2026–04–15 AI 小聚心得：Skill 我聽到的那條線

4/15 晚上，Generative AI 年會小聚在 SPARKFUL 舉辦，這次的主題是「Skill 的應用」。八位講者各自帶來不同角度的分享。有人聊怎麼寫 Skill，還有聊用 AI 寫文章、怎麼讓整間公司都能用 AI，甚至帶了機器手臂來現場。

先說一下，這篇心得我沒有按照議程順序寫。因為聽完之後回家整理筆記，我發現這八場分享在回答同一條線上的問題：Skill 到底是什麼？能讓 AI 多懂你？而你自己又需要先搞懂什麼？按時間順序寫會把這條脈絡切散，所以我這一次就不像上一篇，改用主題線來串，想知道完整順序的可以看小聚每次分享的文件。

CabLate Tuo：怎麼讓 AI 乖乖用你的 Skill

CabLate 是網路上神交已久的大神，但今天他沒有女裝出席（爆）。

他的題目很直白：Skill 怎麼寫才能讓 AI 更聽話。

他拋出一個很真實的問題：你花時間寫好了 Skill，結果 AI 根本不用它。觸發率低到讓人懷疑人生。為什麼？因為 Skill 的 description 寫得太像功能介紹了。模型一看，覺得「這個我不靠 Skill 也能做啊」，就直接跳過。

解法不複雜。把 description 從「功能介紹」改成「情境觸發」：明確寫出什麼情境該用、不用會造成什麼問題。就這兩件事。重寫了好幾個 Skill 的 description 之後，觸發率明顯上升。

更有意思的是第二個問題。Skill 觸發了，AI 還是寫出你不要的東西。一開始的做法是列禁用詞、禁用句型，疊到 40 幾條規則。結果 AI 學會繞路，換個同義詞繼續犯。你把整段不滿意的文章貼回去要它下次不要再寫，短期有效，AI 卻會改用其他說法維持同樣的調調。

後來他悟出一個道理：用「價值觀」取代「規則列舉」。規則是有限的，AI 會找漏洞。如果讓它理解「為什麼不能這樣寫」，比如過度販售焦慮會傷害品牌調性、推銷感太重會讓讀者反感，它就能在你沒想到的情境下也做出對的判斷。

他用了一個很好的類比：這跟管理員工一樣。你沒辦法靠員工手冊覆蓋所有狀況，讓人理解規則背後的故事和原則，他在未知情境下也能做出符合期待的判斷。

最後他還延伸到 Persona 的建立。如果你有大量個人資料或對話紀錄，可以匯出讓 AI 分析你的 persona，讓它在處理任務時對齊你的決策風格和偏好。從個人風格出發，甚至可以擴展到專案風格、團隊規範。

補充：有幸參加 CabLate 線上的 Skill 課程，大推！！！

剛看了一下我自己的 Skill 當中，除了自己、官方的外，唯一有安裝的就是上完課後 CabLate 課後提供讓 Skill 檢查的 Skill （ 好饒口 XD ）

喊涵：在讓 AI 聽話之前，你得先知道什麼是「你的」

CabLate 講的是怎麼讓 AI 更懂你。喊涵則丟出了一個更根本的提問：你自己知道什麼是「你」嗎？

喊涵 上台雖然喊了一句，排在那麼厲害的人後面，想要逃跑，但講的很好好嗎 XD （另外～好多年沒有看到 喊涵了）

她用攻殼機動隊（Ghost in the Shell）開場：在人類高度機械化的世界裡，自我意識（Ghost）是否還存在？ChatGPT 出現之後，創作和內容產業越來越接近這個提問了。 ( 其實原著更精彩，尤其是作者 士郎正宗 大量的漫畫中的吐槽，強力建議大家去找來看 )

她觀察到社群上兩種人。「無所謂派」覺得 AI 寫作是趨勢，反正大家都在用。「人味派」不在乎你用不用 AI，重點是讀者能不能感覺到是作者在說話，精神和溫度是否還在。

只是「人味」這個詞太抽象了，說了等於沒說。喊涵做了一件很有價值的事：她把人味拆成四個可操作、可檢核的元素。

觀點：你對事物的看法和立場。不是「好酷好讚」沒有情感的打卡文，而是你覺得厲害的理由，以及你持保留的部分。AI 內容泛濫的時代，真正稀缺的就是作者自己的觀點。

經驗：你親身經歷的事。AI 沒辦法替你活過。

演繹：同一件事，你怎麼用自己的方式說出來。她舉了一個我很喜歡的例子：Skill 的官方定義是「給 Claude 使用的結構化指令包，使其在特定任務下可一致且可重複完成工作」。她的版本呢？「把某個絕活裝進膠囊，別人吃下去立刻學會。」( 其實就是駭客任務或是記憶吐司 XD )你也可以說 Skill 像遊戲的 DLC，安裝之後解鎖新副本跟地圖。每個人都能找到自己的轉譯方式，這本身就是人味，或是某種程度的「靈魂」。

品味：你的鑑賞力和審美觀。表現在你選什麼素材、信任哪些來源、偏好什麼風格。

有了這四個元素之後，她把內容創作的工作流切成四步：收集靈感、寫原稿、編修、完稿。然後一刀切成左右兩半。

左半（收集靈感 + 寫原稿）是人味的主場。右半（編修 + 完稿）AI 可以用爆。

收集靈感的階段，人和 AI 各半。更關鍵的是經驗（你得親自到場、感受共鳴）和品味（你知道要去什麼活動、信任哪些專家）。AI 擅長的是多份文件整理、筆記彙整、關聯分析。

但她特別強調一件事：原稿是人類最後的淨土。不要讓 AI 碰原稿。理由很實際，如果原稿階段讓 AI 先生成一點點，後續擴寫和編修時偏差會被放大，內容越改越不像自己，反而增加修稿成本。原稿應該放入的兩個人味要素是觀點和演繹。

右半邊她就用得很兇了。她分享了用 AI 建立電子報風格的案例。先有人類的品味（她喜歡黑色追緝令的敘事結構和美感），再請 AI 分析整部電影劇本，萃取成可用於電子報的「風格寫作原則」。讀者回饋說她的電子報「像電影分鏡般細膩」「像讀到作者的腦袋」。

編修階段，她像作文老師一樣逐段給 AI 回饋。先想清楚規格（文體、結構、字數、標題原則、發布平台），第一段建立標準，後續段落修稿速度就快了。

最後把整個寫作流程做成 Skill。方法是先完整跑一次流程，做出自己滿意且有人味的文章，最後補一句：請 AI 把以上寫作過程和標準做成 Skill。之後每次寫完文章還會花大約 1 分鐘復盤，把可以優化的點補進 Skill。把 Skill 當產品維護，持續迭代。

這邊想補充一下我自己對於 AI 寫作的想法，現在很多人對於所謂的「 AI 文章很反感 」，甚至認為，使用「不是～而是」甚至破折號就一定是 AI 寫的 （ 都是 AI 帶壞我的？ ），但這些–不是小學套用的句型嗎？( 對，我就是要用 XD )

所以大家憎惡的是小學國文的造樣造句嗎？ XD

Kirby Wu：同樣的邏輯，套在圖上

喊涵聊的是文字的人機分工，Kirby Wu 聊的是生圖，道理很像：提示詞管理就是另一種形式的 Skill 設計。

Kirby 買了 Mac Studio 之後兩週就把硬碟用滿，因為反覆生圖和迭代提示詞吃掉大量空間。他的一個 MD 檔就累積了大約 150 個提示詞，整體迭代量更多。 （ 其實滿有感的，當年開始玩 Stable Diffusion 我還每個月花錢使用 Colab 一下就生圖把 google driver 空間塞爆，不得不加購容量… ）

他的挑戰是風格一致性。生成的 icon 需要在同一套視覺語言下可批次產出。他試過不同的方式，都有各自的問題。轉向生成式方法之後，「可用」跟「可上架」之間還是有落差，需要反覆調整。

他做了一件很有實驗精神的事：下載十幾個模型，一次生上千張圖再挑選。不同模型有不同的「味道」，插畫風、水墨風、詩經風都有。只是反覆嘗試會撞上配額限制，所以他開始往自動化走，用 Make 搭配 Shortcuts 搭建工作流，從生圖到後處理到上架盡量串起來。

他還提到一個跟 CabLate 分享很呼應的點：提示詞壓縮是有風險的。把提示詞變短的時候，關鍵細節容易消失或被誤解。彩帶、雲氣之類的元素在壓縮後就不見了，臉部也可能出現不預期的質感。有些東西就是需要用足夠的 context 來表達，壓不得。（ 可是我自己有時候挺享受那種短提示詞出來的隨機性 :P ，有時是一種精準失控的美 XD ）

Maple Kuo 與 Jocelin Ho：個人的 AI 基礎設施能走多遠

從個人使用的 Skill 使用往外看，Maple 和 Jocelin 分別從不同角度談了「個人 AI 基礎設施」。

Maple 的觀點很精準：Skills 的本質是 Context Engineering。不是存好的指令模板，而是把「該記錄什麼、該穩定執行什麼」從模型的隨機生成中抽離，交還給使用者控制。他引用 Anthropic 工程師在曼谷 Meetup 的說法：Skills 很像程式套件，不是裝越多越好，要在意裝得是否剛好。

他還分享了 Worktree 的實作，讓同一時間可以在多個 branch 平行開發不同功能，一次開四五個 worktree 同時修 bug、重構、做新功能。

Jocelin 介紹了 PAI（Personal AI Infrastructure），一套開源的 AI Agent 基礎設施。PAI 的設計理念是讓 agent 住在你電腦的 root，作為個人助理它應該最了解你。透過 hooks 在各種時機自動拉取 context，把你的目標、價值觀、偏好風格都存在檔案裡，跨 session 持續學習。

她的 demo 很直觀：先設定「解釋任何事情時把我當五歲小孩」和「只用中文回覆」，之後再問「什麼是 hook」，系統就會用中文、用「家裡的超級管家」這種比喻來解釋。

Jackle 與 Vita：當 Skill 要擴展到整個組織

這是第三次在小聚看到 Jackle 的「表演」，每一次都非常精彩，這一次他提到個人的 Skill 做得再好，到了組織層面又是另一回事。Jackle 和 Vita 分別從系統化和知識庫的角度切入。

Jackle 在卡柏蒂擔任資訊長。卡柏蒂大約一兩百人。面對的現實是：門市人員、研發烘焙師傅、工廠人員，不可能把每個人都訓練成 AI 高手。他的做法是開發一套系統，把 Skill 藏進 UI 流程裡。使用者不需要懂 prompt，最簡單的應用是開完會丟錄音檔，系統自動處理文字稿校正、會議記錄生成、任務派發。

某天公司開了 16 場會，老闆可以逐場點開查看，確認各會議是否走在期待方向。系統初期還是有 bug，主管們卻對會議記錄板的滿意度很高，願意容忍不便。他也很誠實地說，現在的 Skill 是「被捏成 Jackle 的形狀」，正在往「大家的形狀」演進。

Vita 在 Zeabur 做 PM，團隊把內部知識庫取名叫「斑馬手冊」（對，因為絕大多數的使用者發不好 Zeabur 的音，乾脆自暴自棄叫 Zebra…）。從 1.0 的 GitHub repo 集中化，演進到 2.0 加入 RAG 檢索、動態資料（學員每天跟 Agent 的互動內容），還有 UI 讓非工程背景的同事可以直接查詢和回報問題。她自己也用 Discord 做了一個個人知識庫的小 MVP，把有用的內容丟進去自動切塊，累積到一定量之後就能用實驗方式驗證：新文章加入後，特定問題的回答有沒有變更好，有就留、沒有就不收。

Ivan：最不像 Skill 的分享，反而最呼應 Skill

Ivan 的分享乍看跟 Skill 離得最遠。他帶了 AI 機器手臂到現場，示範了抓取物件、雙手臂協作折毛巾，也聊了夾破 12 顆雞蛋的慘案（後來只好炒蛋和煮小米粥處理掉）。

不過仔細想，他做的事跟 Skill 的邏輯很像。傳統工業手臂要大量撰寫規則、仰賴廠商演算法。他用的方法是「少量示範學習」：大約 10 次樣本示範、幾小時訓練，手臂就能學會基本的抓取動作。用最少的指示讓 AI 學會做事，這不就是寫 Skill 的人每天在做的事嗎？

他也提到環境對訓練品質的影響很大，建議環境盡量維持靜態、物件擺放要穩定一致。這跟 Skill 的設計道理也一樣，你給的 Context 越穩定，AI 的輸出就越可控。

聽完之後

這八場分享聽下來，有個感覺越來越清楚：Skill 不只是 Claude Code 裡面的一個功能。它更像是一種工作方式的轉變，從「每次都從零跟 AI 溝通」變成「把溝通過的東西沉澱下來，越用它會越懂你」。

我自己最有感的是喊涵那段。她講「原稿是人類最後的淨土」的時候，我腦中浮現的是自己每次寫文章的掙扎：尤其是前一陣子網站搬家的時候，檢視我之前覺得自己寫得很好的文章（大概十年前寫的吧 XD ），然後送給 AI 判斷有多少可能是 AI 寫的，結果你猜？ 判斷超過 80% 是 AI 寫的，那我倒底該開心還是難過….，最近一陣子有用類似的概念做了一個 Skill 寫文章，結果判斷出來只有 10%，所以這是我厲害還是 AI 厲害？我真的不知道阿…

所以到底哪些部分該交給 AI、哪些部分堅持自己來？最該堅持的我想應該還是要回到自己的品味吧。

CabLate 講的「價值觀取代規則列舉」也讓我再次感謝他提到的觀念，讓我每一個 Skill 都迭代了超多遍，讓一切過程變成更為絲滑。

八位講者，八個不同的切面，拼在一起看就是同一件事：找到你的原則，把它結構化，然後持續迭代。不管你是寫文章的、生圖的、做產品的、開工廠的，甚至是玩機器手臂的。

你呢？看到這裡有沒有什麼地方你覺得特別適合做成 Skill 的？還是決定乾脆把你自己的人生打包成 Skill ？

最後，這是憑我粗淺記憶寫的心得，完整的內容強力建議去訂閱李慕約的 2026 AI 訂閱，真的寫的很好（ 我都不知道我還該不該寫下去了 XD，丟筆 ），會讓你有親臨現場的感受。