、结果重要、结构稳定、需要统一标准的模板，才值得 Skill 化。
Skill vs RAG / 搜索 / 知识库
Skill 和 RAG 容易混淆，因为它们都能让 AI 更好地完成任务。但二者解决的问题不同。
RAG 主要解决“信息来源”问题。它让模型从企业知识库、文档库、网页、数据库或检索系统中获取相关内容，再基于这些内容回答问题。
Skill 主要解决“任务方法”问题。它告诉模型如何处理一类任务。
例如，PM 想让 AI 分析公司历史需求文档。
RAG 可以帮助 AI 找到相关 PRD、会议纪要、用户反馈和历史决策记录。
Skill 可以规定 AI 如何分析这些材料：先找需求背景，再找目标用户，再找业务指标，再提取历史争议点，最后输出复盘结论。
如果只有 RAG，没有 Skill，AI 可能找到资料，但不知道按什么方法分析。
如果只有 Skill，没有 RAG，AI 知道分析方法，但可能缺少事实依据。
因此，企业级 AI 场景中常见组合是：
RAG 提供材料，Skill 提供方法。
例如：
- “客户支持知识库问答”更依赖 RAG；
- “把客户支持记录整理成产品需求机会”更依赖 Skill；
- “根据知识库内容生成客户解决方案”通常需要 RAG + Skill。
这一区分对 PM 非常重要。因为很多 AI 产品失败，不是模型不好，而是把问题归错类：本来缺资料，却拼命优化提示词；本来缺方法，却只搭建知识库。
Skill vs Tool / API / MCP
Tool、API、MCP 等能力解决的是“模型能操作什么”的问题。Skill 解决的是“模型应该如何完成任务”的问题。
例如，发送邮件是工具能力；“根据会议纪要起草一封项目推进邮件，并在发送前列出风险点”才是 Skill。
查询数据库是工具能力；“根据用户行为数据生成留存分析报告”才是 Skill。
调用日历是工具能力；“根据项目计划和参会人时间安排一次需求评审会”才是 Skill。
Anthropic 在关于 Agent Skills 的工程文章中提到，Skills 可以与 MCP 互补：MCP 给代理连接外部系统的能力，而 Skills 可以教代理完成涉及这些外部能力的复杂工作流。
用产品经理的话来说：
- Tool/API/MCP 是手和脚。
- Skill 是做事方法。
- Agent 是会根据目标调用不同方法和工具的系统。
如果一个任务只是需要访问外部系统，例如“查询今天有哪些会议”，可能只需要工具调用，不需要 Skill。
如果任务需要按组织标准处理信息，例如“根据会议安排生成一份客户拜访准备清单”，就适合 Skill。
如果任务既需要外部数据，又需要标准化处理，则需要 Tool + Skill。
Skill vs Workflow
Workflow 通常强调流程编排。它把任务拆成多个节点，每个节点有明确输入、输出、条件和执行路径。Dify 官方介绍强调其 Agentic Workflow 能用可视化构建块定义应用如何思考、检索数据、做决策、使用工具、请求人工输入并完成任务。
Skill 和 Workflow 的区别在于：
- Skill 关注能力封装。
- Workflow 关注流程编排。
- Skill 可以是 Workflow 中的一个节点。
- Workflow 可以调用多个 Skill。
例如，一个“新功能上线准备流程”可能包含多个步骤：
- 读取 PRD；
- 检查需求完整性；
- 生成测试用例；
- 生成发布说明；
- 生成客服 FAQ；
- 通知相关团队。
这个整体更像 Workflow。其中“检查需求完整性”“生成测试用例”“生成客服 FAQ”都可以分别是 Skill。
因此，产品经理在判断时可以问：
- 如果任务是一个独立能力，用 Skill。
- 如果任务包含多个阶段、多个系统、多个判断分支，用 Workflow。
- 如果任务既有复杂流程，又有可复用子能力，用 Workflow + Skill。
在真实工作场景中产品经理的判断方法
下面用几个典型 PM 场景说明何时适合使用 Skill。
PRD生成
“写 PRD”适合 Skill 吗？
答案是：部分适合。
如果目标是“让 AI 从零决定一个产品应该怎么做”，不适合。因为 PRD 背后有大量业务判断、用户理解、资源约束和战略取舍。
但如果目标是“根据 PM 已经提供的背景、用户、需求、约束和功能说明，按照公司模板生成 PRD 初稿”，则非常适合 Skill。
正确的 Skill 定位不是“代替产品经理写 PRD”，而是：
“把产品经理已经判断清楚的内容，转化为结构完整、格式规范、便于评审的 PRD 初稿。”
用户反馈分析
用户反馈分析通常适合 Skill，因为它重复、高频、输入相似、输出可结构化。
但需要注意边界：Skill 可以提取痛点、场景、证据和需求假设；不应直接宣称“用户真正需要某功能”。因为反馈不是需求，需求也不等于解决方案。
更好的输出应包含“不确定性”和“待验证问题”。
竞品分析
竞品分析是否适合 Skill，取决于信息来源。
如果 PM 已经提供竞品资料、截图、网页内容或功能描述，Skill 可以很好地完成结构化分析。
如果要求 Skill 自己获取最新竞品信息，则必须结合搜索或爬取工具。
如果竞品分析用于重大商业决策，还需要人工复核来源。
因此，竞品分析通常不是单纯 Skill，而是：
搜索 / RAG + Skill + 人工判断。
会议纪要
会议纪要非常适合 Skill。
原因是：输入相对稳定，处理流程清晰，输出格式标准，质量容易检查。
但要注意一点：AI 不应把没有明确说出的内容编造成结论。好的会议纪要 Skill 应该区分：
- 已确认结论；
- 讨论中观点；
- 行动项；
- 未决问题；
- 需要补充确认的信息。
需求拆解
需求拆解适合 Skill，但前提是团队已经有明确拆解方法。
例如，可以按照“用户场景—用户行为—目标结果—功能路径—异常场景—验收标准”的方式拆解。
如果团队对需求拆解方法本身还没有共识，就不应急着创建 Skill。应先通过 Chat、Workshop 或人工评审形成方法，再沉淀为 Skill。
案例：是否应该创建“竞品分析 Skill”
背景
某教育科技公司的 PM 团队每个月都要分析 3—5 个竞品。过去做法是每位 PM 自己搜索资料、整理截图、写分析报告。结果是报告结构不统一，有的人偏功能，有的人偏商业模式，有的人偏视觉体验。管理层很难横向比较。
团队提出：是否要创建一个“竞品分析Skill”？
第一步：用五问判断
第一，这个任务是否重复发生？
是。每个月都会发生。
第二，输入材料是否大致相似？
部分是。通常包括竞品官网、App 截图、价格页、功能说明、用户评论。
第三，处理步骤是否可以说清楚？
是。可以按用户、场景、功能、价格、转化路径、差异化价值、启示来分析。
第四，输出是否可以标准化？
是。可以输出竞品对比表和机会洞察。
第五，质量是否可以检查？
部分可以。结构完整性可以检查，但市场判断需要人工复核。
第二步：判断是否单独使用Skill
结论：不应单独依赖 Skill。
原因是竞品信息变化快，Skill 本身不保证信息最新。应采用“资料收集 + Skill 分析 + 人工复核”的方式。
第三步：定义正确方案
Skill 滥用的四种典型表现
把知识问答做成 Skill
例如创建一个“解释北极星指标Skill”。这类任务更适合普通问答或知识库，不一定需要 Skill。
除非它的目标不是解释概念，而是“根据一个产品案例判断其北极星指标是否合理，并给出修改建议”。后者才更像任务能力。
把模板包装成 Skill
有些团队把固定文档模板放进 Skill，但没有规定处理逻辑。结果 AI 只是把内容填进模板，看起来规范，实际质量并未提高。
Skill 不应只是格式模板，还要包含判断规则和处理步骤。
把战略判断交给 Skill
把低频任务过度工程化
如果一个任务一年只发生一次，且不影响关键流程，就没有必要创建 Skill。直接使用 Chat 可能更快。
产品经理要记住：Skill 也有维护成本。凡是需要复用的东西，都需要命名、描述、管理、更新和淘汰。
Skill使用决策表
| 任务类型 | 更适合的方式 | 原因 |
|---|---|---|
| 一次性创意发散 | Chat | 目标开放，不需要标准化 |
| 概念解释 | Chat / 搜索 | 属于知识问答，不一定需要复用流程 |
| 高频文档生成 | Skill | 输入和输出稳定，适合标准化 |
| 用户反馈整理 | Skill | 重复、高频、可结构化 |
| 最新竞品动态分析 | 搜索 + Skill | 需要最新信息和分析方法 |
| 企业内部知识问答 | RAG | 核心问题是找到正确资料 |
| 基于内部资料生成报告 | RAG + Skill | 资料来自知识库，处理方法来自 Skill |
| 调用系统完成操作 | Tool/API | 核心是外部系统能力 |
| 按流程跨系统完成任务 | Workflow + Tool + Skill | 涉及多步骤、多能力组合 |
| 法律/合规/医疗/投资决策 | Skill辅助 + 人工专家 | 高风险，不能让 Skill 直接决策 |
这张表不是绝对规则，而是 PM 进行初步判断的工具。真正的判断还要结合任务重要性、数据质量、用户风险、组织流程和平台能力。
从个人效率到组织能力
在个人层面，Skill 可以让 PM 少写重复提示词，少做重复整理，少改重复格式。
但在组织层面，Skill 的价值更大。
一个公司如果能把优秀 PM 的工作方法沉淀为 Skill，新人就能更快上手，团队输出就能更统一，组织知识也更容易复用。尤其在企业客户和供应商协作场景中，Skill 还能帮助不同组织之间对齐标准。
例如，甲方产品团队可以要求供应商使用统一的“需求澄清Skill”，输出固定结构：
- 业务背景；
- 目标用户；
- 用户场景；
- 需求描述；
- 验收标准；
- 风险与依赖；
- 待确认问题。
这样，供应商提交的需求材料更容易被评审，甲方也能减少大量沟通成本。
这说明 Skill 不只是个人生产力工具，更是组织协作接口。它把“我们希望事情怎么做”变成一种可复用、可检查、可交付的能力。
小结
Skill 的关键不是“多用”，而是“用在正确的地方”。
适合 Skill 的任务通常具备五个条件：重复出现、输入相似、流程稳定、输出可标准化、质量可检查。
不适合 Skill 的任务包括：一次性探索、高度依赖实时信息、高风险决策、深度人际判断和尚未形成稳定方法的新任务。
Skill 与其他 AI 方案的关系可以这样理解：
- Chat 用于探索；
- Prompt 模板用于个人复用；
- Skill 用于稳定任务能力；
- RAG 用于获取内部或外部资料；
- 搜索用于获取最新信息；
- Tool/API/MCP 用于连接外部系统；
- Workflow 用于组织复杂流程；
- Agent 则是多个能力、工具、记忆、流程和目标管理机制的组合。
对产品经理来说，真正重要的能力不是会写一个漂亮的 Skill，而是能判断：
- 这个任务是否值得封装？
- 封装到什么程度？
- 需要和哪些能力组合？
- 哪些结论必须保留人工判断？
这就是本章所说的 Skill 决策能力。
课后练习
练习一：判断是否适合Skill
请判断以下任务是否适合使用 Skill，并说明理由。
- “帮我解释一下什么是 MCP。”
- “每周根据客服反馈生成需求机会表。”
- “帮我判断这个创业方向能不能成功。”
- “根据 PRD 初稿检查是否缺少验收标准、异常场景和埋点方案。”
- “整理今天行业最新新闻，并分析对我们产品的影响。”
- “帮我和 AI 讨论一个还没想清楚的新产品概念。”
- “把会议录音整理为结论、行动项、负责人和截止时间。”
- “根据公司知识库回答客户售后问题。”
练习二：使用五问评估任务
请选择你最近工作中的一个 AI 使用场景，用以下五问进行评估：
- 这个任务是否会重复发生？
- 输入材料是否大致相似？
- 处理步骤是否可以说清楚？
- 输出结果是否可以标准化？
- 结果质量是否可以检查？
请根据答案判断：这个任务应该使用 Chat、Prompt 模板、Skill、RAG、搜索、Tool，还是 Workflow？
练习三：改造一个不适合Skill的任务
下面这个任务不适合直接做成 Skill：
“帮我判断我们公司明年应该做什么 AI 产品。”
请把它拆成三个更适合 Skill 的子任务。
AI 助教
提示：您可在此提出学习中遇到的问题。回答由 AI 生成，可能存在错误，请注意甄别。